Si estás leyendo esto es porque estarás interesado en el sector de Data + IA de alguna forma, ya sea que quieres trabajar en él o simplemente despejar algunas dudas. La realidad es que se trata de un sector sumamente amplio que puede ser aplicado a todo tipo de industrias, lo cual deriva en que haya muchos roles y aplicaciones de las mismas tecnologías a distintos casos de uso.

Pero, empecemos por el principio.

🤔 ¿Por qué Data + IA?

¿Por qué se combinan estas dos áreas? Bueno, por si aún no identificabas las siglas, estamos hablando de Data + Inteligencia Artificial, y aunque parezcan dos cosas diferentes, la realidad es que están íntimamente relacionadas.

Si hacemos un símil con un coche, la IA es el coche y los datos la gasolina. Como sabrás, las características de un coche varían en función de la carretera por la que deba circular, es decir, los vehículos de Fórmula 1 son bajos, ligeros y están diseñados para la alta velocidad, mientras que los 4x4 están diseñado para todo lo contrario. 

Con los modelos de IA ocurre algo similar, cada modelo tiene sus ventajas y desventajas según el caso de uso, pero lo que todos tienen en común es que necesitan un combustible para funcionar, es decir, necesitan datos para poder aprender patrones (excepto en casos muy particulares).

Por esta razón, cuando se habla de IA también estamos hablando de Data. Si bien, los datos no solo sirven para la IA, también pueden ser usados para otras tareas, como el análisis de datos y la inteligencia de negocio.

⭐ Ramas de especialización en Data + IA

Por tanto, tenemos tres grandes ramas dentro del sector de Data:

1. La obtención, procesamiento y almacenamiento de datos es la rama de Ingeniería de Datos (Data Engineering).
2. El análisis de datos y la inteligencia de negocio es la rama de Analítica (Data Analytics).
3. El uso de modelos de Inteligencia Artificial es la rama de Ciencia de Datos (Data Science).

Cada una de estas ramas cuenta con roles profesionales especializados para cada una de las tareas. Algunos roles pueden iniciarse desde un nivel introductorio y otros requieren de haber tenido experiencia previa en otro rol. Veámoslo de forma sencilla con un diagrama.

⚙️ Rama de Ingeniería de Datos

El rol para iniciarse en esta rama es el de Ingeniero de Datos (Data Engineer), que será el encargado de obtener datos de múltiples fuentes (internet, bases de datos, APIs, servidores, ficheros...) y de almacenarlos en bases de datos (BBDD) de forma estructurada para que sea accesible por otros usuarios y aplicaciones.

Llegados a cierto nivel de experiencia, podemos seguir profundizando en Ingeniería de Datos o acceder a otros roles más especializados que se apoyan en la Ingeniería de Datos como:

• Ingeniero MLOps (MLOps Engineer): se encarga de diseñar y optimizar las bases de datos para ser usadas específicamente por modelos de IA y de poner estos modelos en producción. Este es un rol semi-senior que requiere de tener experiencia previa en Ingeniería de Datos. Dentro de este camino, también se podría llegar a otro rol que se explicará más adelante, que es el de Ingeniero de Machine Learning (ML).
• Arquitecto de Datos (Data Architect): es responsable de definir y diseñar la infraestructura y los sistemas que darán soporte a toda la arquitectura de datos de la organización. Este es un rol senior que requiere de años de experiencia trabajando en Ingeniería de Datos.

📊 Rama de Analítica

En la rama de Analítica se distinguen tres roles que pueden iniciarse desde un nivel introductorio:

• Analista de Datos (Data Analyst): se encarga de consultar las bases de datos para realizar análisis, reportes, extraer métricas, y hacer cuadros de mandos.
• Data Steward: se asegura de la calidad y del gobierno de los datos dentro de una organización.
• Analista BI (BI Analyst): se especializa en visualización de datos y en el desarrollo de cuadros de mandos (dashboards) utilizando herramientas de Business Intelligence (BI).

🤖 Rama de Ciencia de Datos

Por último, en la rama de Ciencia de Datos se puede iniciar con el rol de Científico de Datos (Data Scientist), que es el encargado de consultar las bases de datos para detectar patrones, predecir, segmentar, recomendar y realizar optimizaciones utilizando técnicas estadísticas y modelos de IA. Ahora bien, los científicos de datos aplican modelos de IA, pero quienes diseñan el funcionamiento interno de esos modelos son los Ingenieros de Machine Learning (ML Engineer).

Volviendo al símil de los coches, el científico de datos sería el mecánico capaz de usar y mantener el coche en funcionamiento (el modelo de IA) y los ingenieros de ML son quienes diseñan y desarrollan el coche, es decir, diseñan la carrocería, la suspensión, el motor...

Desde un punto de vista técnico, esto significa que los ingenieros de ML son quienes desarrollan las librerías que incluyen los modelos que luego los científicos de datos aplican a casos de negocio concretos. El rol de ingeniero de ML es un rol semi-senior que requiere tener bases de Ingeniería de Datos y de Ciencia de Datos, por ello se puede llegar a él a través de las dos ramas.

🎁 ¡Tengo un regalo para ti!

Si quieres seguir profundizando en los roles y salidas profesionales de Data + IA, puedes obtener mi guía gratuita de salidas profesionales en el sector de Data + IA en este enlace (click aquí).

En ella podrás conocer las tecnologías que debe conocer cada rol, salarios, portales de empleo, entrevistas, CV, recomendaciones y medios de acceso al mercado laboral.

💡¿Qué rama debería elegir?

Llegados a este punto, probablemente te preguntes cuál es la rama que deberías escoger. Esto es una decisión importante, pues la mayoría de personas acaban estudiando tecnologías dispersas que luego no se relacionan entre sí y no son capaces de formar un stack tecnológico sólido que pueda ser aplicado en el ámbito profesional. Si estás iniciándote en este sector y no tienes claro qué hacer, te animo a que explores antes de elegir, pero llegado el momento es importante focalizar en una rama.

En líneas generales, verás que hay patrones a la hora de elegir:

• La rama de Ingeniería de Datos suele ser elegida por informáticos, programadores y desarrolladores de software, porque involucra un alto conocimiento en sistemas informáticos, programación y bases de datos.
• La rama Analítica puede ser elegida por cualquier perfil que tenga unos fundamentos básicos de matemáticas y estadística, por ejemplo economistas, matemáticos, físicos e ingenieros de cualquier tipo.
• La rama de Ciencia de Datos requiere de un nivel alto en matemáticas y estadística, y de un nivel intermedio de programación, por ello suele ser elegida por matemáticos y físicos.

Si la rama que te interesa no encaja con tu formación y conocimientos previos, no te preocupes, puedes formarte para adquirir los conocimientos necesarios, pero ten en cuenta que te requerirá más tiempo y esfuerzo.

✅ Conclusiones

Resumamos todo lo que hemos visto hasta ahora. El sector de Data + IA tiene tres ramas principales: ingeniería, analítica y ciencia de datos y todas ellas tienen un nexo común: los datos.

Esto significa que habrá tecnologías y conocimientos comunes a todas las ramas, pero a medida que profundices verás que hay tecnologías específicas para cada rama.

➡️ Siguientes pasos

Mi recomendación es que sientes las bases y focalices en una rama para evitar dispersarte y puedas formar un perfil profesional atractivo para el mercado laboral. Si te resulta difícil elegir la rama, empieza con las bases. A medida que las conozcas empezarás a sentir especial interés por ciertas materias y eso te ayudará a elegir.

Espero que esta visión de las salidas profesionales de Data + IA te haya sido de gran interés y te animes a seguir explorando este apasionante sector. ¡Seguimos! 🚀