Levannia Lildhar è una scienziata dei dati per Siemens Healthineers con sede a Ottawa. Membro del team di ingegneria di prodotto dell'azienda, Levannia utilizza la statistica applicata per supportare il lavoro nel monitoraggio delle prestazioni dei biosensori sul campo, nella calibrazione e nella 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 dei numeri nella vita di tutti i giorni.
Meg: Come tanti di noi oggi, il tuo percorso professionale è stato una sorta di evoluzione. Come sei approdato alla scienza dei dati dopo aver iniziato con l'ingegneria chimica e la biochimica?
Levannia: Ho iniziato la mia carriera come ingegnere di prodotto, che è un ruolo molto classico. Stavamo costruendo un prodotto, contribuendo ad aumentare la resa, ridurre gli scarti, effettuare la calibrazione – quel genere di cose. Ma col 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 o meno più robusti e più a prova di futuro.
A quel tempo, però, non sentivo di avere le competenze per valutare o costruire i modelli di cui avevo bisogno. Quindi ho lasciato Siemens Healthineers per 10 mesi per conseguire il master in scienza dei dati. Ora sono tornato e lavoro come scienziato dei dati e spero davvero di espandere la competenza del team di scienza dei dati oltre il suo ambito 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?
Levannia: 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 necessariamente stati esposti. Potrebbero essere più interessati al fatto che il modello funziona, perché e quali parametri chiave devono tenere d’occhio. Questo diventa il tuo focus quando descrivi il lavoro.
Il mio background da ingegnere aiuta un po' anche quando si tratta di sapere su cosa lavorare o dove porre l'accento. Si dice che tutti i modelli siano in qualche modo negativi, ma alcuni sono utili. Essendo stato un ingegnere di prodotto, penso che sia più facile capire cosa sarà utile. Così posso realizzare un pessimo modello che sia comunque utile!
Meg: Date le differenze nel modo in cui comunicano data scientist e ingegneri, hai riscontrato molto scetticismo? Quali prove di concetto ritieni siano più convincenti agli occhi degli esperti del settore?
Levannia: 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 inserirci e sostenendolo, e incontriamo ancora 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 medico-diagnostici che incidono sulla vita dei pazienti, quindi questo tipo di approccio attento è sicuramente 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 dopo aver attraversato questo processo molte volte, hai la certezza che quando sorge un problema si tratta effettivamente di un problema che dovrebbe essere risolto, non solo di un'anomalia nel modello.
In molti casi, esaminiamo diverse situazioni e casi limite. E ciò richiede tempo dedicato alla raccolta dei dati e allo sviluppo della prova 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 osservare una determinata situazione e tu dici: "Beh, certo che un modello 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 proposte da esperti del settore che lavorano in questo contesto da moltissimo tempo. Potrebbe esserci qualcosa a cui non avevi pensato. Fare questo tipo di lavoro mette davvero alla prova anche te. Ma alla fine, il risultato è anche analisi e modelli molto più solidi, quindi sono grato anche 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 ne hanno mai abbastanza! 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 rapidamente.
Meg: La direzione è stata di supporto?
Levannia: SÌ. Tuttavia, come con qualsiasi team che prova un nuovo strumento o approccio, il management 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 indicano la strada giusta magari segnalandoci problemi interessanti da risolvere che aiuteranno anche il business.
In questo momento tutti, indipendentemente dal settore in cui operi, 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 soprattutto 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 fornitura, i team stanno pensando a come utilizzare meglio i dati.
Meg: Che ruolo deve svolgere la formazione man mano che il settore si evolve?
Levannia: Non penso che tu abbia bisogno di una formazione formale per essere un data scientist. Le persone si occupavano di scienza dei dati molto prima che esistesse questo termine di moda: è solo che ora lo abbiamo etichettato.
Detto questo, parte del mio ruolo è supportare la formazione e JMP è lo strumento che usiamo. Pensa a ciò che le persone vogliono imparare a fare con i propri dati all'inizio: vogliono visualizzarli, etichettare i valori anomali, rappresentarli graficamente, tabulare. JMP fa tutto questo in modo molto rapido e semplice e non è necessaria molta formazione per farlo!
Con JMP hai la possibilità di muoverti più velocemente. Onestamente, è uno dei migliori strumenti che abbia mai 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 tra due e cinque anni?
Levannia: Spero di poter ispirare coloro con cui lavoro a pensare di più ai propri dati e alla loro alfabetizzazione sui 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 comprendere 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 presenti in background. Puoi esaminare i dati dall'inizio alla fine di un processo.
Ad esempio, se riesci a capire quali indicatori chiave causeranno un guasto, puoi comprendere le tendenze prima che si verifichi un guasto e apportare modifiche in modo proattivo. In futuro, vorrei che il nostro sito – o tutta la nostra organizzazione – pensassero di più solo ai propri dati. Pensaci e basta. Siediti un po', magari, giocaci, costruisci alcuni grafici e poi inizia a usarlo per aiutarli a rispondere alle domande. E ci stiamo arrivando.
Meg: Stai utilizzando qualche tipo di automazione per contribuire a standardizzare le migliori pratiche per l'approccio e la riflessione sui dati?
Levannia: Certamente sì. Nel nostro sito ci sono due o tre team che utilizzano molto JMP. Abbiamo creato script che svolgono lavori ripetitivi per noi , e questo 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 sviluppare capacità perché, invece di fare qualcosa da zero, hai un processo automatizzato pronto a partire. È molto utile.
Meg: Sono curiosa della tua esperienza con il Programma JMP Early Adopter .
Levannia: 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 desideri non vengono fuori e dici "Uh, sono un po' deluso" - ah!
Penso che JMP faccia un ottimo lavoro nel mantenere viva la conversazione. C'è il [team di ingegneri dei sistemi JMP] che è sempre pronto ad aiutarti e puoi inviare loro i dati. Ci sono anche seminari e quando abbiamo riscontrato alcuni problemi con JMP 16, il file assistenza clienti era molto buono. Ci incontravamo e mostravamo i dati e tu potevi capire in modo interattivo cosa stava succedendo e segnalare bug. Mi piace il fatto che JMP abbia questo scambio di opinioni con noi perché hai la sensazione che stiano effettivamente lavorando sui tuoi problemi.
Sono rimasto sorpreso anche dal fatto che tu possa contattarci così spesso e che il feedback sia quasi immediato in molti casi. IL [ Comunità on-line di JMP ] forum ci sono stati di grande aiuto nel momento in cui stavamo iniziando a creare più script. In effetti, probabilmente dovrei contribuire di più a quei forum perché mi hanno aiutato moltissimo e continuano a farlo.
Meg: Per concludere, che consiglio daresti a qualcuno che ha appena iniziato: con la propria carriera, con JMP, forse anche con la propria istruzione.
Levannia: JMP fa davvero un ottimo lavoro con le sue risorse di formazione. Ci sono alcuni video e corsi di formazione online molto, molto buoni - [ 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 attraverso lo STIPS. Se hai appena iniziato con JMP, 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 sui tuoi dati è tutto ciò di cui hai bisogno. In effetti, molte persone svolgono attività 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 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 reso semplice la scienza dei dati. Soprattutto se non hai una formazione formale.
Il punto 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 le cerchi.
Costruisci l'eccellenza analitica nella tua organizzazione. Scopri come: jmp.com/advocate
