Plantear la pregunta correcta
84Convertir un problema de negocio o científico vago en una pregunta específica y comprobable requiere un contexto organizativo y de dominio al que una herramienta automatizada no tiene acceso por sí sola.
La ciencia de datos se encuentra en un punto inusual de la historia de la IA: muchas de las herramientas que están remodelando la profesión —el aprendizaje automático automatizado, la traducción de lenguaje natural a SQL, los gráficos asistidos por IA— fueron en gran parte construidas por científicos de datos clínicos e investigadores de aprendizaje automático, ahora dirigidas de vuelta a partes de su propio trabajo diario.
Esa exposición es real y desigual. El extremo rutinario y bien especificado del puesto —extraer datos, ejecutar un modelo estándar, producir un gráfico de primer borrador— ya es comparativamente rápido de hacer para las herramientas de IA. El extremo que sobrevive tiene menos que ver con escribir código y más con decidir qué pregunta merece la pena hacer y si se puede confiar en una respuesta.
Moderado
Parte del trabajo que una máquina podría hacer
Una parte significativa del trabajo rutinario de ciencia de datos —consultas SQL, gráficos exploratorios, ajuste de un modelo estándar con AutoML, escritura de código de canalización repetitivo— ya es hoy automatizable o está asistida por IA, y esa parte crece rápidamente. Lo que resiste la automatización es plantear un problema de negocio ambiguo como una pregunta comprobable, juzgar si un resultado es real o un artefacto estadístico, y ser responsable cuando la decisión del mundo real de un modelo resulta ser incorrecta.
Puntuado por tareas, no por título. Más bajo es más seguro.
Empleos que la IA no puede quitar →Lo que las máquinas no pueden quitar
Juzgar si un patrón es real
80Distinguir un efecto genuino del ruido, un artefacto de fuga de datos o una división de entrenamiento-prueba afortunada es exactamente el juicio escéptico que peor aplican las canalizaciones automatizadas a su propio resultado.
Responsabilidad por una decisión del mundo real
88Alguien tiene que responder por un modelo que deniega un préstamo, señala a un paciente o fija mal el precio de un producto, una responsabilidad que no puede transferirse a la herramienta que produjo el número.
Persuadir a partes interesadas escépticas
68Conseguir que un hallazgo contraintuitivo o inoportuno se convierta realmente en acción depende de la confianza, la credibilidad y la negociación con personas, no solo de un análisis correcto.
Diseñar un experimento genuinamente nuevo
74Elegir el experimento natural, el grupo de control o la estrategia de inferencia causal adecuados para una pregunta nueva se parece más al juicio creativo que a la coincidencia de patrones sobre análisis pasados.
Lo que ya están quitando
Consultas SQL rutinarias y extracciones de datos
75Las herramientas de lenguaje natural a SQL ahora manejan una gran parte de las solicitudes sencillas de recuperación de datos que antes requerían la participación directa de un científico de datos clínicos.
Gráficos y resúmenes exploratorios de primer borrador
65Las herramientas de análisis exploratorio automatizado pueden generar gráficos de distribución, resúmenes de correlación y gráficos básicos a partir de un conjunto de datos en bruto en segundos.
Ajuste y afinado de modelos estándar
68Las plataformas de AutoML pueden seleccionar, entrenar y afinar modelos convencionales como el gradient boosting o la regresión logística en gran parte sin supervisión, para problemas bien definidos y bien etiquetados.
Código repetitivo de canalización y ETL
60Conectar un script estándar de transformación o carga de datos ahora suele ser más rápido de generar con un asistente de codificación de IA y revisar que escribirlo desde cero.
Cómo está cambiando el trabajo
De construir modelos a dirigirlos y revisarlos
Una parte creciente del trabajo consiste en especificar qué debería intentar una canalización automatizada y verificar su resultado, en lugar de escribir a mano cada consulta y modelo.
El título generalista se divide en especialidades
La ingeniería de analítica, la ingeniería de aprendizaje automático y la analítica de producto se han convertido cada vez más en títulos de trabajo separados, cada uno absorbiendo una parte de lo que se esperaba que cubriera un solo 'científico de datos clínicos' hace una década.
La inferencia causal y la experimentación ganan estatus
A medida que encontrar patrones en los datos existentes se vuelve más fácil de automatizar, la habilidad más difícil de diseñar un experimento o análisis causal fiable se está valorando más, no menos.
El 'científico de datos clínicos ciudadano' extiende el análisis básico
Las herramientas sin código y de AutoML permiten a los no especialistas ejecutar sus propios análisis básicos, empujando a los científicos de datos clínicos dedicados hacia los problemas más difíciles y ambiguos que esas herramientas no pueden manejar.
Nuevos oficios que se desprenden
Ingeniero de analítica
Construye y mantiene las canalizaciones de transformación de datos —a menudo usando herramientas como dbt— que alimentan los paneles y modelos, situándose entre la ingeniería de datos y el análisis.
Ingeniero de aprendizaje automático
Saca un modelo de un notebook de investigación y hace que funcione de forma fiable, supervisada y a escala en un sistema de producción.
Gestor de producto de datos
Es responsable de la hoja de ruta de una funcionalidad basada en datos o IA, traduciendo los objetivos de negocio en lo que un equipo de datos debería construir realmente.
Analista de IA responsable / riesgo de modelos
Audita los modelos y los datos detrás de ellos en busca de sesgo, equidad y cumplimiento normativo antes de que se les permita lanzarse.
Perspectiva
Es muy probable que la demanda de personas capaces de convertir datos en una decisión fiable se mantenga fuerte durante la próxima década, pero la versión de nivel inicial del trabajo ya está cambiando: existirán menos puestos dedicados puramente a escribir consultas rutinarias y gráficos de primer borrador a mano.
La ventaja más clara a largo plazo recae en los científicos de datos clínicos que puedan plantear una pregunta genuinamente útil, detectar cuándo un resultado generado por IA está silenciosamente equivocado, y asumir la responsabilidad de una recomendación ante partes interesadas escépticas, el mismo juicio que el campo ha necesitado desde los ensayos de cultivos de Fisher, ahora aplicado a un flujo de trabajo que cada vez más redacta su propio primer borrador.
Profesiones similares
Vecinos más cercanos en el perfil de seis puntuaciones, no solo el mismo campo.
🔐
Especialista en ciberseguridad
Protege sistemas, datos y personas encontrando, previniendo y respondiendo a ataques digitales.
Resistente a la IA 63 🌬️Ingeniero en Energías Renovables
Diseña, construye y mejora sistemas eólicos, solares, de almacenamiento y de red que convierten los recursos renovables en electricidad confiable.
Resistente a la IA 72 🦾Ingeniero en robótica
Diseña las máquinas que perciben, deciden y actúan en el mundo físico, donde el problema difícil nunca fue la inteligencia sino el mundo mismo.
Resistente a la IA 65 🌿Gerente de Sostenibilidad
Lidera la estrategia, la medición y los informes que ayudan a las organizaciones a reducir el daño ambiental y social mientras cumplen sus obligaciones de negocio.
Resistente a la IA 66 🔌Ingeniero de semiconductores
Diseña y fabrica los transistores que hay dentro de cada ordenador, teléfono y arma, con máquinas tan precisas que solo unas pocas fábricas en la Tierra pueden operarlas.
Resistente a la IA 60 📦Ingeniero MLOps
Crea los sistemas que entrenan, implementan, monitorean y gobiernan modelos de aprendizaje automático en producción.
Resistente a la IA 54Seguir explorando
Seguir explorando
Más en Ciencia e investigación
⚛️
Físico
Deriva y pone a prueba las leyes matemáticas que rigen la materia, la energía, el espacio y el tiempo, desde una pizarra solitaria hasta un artículo de un acelerador de partículas con 3.000 autores.
Resistente a la IA 65 🧬Biólogo
El científico que estudia la vida misma, desde Linneo nombrando especies a mano hasta editar genomas con CRISPR, aún contrastando cada idea con un organismo vivo.
Resistente a la IA 64 🧪Químico
El científico que fabrica y mide la materia misma — del alambique de perfume de Tapputi en Babilonia a los laboratorios robotizados de hoy, sigue siendo quien decide qué significa el espectro.
Resistente a la IA 70 📊Científico de datos
Encuentra patrones y construye modelos predictivos a partir de datos: un título laboral de 2008 asentado sobre tres siglos de contar, contrastar y visualizar evidencia.
Resistente a la IA 38 🔭Astrónomo
El científico que mide el universo, desde las tablillas de arcilla babilónicas hasta los telescopios espaciales, aún decidiendo qué parpadeo en los datos es un descubrimiento.
Resistente a la IA 70 🧮Matemático
De los escribas babilonios a los medallistas Fields y la demostración asistida por IA: la profesión que convierte preguntas difíciles en certeza permanente, teorema a teorema.
Resistente a la IA 70 🧿Ingeniero Cuántico
Construye, mide y controla dispositivos que explotan estados cuánticos para informática, detección, comunicación e investigación de materiales.
Resistente a la IA 78