Entrevista a Soledad Galli - De bióloga a científica de datos

Momentos clave

Soledad Galli hizo un doctorado en biología, se convenció de que un curso online no podía enseñarle nada y acabó cambiando de profesión gracias a ellos. En este episodio cuenta el itinerario completo: R por casualidad, SQL en una semana, Python para producción, y de ahí a sus propios cursos, un libro y la librería Feature-engine.

El episodio, en profundidad

Soledad Galli es científica de datos, desarrolladora de código abierto en Python y, antes que nada, bióloga. El episodio 51 de Frogmación es la crónica de ese salto: de la investigación en ciencias biológicas al mundo de los modelos de riesgo crediticio, las reclamaciones de seguros y la prevención del fraude en empresas financieras. Y, por el camino, de alumna reticente de cursos online a instructora, autora de un libro y creadora de una librería que usa mucha gente.

Juan Gabriel la presenta como compañera de trabajo: han coincidido en varios cursos en Udemy. Pero la conversación no va de plataformas, va de algo más incómodo: qué pasa cuando alguien que ha invertido cinco años de carrera y un doctorado descubre que lo que necesita aprender no está en ninguna universidad.

El doctorado como paso natural, no como plan

Soledad estudió biología en la Universidad de Buenos Aires y se orientó a biología molecular y celular. Cuando le toca explicar por qué se metió en un doctorado, la respuesta mezcla vocación y contexto: Argentina estaba en plena recesión, con inflación galopante y la industria parada, así que las opciones de trabajo eran pocas. Pero sobre todo, en biología el itinerario estaba marcado: «el doctorado es como el paso siguiente, es como bueno, ahora voy a poner todo lo que aprendí en acción».

Juan Gabriel le lanza la objeción habitual: un doctorado te encierra en un tema tan específico que casi nadie más lo entiende. Ella lo reconoce, pero cuenta que tuvo suerte con su supervisor, que era médico y tenía una visión holística: era capaz de coger la miniatura que investigaba ella y la de su colega y ponerlas en un contexto médico que les daba sentido. Eso, dice, lo hacía mucho más divertido.

«Esto no va a funcionar»

El giro llega cuando decide dejar la investigación. Se pregunta qué puede hacer con la biología, descarta la industria farmacéutica y se pone a investigar opciones hasta que descubre que estaba muy de moda algo llamado ciencia de datos. La estadística y el análisis de datos ya los tenía: es lo que se hace todo el día investigando. Lo que no tenía era el resto. «me tocó aprender a programar de cero», resume, más el aprendizaje automático entero.

Un par de colegas científicos que ya estaban en ciencia de datos le recomendaron cursos online. Su reacción fue de rechazo frontal, y lo cuenta sin adornos: «Yo pensé esto no va a funcionar porque dije yo estudié la facultad cinco años». Venía de la mentalidad de que los expertos están en la universidad, que quien enseña es el mismo científico que investiga el tema desde hace veinte años, y que comparar cuatro años de doctorado con un curso de un par de horas por semana durante cuatro o cinco meses era absurdo.

No fue así. Aprendió, la contrató una empresa, luego otra: «me cambió la manera de pensar acerca de educación». Su matiz es importante y lo repite: el curso funciona si le pones ganas y trabajo detrás. No terminas con el vídeo, hay que hacer las prácticas y tirar de lo que el instructor te deja al lado, otro libro, una página de competiciones online. Sirve para empezar, y después toca seguir investigando por tu cuenta.

R primero, SQL a la fuerza, Python después

El itinerario técnico es de manual de la época, y por eso mismo es útil. Empezó por una especialización de ciencia de datos en Coursera y siguió con otro curso en edX que alguien recomendó en LinkedIn. Los dos estaban en R, y a ella le vino bien: la curva de aprendizaje era fácil y el análisis estadístico estaba todo ahí. Si aquellos cursos hubieran estado en Python, dice, habría arrancado con Python.

SQL llegó de golpe: en su primer trabajo le dieron una semana para aprenderlo. Se compró un libro, se sentó y lo sacó rápido, y admite sin problema que no es una gran experta, que se maneja con lo básico para navegar y hacer las consultas necesarias. En esa misma empresa le dijeron que tenía que aprender Python, y ahí es donde alguien le recomendó un curso en Udemy. Ese fue el segundo cambio de mentalidad: en las plataformas donde había estudiado antes, los cursos los hacían universidades; en Udemy los hacían profesionales.

Juan Gabriel cuenta su versión paralela: en 2012 analizaba el comportamiento de los usuarios dentro de videojuegos programando una tarea nocturna que le bajaba un Excel para filtrarlo celda a celda, o abriendo los datos en MATLAB, porque automatizar aquello con R o con Python todavía no era la tónica. Su conclusión es la que atraviesa el episodio: «los expertos ya no están ni necesariamente en una universidad».

De tomar cursos a darlos

Lo que la empujó a enseñar fue, primero, gratitud hacia la gente cuyos cursos le habían cambiado la vida. Y después, una cuenta muy simple: en la empresa se pasaba horas rebuscando en internet cómo se hacía cada cosa de ingeniería de variables, porque no se lo enseñaban en ningún sitio y las fuentes se contradecían. «porque si yo ya invertí todo este tiempo en aprender algo nuevo, porque no hacerlo más accesible para el resto».

Publicó con miedo, y lo dice tal cual: «bueno, voy a probar con mucho miedo, te voy a decir la verdad, porque pensé que no iba a gustar el curso». Temía que la gente se preguntara qué hacía una bióloga hablando de ingeniería de variables. Pasó lo contrario: valoraciones, agradecimientos, gente contándole que le fue bien en una entrevista. «era una de las cosas más gratificantes que hice».

El libro, la segunda edición y Feature-engine

Del curso salió el libro. Contactó ella con la editorial, propuso un libro de ingeniería de variables, le aprobaron el índice casi sin cambios y se puso a escribir con los editores, que son quienes saben cómo quiere leer estas cosas un lector técnico. El ejemplar que Juan Gabriel tiene en la mano durante la entrevista es la segunda edición de Python Feature Engineering Cookbook, y ella la prefiere con diferencia por una razón muy honesta: «yo pensé que sabía y después cuando hago la segunda edición, pues resulta que no sabía tanto, porque había tanto más por aprender». Ahora va por la tercera revisión del curso, y sigue igual.

A raíz del curso creó además Feature-engine, un paquete de código abierto donde está disponible, gratis, todo lo que enseña en el curso y en el libro. Y ahí se cierra su elección de lenguaje: le preguntan por una versión en R y la respuesta es que no. Se pasó a Python para poner modelos en producción e integrarlos con otras aplicaciones, y desde entonces el ecosistema de librerías de Python ha crecido tanto que ya no le ve ventaja a volver. «Entonces es como que si lo tenés todo en Python es mucho más fácil desarrollarlo». Juan Gabriel discrepa a medias: él sigue usando los dos, R para la estadística rápida y Python cuando hace falta artillería pesada.

Lo que recomienda leer y ver

Cierre de siempre. El libro es Don't Be Evil, sobre qué motiva a las grandes tecnológicas, qué paradigma económico hay detrás de los algoritmos que construyen y qué consecuencias sociales tiene. La película es The Social Dilemma, en Netflix, que va de lo mismo. Las dos vías, dice, sirven para entender a qué te expones y decidir si quieres exponerte: «también cambió la manera que yo me relaciono con los elementos tecnológicos».

Si el episodio te deja con ganas de recorrer ese mismo camino, en Frogames tienes Una semana de ciencia de datos en Python para arrancar, y el debate R contra Python en sus dos versiones: Machine Learning con Python y Machine Learning con RStudio.