Levannia Lildhar es científica de datos de Siemens Healthineers con sede en Ottawa. Levannia, miembro del equipo de ingeniería de productos de la empresa, utiliza estadísticas aplicadas para respaldar el trabajo en el monitoreo del rendimiento de los biosensores de campo, la calibración y la validación 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. Ella 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 en día, tu trayectoria profesional ha sido una especie de evolución. ¿Cómo llegó a la ciencia de datos después de comenzar en la ingeniería química y la bioquímica?
Levannia: Comencé mi carrera como ingeniero de producto, que es un rol muy clásico. Estábamos creando un producto, ayudando a aumentar el rendimiento, reducir los desechos, realizar calibraciones, ese tipo de cosas. Pero a medida que pasó el tiempo, empezamos a darnos cuenta de que estábamos perdiendo mucha información al no analizar nuestros datos al máximo. También empezamos a preguntarnos si nuestros modelos podrían ser más robustos y estar 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 he vuelto y trabajo como científico de datos, y realmente espero ampliar 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 analicen la automatización o las imágenes, no solo los números?
Con el conocimiento que he adquirido y junto con el equipo de ciencia de datos, realmente hemos podido comenzar a sentar las bases para una alfabetización en 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 un puesto de ingeniería de productos antes de pasar a la ciencia de datos te brinda una perspectiva diferente a, por ejemplo, la de 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 fabricación o de procesos no necesariamente haya estado expuesta. Es posible que estén más preocupados por el hecho de que el modelo funciona, por qué y qué parámetros clave deben vigilar. Ese se convierte en tu enfoque cuando describe el trabajo.
Mi experiencia 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. ¡Así puedo hacer un mal modelo que aún sea útil!
Meg: Dadas las diferencias en cómo se comunican los científicos e ingenieros de datos, ¿ha encontrado mucho escepticismo? ¿Qué pruebas de concepto cree que son más convincentes a los ojos de los expertos en el campo?
Levannia: Me gusta pensar que nuestro equipo de ciencia de datos sirve a 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 la atención sanitaria todavía es bastante joven. Todavía estamos aprendiendo dónde encajamos y defendiéndolo, y todavía nos encontramos con personas que todavía no confían mucho en algunas de las técnicas más avanzadas que podemos utilizar. 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 está definitivamente justificado y es necesario.
Yo 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 estaba causando el problema. Puede parecer que siempre estás defendiendo los análisis. Pero cuando uno ha pasado por ese proceso muchas veces, cuando surge un problema, tiene la confianza de que en realidad es un problema que debe resolverse, no sólo una anomalía en el modelo.
En muchos casos, analizamos varias situaciones y casos extremos. Y eso requiere dedicar tiempo a recopilar datos y desarrollar pruebas de que una nueva técnica puede funcionar con exactitud y precisión. Lo digo riéndome, pero a veces puede resultar frustrante cuando te piden que analices una situación determinada y dices: "Bueno, por supuesto que un modelo puede hacer eso". Todo vuelve a la comunicación.
A medida que avanzas en tus técnicas de modelado, debes asegurarte de comunicar lo que está sucediendo. Y debe darse cuenta de que hay situaciones interesantes que le presentarán expertos en el campo que han estado trabajando en este contexto durante mucho tiempo. Puede que haya 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 agradezco 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 crear 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 rápidamente.
Megan: ¿La dirección ha sido solidaria?
Levannia: Sí. Aunque, como ocurre con cualquier equipo que prueba una nueva herramienta o enfoque, la gerencia quiere ver qué se puede hacer primero. Todavía estamos en la etapa en la que [el liderazgo de Siemens Healthineers] nos da la libertad de ver qué podemos hacer. Y nos señalan la dirección correcta, tal vez brindándonos problemas interesantes que resolver y que también ayudarán al negocio.
En este momento, todo el mundo, sin importar en qué industria se encuentre, está aprendiendo que hay muchísimos datos en todas partes y que, si los analiza correctamente, puede hacer muchas cosas: ahorrar dinero, volverse más predecible, volverse más confiable... Creo que a medida que las organizaciones crecen –y especialmente en el sector de la atención médica 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.
Megan: ¿Qué papel tiene que jugar la formación a medida que evoluciona el campo?
Levannia: No creo que necesites una formación formal para ser científico de datos. La gente ya hacía ciencia de datos mucho antes de que tuviéramos este término de moda; solo que lo hemos etiquetado ahora.
Dicho esto, parte de mi función 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 los valores atípicos, graficarlos, tabularlos. JMP hace todo eso de forma muy rápida y sencilla, ¡y no necesitas mucha formación para hacerlo!
Con JMP, tienes la capacidad de moverte más rápido. Honestamente, es una de las mejores herramientas que he visto para la manipulación y visualización de datos. No necesita descargar Python o R, y no necesita saber codificar.
Meg: Mencionaste el término "alfabetización en datos" y me pregunto: ¿Cuál es tu 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 en materia de datos. Me gustaría que fuera más un lenguaje común: utilizamos 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 simplemente ruido. Además, podemos integrar esta forma de pensar sobre los datos en nuestros procesos para que siempre estén ahí en segundo plano. Puede ver los datos desde el principio de un proceso hasta el final.
Por ejemplo, si puede determinar qué indicadores clave causarán fallas, podrá comprender las tendencias antes de que ocurra una falla y realizar 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, cree algunos gráficos y luego comience a usarlo para ayudarlos a responder preguntas. Y estamos llegando allí.
Megan: ¿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 utilizan JMP en gran medida. hemos creado guiones que hacen un trabajo repetitivo para nosotros , y eso es muy útil. En JMP, puedes simplemente guardar un script y ejecutarlo desde otro lugar. Y puede compartirlo con otras personas, lo que sin duda ayuda a desarrollar capacidades 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 comentar sobre ellas. A veces ves que tus comentarios entran en juego en nuevas versiones de JMP. Y a veces las cosas que quieres no salen y piensas: "Uh, estoy un poco decepcionado". ¡Ja!
Creo que JMP hace un muy buen trabajo manteniendo viva la conversación. Está el [equipo de ingeniería de sistemas de JMP] que siempre está ahí para ayudar y usted puede enviarles datos. También hay seminarios , y cuando tuvimos algunos problemas con JMP 16, el Servicio al Cliente fue muy bueno. Nos reuniríamos y mostraríamos datos, y usted podría descubrir de forma interactiva qué estaba pasando y registrar errores. Me gusta que JMP tenga ese intercambio con nosotros porque sientes que realmente están trabajando en tus problemas.
También me sorprendió que puedas comunicarte con tanta frecuencia y que la respuesta sea casi inmediata en muchos casos. El [ 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 está comenzando con su carrera, con JMP, tal vez incluso con su educación?
Levannia: JMP hace un muy buen trabajo con sus recursos de formación. Hay algunos videos y capacitación muy, muy buenos en línea – [ Pensamiento estadístico para la resolución de problemas industriales (STIPS) ] es como un sistema completo a su disposición. De hecho, les pedimos a nuestros nuevos empleados que comiencen pasando por STIPS. Si recién estás comenzando con JMP, esa es una muy buena base.
Si quieres ser un científico de datos, mi consejo es que no necesitas formación formal. La curiosidad sobre tus datos es todo lo que necesitas. De hecho, mucha gente realiza trabajos de 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 dedicar más tiempo a sus datos. Y sí, también es necesario comprender las herramientas y técnicas, y eso realmente comienza con herramientas como JMP que han facilitado la ciencia de datos. Especialmente si no tienes formación formal.
Todo se reduce a lo siguiente: no tengas miedo de hacer cosas interesantes o audaces con los datos mientras los analizas porque no sabes qué historias te pueden contar si no las buscas.
Desarrolle la excelencia analítica en su organización. Averiguar como: jmp.com/advocate
