Levannia Lildhar è un data scientist per Siemens Healthineers con sede a Ottawa. Membro del team di ingegneria dei prodotti dell'azienda, Levannia utilizza le statistiche applicate per supportare il lavoro nel monitoraggio delle prestazioni dei biosensori sul campo, la calibrazione e la convalida della nuova tecnologia dei sensori di ricerca e sviluppo.
Ha conseguito un master in scienza dei dati presso l'Università della British Columbia e una laurea in ingegneria chimica e biochimica presso l'Università di Ottawa. La sua ricerca è stata pubblicata sul Journal of Genome Biology and Evolution e sul Journal of Biomedical Materials Research. È anche co-conduttrice di La vita segreta dei numeri , un podcast in cui parla di numeri nella vita di tutti i giorni.
Meg: Come molti di noi oggi, il tuo percorso professionale è stato una sorta di evoluzione. Come sei approdato alla scienza dei dati dopo aver iniziato in ingegneria chimica e biochimica?
Levante: Ho iniziato la mia carriera come ingegnere di prodotto, che è un ruolo molto classico. Stavamo costruendo un prodotto, aiutando ad aumentare la resa, ridurre gli scarti, condurre la calibrazione, questo genere di cose. Ma con il passare del tempo, abbiamo iniziato a renderci conto che stavamo perdendo molte informazioni non analizzando i nostri dati al massimo. Abbiamo anche iniziato a chiederci se i nostri modelli potessero essere più robusti e più a prova di futuro.
A quel tempo, però, non mi sentivo come se avessi le capacità per valutare o costruire i modelli di cui avevo bisogno. Così ho lasciato Siemens Healthineers per 10 mesi per ottenere il mio master in scienza dei dati. Ora sono tornato a lavorare come scienziato dei dati e spero davvero di espandere l'ambito di competenza del team di scienza dei dati oltre il suo scopo attuale: possiamo costruire modelli che aiutino la linea di produzione? Possiamo costruire modelli che guardino all'automazione o alle immagini, non solo ai numeri?
Con le conoscenze che ho acquisito e insieme al team di data science, siamo stati davvero in grado di iniziare a gettare le basi per una più ampia alfabetizzazione dei dati. Ci stiamo muovendo verso "Questo è il modo in cui vogliamo guardare i dati, e questo è il linguaggio che usiamo quando guardiamo i dati".
Meg: Pensi che aver lavorato in un ruolo di ingegneria del prodotto prima di passare alla scienza dei dati ti offra una prospettiva diversa rispetto, ad esempio, a uno statistico tradizionale?
Levante: Sicuramente aiuta con la comunicazione. Ad esempio, quando un data scientist prende una decisione, potrebbe basarla su qualcosa a cui la produzione o l'ingegneria di processo potrebbero non essere state necessariamente esposte. Potrebbero essere più interessati al fatto che il modello funziona, perché e quali parametri chiave devono tenere d'occhio. Questo diventa il tuo obiettivo quando descrivi il lavoro.
Il mio background ingegneristico aiuta anche un po' quando si tratta di sapere su cosa lavorare o dove mettere l'accento. Si dice che tutti i modelli siano in qualche modo cattivi, ma alcuni sono utili. Essendo stato un ingegnere di prodotto, penso che sia più facile vedere cosa sarà utile. Così posso fare un pessimo modello che è ancora utile!
Meg: Date le differenze nel modo in cui i data scientist e gli ingegneri comunicano, hai riscontrato molto scetticismo? Quali prove di concetto ritieni siano più convincenti agli occhi degli esperti di dominio?
Levante: Mi piace pensare che il nostro team di data science sia al servizio di tutti gli altri team; il nostro obiettivo è servire l'intera organizzazione. Siamo ancora piuttosto giovani perché penso che l'idea della scienza dei dati nel settore sanitario sia ancora piuttosto giovane. Stiamo ancora imparando dove possiamo adattarci e sostenendolo, e ci imbattiamo ancora in quegli individui che non hanno ancora molta fiducia in alcune delle tecniche più avanzate che potremmo utilizzare. Hanno ancora bisogno di vederlo in azione, il che è giusto perché costruiamo dispositivi diagnostici medici che influiscono sulla vita dei pazienti, quindi questo tipo di approccio attento è decisamente giustificato e necessario!
Direi che nel complesso può volerci del tempo per accettare tecniche più avanzate. Dovevamo dimostrare che, se qualcosa andava storto, non era la tecnica più avanzata a causare il problema. Può sembrare che tu stia sempre difendendo l'analisi. Ma quando hai affrontato questo processo molte volte, quando sorge un problema hai la certezza che in realtà è un problema che dovrebbe essere risolto, non solo un'anomalia nel modello.
In molti casi, esaminiamo diverse situazioni e casi limite. E ciò richiede di dedicare tempo alla raccolta dei dati e allo sviluppo di prove che una nuova tecnica può funzionare in modo accurato e preciso. Lo dico ridendo, ma a volte può essere frustrante quando ti viene chiesto di guardare una certa situazione e dici: "Beh, ovviamente una modella può farlo". Tutto torna alla comunicazione.
Man mano che diventi più avanzato nelle tue tecniche di modellazione, vuoi assicurarti di comunicare ciò che sta accadendo. E devi renderti conto che ci sono situazioni interessanti che ti verranno presentate da esperti di dominio che lavorano in questo contesto da molto tempo. Potrebbe esserci qualcosa a cui non avevi pensato. Fare questo tipo di lavoro mette davvero alla prova anche te. Ma alla fine, si traduce anche in analisi e modelli molto più solidi, quindi sono anche grato per l'esame accurato.
Infine, è utile sottolineare che un approccio statistico o alcune delle analisi più avanzate possono far risparmiare tempo, perché le persone non hanno mai abbastanza tempo! Possiamo creare modelli e costruire strumenti che faranno risparmiare tempo... e spesso sono più robusti. Possono anche aiutare le persone a ottenere le informazioni di cui hanno bisogno per prendere decisioni più velocemente.
Mega: La direzione è stata di supporto?
Levante: Sì. Anche se, come con qualsiasi team che prova un nuovo strumento o approccio, la direzione vuole vedere prima cosa puoi fare. Siamo ancora nella fase in cui [la leadership di Siemens Healthineers] ci sta dando la libertà di vedere cosa possiamo fare. E ci indirizzano nella giusta direzione magari proponendoci problemi interessanti da risolvere che aiuteranno anche il business.
In questo momento tutti, indipendentemente dal settore in cui ti trovi, stanno imparando che ci sono così tanti dati ovunque e che se li analizzi correttamente, puoi fare molte cose: risparmiare denaro, diventare più prevedibile, diventare più affidabile…. Penso che man mano che le organizzazioni crescono, e in particolare nel settore sanitario con COVID, abbiamo dovuto aumentare la nostra produzione e pensare a come possiamo essere più efficienti. Anche in aree come la catena di approvvigionamento, i team stanno pensando a come utilizzare meglio i dati.
Mega: Che ruolo deve svolgere la formazione nell'evolversi del campo?
Levante: Non penso che tu abbia bisogno di una formazione formale per essere un data scientist. Le persone facevano scienza dei dati molto prima che avessimo questo termine alla moda – è solo che lo abbiamo etichettato ora.
Detto questo, parte del mio ruolo è supportare la formazione e JMP è lo strumento che utilizziamo. Pensa a cosa le persone vogliono imparare a fare con i loro dati all'inizio: vogliono visualizzarli, etichettare i valori anomali, rappresentarli graficamente, tabularli. JMP fa tutto ciò molto rapidamente e facilmente e non hai bisogno di molta formazione per farlo!
Con JMP, hai la possibilità di muoverti più velocemente. Onestamente, è uno dei migliori strumenti che ho visto per il data wrangling e la visualizzazione dei dati. Non è necessario scaricare Python o R e non è necessario capire come programmare.
Meg: Hai menzionato il termine "alfabetizzazione dei dati" e mi chiedo: qual è la tua visione per Siemens Healthineers da due a cinque anni lungo la strada?
Levante: Spero di poter ispirare coloro con cui lavoro a pensare di più ai loro dati e a pensare alla loro alfabetizzazione dei dati – mi piacerebbe che fosse più un linguaggio comune: usiamo gli stessi termini; affrontiamo i problemi in modo simile; capiamo cosa dobbiamo considerare.
Anche con qualcosa di semplice come la visualizzazione dei dati, a volte possiamo capire molto più facilmente la differenza tra un problema e ciò che è solo rumore. Inoltre, possiamo integrare questo modo di pensare ai dati nei nostri processi in modo che siano sempre in background. Puoi guardare i dati dall'inizio di un processo fino alla fine.
Ad esempio, se riesci a capire quali indicatori chiave causeranno un errore, puoi comprendere le tendenze prima che si verifichi un errore e apportare modifiche in modo proattivo. In futuro, vorrei che il nostro sito, o l'intera organizzazione, pensasse di più ai loro dati. Basta pensarci. Siediti con esso per un po', magari, giocaci, costruisci dei grafici e poi inizia a usarlo per aiutarli a rispondere alle domande. E ci stiamo arrivando.
Mega: Stai utilizzando un'automazione per aiutare a standardizzare le migliori pratiche per l'approccio e la riflessione sui dati?
Levante: Certamente sì. Nel nostro sito, ci sono due o tre team che utilizzano pesantemente JMP. Abbiamo creato script che svolgono un lavoro ripetitivo per noi , ed è molto utile. In JMP, puoi semplicemente salvare uno script ed eseguirlo da qualche altra parte. E puoi condividerlo con altre persone, il che aiuta sicuramente a costruire capacità perché, invece di fare qualcosa da zero, hai un processo automatizzato pronto per l'uso. È molto utile.
Meg: Sono curioso della tua esperienza con il Programma JMP Early Adopter .
Levante: Mi sono iscritto un paio di anni fa e mi piace perché puoi vedere le nuove funzionalità in fase di sviluppo e commentarle. A volte vedi i tuoi commenti entrare in gioco nelle nuove versioni di JMP. E a volte le cose che vuoi non vengono fuori, e tu dici "Uh, sono un po' deluso" – ah!
Penso che JMP faccia un ottimo lavoro nel mantenere viva la conversazione. C'è il [team di ingegneria dei sistemi JMP] che è sempre pronto ad aiutarti e puoi inviare loro i dati. Ci sono anche seminari e quando si verificavano alcuni problemi con JMP 16, il assistenza clienti era molto buono. Ci incontravamo e mostravamo i dati e potevi capire in modo interattivo cosa stava succedendo e segnalare bug. Mi piace che JMP faccia avanti e indietro con noi perché ritieni che stiano effettivamente lavorando sui tuoi problemi.
Sono stato anche sorpreso dal fatto che tu possa contattarmi così spesso e che il feedback sia quasi immediato in molti casi. Il [ Comunità in linea di JMP ] i forum ci sono stati di grande aiuto nel momento in cui stavamo iniziando a fare più script. In effetti, dovrei probabilmente contribuire di più a quei forum perché mi hanno aiutato così tanto e continuano a farlo.
Meg: Per concludere, che consiglio daresti a qualcuno che sta appena iniziando – con la propria carriera, con JMP, forse anche con la propria istruzione.
Levante: JMP fa davvero un ottimo lavoro con le sue risorse di formazione. Ci sono alcuni video e corsi di formazione molto, molto buoni online – [ Pensiero statistico per la risoluzione dei problemi industriali (STIPS) ] è come un sistema completo proprio lì per te. Chiediamo infatti ai nostri nuovi assunti di iniziare passando per STIPS. Se hai appena iniziato con JMP, questa è davvero un'ottima base.
Se vuoi diventare un data scientist, il mio consiglio è che non hai bisogno di una formazione formale. La curiosità per i tuoi dati è tutto ciò di cui hai bisogno. In effetti, molte persone fanno il lavoro di analisi dei dati senza rendersene conto. Chiunque sia interessato a prendere decisioni basate sui dati può definirsi un data scientist. Tutto quello che devi davvero fare è dedicare più tempo ai tuoi dati. E sì, è necessario comprendere anche gli strumenti e le tecniche, e questo inizia davvero con strumenti come JMP che hanno semplificato la scienza dei dati. Soprattutto se non hai una formazione formale.
Ciò a cui si riduce è: non aver paura di fare cose interessanti o audaci con i dati mentre li analizzi perché non sai quali storie possono raccontarti se non li cerchi.
Costruisci l'eccellenza analitica nella tua organizzazione. Scopri come: jmp.com/advocate
