Levannia Lildhar es científica de datos para Siemens Healthineers con sede en Ottawa. Como miembro del equipo de ingeniería de productos de la empresa, Levannia utiliza estadísticas aplicadas para respaldar el trabajo en el campo de monitoreo, calibración y validación del rendimiento de biosensores de nuevas tecnologías de sensores de I+D.
Tiene una maestría en ciencia de datos de la Universidad de Columbia Británica y títulos universitarios de la Universidad de Ottawa en ingeniería química y bioquímica. Su investigación ha sido publicada en el Journal of Genome Biology and Evolution y en el Journal of Biomedical Materials Research. También es copresentadora de La vida secreta de los números , un podcast donde habla sobre los números en la vida cotidiana.
Meg: Como muchos de nosotros hoy, tu trayectoria profesional ha sido algo así como una evolución. ¿Cómo llegó a la ciencia de datos después de comenzar con la ingeniería química y la bioquímica?
Levannia: Comencé mi carrera como ingeniero de producto, que es un rol muy clásico. Estábamos construyendo un producto, ayudando a aumentar el rendimiento, reducir los desechos, realizar la calibración, ese tipo de cosas. Pero a medida que pasaba el tiempo, empezamos a darnos cuenta de que estábamos perdiendo mucha información al no analizar nuestros datos al máximo. También comenzamos a preguntarnos si nuestros modelos podrían o no ser más robustos y más preparados para el futuro.
Sin embargo, en ese momento no sentía que tuviera las habilidades para evaluar o construir los modelos que necesitaba. Así que dejé Siemens Healthineers durante 10 meses para obtener mi maestría en ciencia de datos. Ahora estoy de regreso y trabajo como científico de datos, y realmente espero expandir el alcance del equipo de ciencia de datos más allá de su alcance actual: ¿Podemos construir modelos que ayuden a la línea de fabricación? ¿Podemos construir modelos que observen automatización o imágenes, no solo números?
Con el conocimiento que obtuve y junto con el equipo de ciencia de datos, realmente pudimos comenzar a sentar las bases para una alfabetización de datos más amplia. Nos estamos moviendo hacia "Así es como queremos ver los datos, y este es el lenguaje que usamos cuando miramos los datos".
Meg: ¿Crees que haber trabajado en una función de ingeniería de productos antes de pasar a la ciencia de datos te da una perspectiva diferente a la de, por ejemplo, un estadístico tradicional?
Levannia: Ciertamente ayuda con la comunicación. Por ejemplo, cuando un científico de datos toma una decisión, puede basarla en algo a lo que la ingeniería de procesos o de fabricación no necesariamente haya estado expuesta. Podrían estar más preocupados por el hecho de que el modelo funciona, por qué y qué parámetros clave deben vigilar. Eso se convierte en su enfoque cuando describe el trabajo.
Mi formación en ingeniería también ayuda un poco a la hora de saber en qué trabajar o dónde poner énfasis. Hay un dicho que dice que todos los modelos son malos de alguna manera, pero algunos son útiles. Habiendo sido ingeniero de producto, creo que es más fácil ver qué será útil. ¡Entonces puedo hacer un mal modelo que todavía es útil!
Meg: Dadas las diferencias en cómo se comunican los científicos y los ingenieros de datos, ¿ha encontrado mucho escepticismo? ¿Qué pruebas de concepto cree que son más convincentes a los ojos de los expertos en dominios?
Levannia: Me gusta pensar que nuestro equipo de ciencia de datos está al servicio de todos los demás equipos; nuestro objetivo es servir a toda la organización. Todavía somos bastante jóvenes porque creo que la idea de la ciencia de datos en el cuidado de la salud aún es bastante joven. Todavía estamos aprendiendo dónde encajamos y defendiéndolo, y todavía nos encontramos con personas que aún no tienen mucha confianza en algunas de las técnicas más avanzadas que podemos usar. Todavía necesitan verlo en acción, lo cual es justo porque construimos dispositivos de diagnóstico médico que afectan la vida de los pacientes, por lo que este tipo de enfoque cuidadoso definitivamente está justificado y es necesario.
Diría que, en general, puede llevar tiempo aceptar técnicas más avanzadas. Teníamos que demostrar que, si algo salía mal, no era la técnica más avanzada la que causaba el problema. Puede parecer que siempre estás defendiendo el análisis. Pero cuando ha pasado por ese proceso muchas veces, tiene la confianza cuando surge un problema de que, de hecho, es un problema que debe resolverse, no solo una anomalía en el modelo.
En muchos casos, nos fijamos en varias situaciones y casos límite. Y eso requiere dedicar tiempo a recopilar los datos y desarrollar la prueba de que una nueva técnica puede funcionar con precisión y precisión. Lo digo riéndome, pero a veces puede ser frustrante cuando te piden que mires una situación determinada y dices: "Bueno, por supuesto que un modelo puede hacer eso". Todo vuelve a la comunicación.
A medida que avanza más en sus técnicas de modelado, querrá asegurarse de comunicar lo que está sucediendo. Y debe darse cuenta de que hay situaciones interesantes que le presentarán expertos en el dominio que han estado trabajando en este contexto durante mucho tiempo. Puede haber algo en lo que no habías pensado. Hacer este tipo de trabajo también te pone a prueba. Pero al final, también da como resultado análisis y modelos mucho más sólidos, por lo que también estoy agradecido por el escrutinio.
Por último, es útil enfatizar que un enfoque estadístico o algunos de los análisis más avanzados pueden ahorrar tiempo, ¡porque la gente nunca tiene suficiente tiempo! Podemos crear modelos y construir herramientas que ahorrarán tiempo... y, a menudo, son más sólidas. También pueden ayudar a las personas a obtener la información que necesitan para tomar decisiones más rápido.
Mega: ¿La administración ha sido de apoyo?
Levannia: Si. Aunque como con cualquier equipo que prueba una nueva herramienta o enfoque, la gerencia quiere ver qué puede hacer primero. Todavía estamos en la etapa en la que [el liderazgo en Siemens Healthineers] nos da la libertad de ver qué podemos hacer. Y nos señalan en la dirección correcta quizás al darnos problemas interesantes para resolver que también ayudarán al negocio.
En este momento, todos, sin importar en qué industria se encuentre, están aprendiendo que hay muchos datos en todas partes y que, si los analiza correctamente, puede hacer muchas cosas: ahorrar dinero, volverse más predecible, más confiable... Creo que a medida que crecen las organizaciones, y especialmente en el cuidado de la salud con COVID, hemos tenido que aumentar nuestra producción y pensar en cómo podemos ser más eficientes. Incluso en áreas como la cadena de suministro, los equipos están pensando en cómo se pueden utilizar mejor los datos.
Mega: ¿Qué papel tiene que desempeñar la formación a medida que evoluciona el campo?
Levannia: No creo que necesites una formación formal para ser un científico de datos. La gente estaba haciendo ciencia de datos mucho antes de que tuviéramos este término de moda; es solo que lo hemos etiquetado ahora.
Dicho esto, parte de mi papel es apoyar la formación, y JMP es la herramienta que utilizamos. Piense en lo que la gente quiere aprender a hacer con sus datos desde el principio: quieren visualizarlos, etiquetar valores atípicos, graficarlos, tabularlos. JMP hace todo eso muy rápida y fácilmente, ¡y no necesita mucha capacitación para hacerlo!
Con JMP, tiene la capacidad de moverse más rápido. Honestamente, es una de las mejores herramientas que he visto para la disputa y visualización de datos. No necesita descargar Python o R, y no necesita saber cómo codificar.
Meg: Usted mencionó el término "alfabetización de datos" y me pregunto: ¿Cuál es su visión para Siemens Healthineers dentro de dos a cinco años?
Levannia: Espero poder inspirar a aquellos con quienes trabajo a pensar más en sus datos y en su alfabetización de datos. Me gustaría que fuera más un lenguaje común: usamos los mismos términos; abordamos los problemas de manera similar; entendemos lo que debemos considerar.
Incluso con algo tan simple como la visualización de datos, a veces podemos entender mucho más fácilmente la diferencia entre un problema y lo que es solo ruido. Además, podemos integrar esta forma de pensar sobre los datos en nuestros procesos para que siempre estén en segundo plano. Puede ver los datos desde el principio de un proceso hasta el final.
Por ejemplo, si puede averiguar qué indicadores clave causarán fallas, puede comprender las tendencias antes de que ocurra una falla y hacer ajustes de manera proactiva. En el futuro, me gustaría que nuestro sitio, o toda nuestra organización, pensara más en sus datos. Solo piensa en ello. Siéntese con él un rato, tal vez, juegue con él, construya algunos gráficos y luego comience a usarlo para ayudarlos a responder preguntas. Y estamos llegando.
Mega: ¿Está utilizando alguna automatización para ayudar a estandarizar las mejores prácticas para abordar y pensar en los datos?
Levannia: Ciertamente si. En nuestro sitio, hay dos o tres equipos que usan mucho JMP. hemos creado guiones que hacen trabajo repetitivo para nosotros , y eso es muy útil. En JMP, puede simplemente guardar un script y ejecutarlo desde otro lugar. Y puede compartirlo con otras personas, lo que ciertamente ayuda a desarrollar la capacidad porque, en lugar de hacer algo desde cero, tiene un proceso automatizado listo para funcionar. Eso es muy útil.
Meg: Tengo curiosidad acerca de tu experiencia con el Programa de adopción temprana de JMP .
Levannia: Me uní hace un par de años y me gusta porque puedes ver las nuevas funciones que están en desarrollo y comentarlas. A veces ve que sus comentarios entran en juego en las nuevas versiones de JMP. Y a veces las cosas que quieres no salen, y dices: "Uh, estoy un poco decepcionado", ¡ja!
Creo que JMP hace un muy buen trabajo para mantener la conversación. Está el [equipo de ingeniería de sistemas de JMP] que siempre está ahí para ayudar, y puedes enviarles datos. también hay seminarios , y cuando teníamos algunos problemas con JMP 16, el Servicio al Cliente fue muy bueno. Nos reuniríamos y mostraríamos datos, y usted podría averiguar de forma interactiva qué estaba pasando y archivar errores. Me gusta que JMP tenga ese intercambio con nosotros porque sientes que realmente están trabajando en tus problemas.
También me sorprendió que pueda comunicarse con tanta frecuencia y que la respuesta sea casi inmediata en muchos casos. Los [ Comunidad en línea JMP ] Los foros fueron de gran ayuda para nosotros en el momento en que comenzamos a hacer más secuencias de comandos. De hecho, probablemente debería contribuir más a esos foros porque me ayudaron mucho y todavía lo hacen.
Meg: Para terminar, ¿qué consejo le darías a alguien que recién comienza, con su carrera, con JMP, tal vez incluso con su educación?
Levannia: JMP hace un muy buen trabajo con sus recursos de capacitación. Hay muy, muy buenos videos y capacitación en línea: [ Pensamiento estadístico para la resolución de problemas industriales (STIPS) ] es como un sistema completo justo ahí para usted. De hecho, les pedimos a nuestros nuevos empleados que comiencen con STIPS. Si recién está comenzando con JMP, esa es una muy buena base.
Si quieres ser un científico de datos, mi consejo es que no necesitas una formación formal. La curiosidad acerca de sus datos es todo lo que necesita. De hecho, muchas personas realizan análisis de datos sin darse cuenta. Cualquiera que se preocupe por tomar decisiones basadas en datos puede llamarse científico de datos. Todo lo que realmente necesita hacer es pasar más tiempo con sus datos. Y sí, también debe comprender las herramientas y técnicas, y eso realmente comienza con herramientas como JMP que han facilitado la ciencia de datos. Especialmente si no tienes un entrenamiento formal.
En resumen: no tenga miedo de hacer cosas interesantes o audaces con los datos mientras los analiza porque no sabe qué historias puede contarle si no las busca.
Desarrolle excelencia analítica en su organización. Averiguar como: jmp.com/advocate
