El auge de los grandes modelos de lenguaje ha hecho difícil predecir cómo la IA remodelará el mundo, y el mercado laboral ya está cambiando. En lugar de enumerar títulos de puestos en ciencia de datos, este artículo analiza qué ha cambiado en el campo, por qué surgen nuevos roles y cómo pueden prepararse los profesionales para ellos.
Antes de la era de los transformers, la ciencia de datos se dividía básicamente en dos. Los científicos de datos estaban más cerca del lado del producto, centrados en la estadística, la experimentación, el análisis de datos y la extracción de conclusiones, con Python y SQL como herramientas principales. Los ingenieros de machine learning trabajaban más cerca del propio modelo, encargándose de los pipelines de entrenamiento, la optimización, las redes neuronales, el rendimiento y el despliegue, normalmente con bibliotecas como TensorFlow y PyTorch. Los analistas de datos y los ingenieros de datos tenían límites más claros.
El título de científico aplicado, popularizado por empresas como Amazon y Microsoft, ocupaba un terreno intermedio. Los científicos aplicados experimentaban con nuevos modelos y algoritmos, pero también debían asegurarse de que su código pudiera funcionar dentro de un sistema de producción. Las fronteras entre roles se mantuvieron porque la creación de prototipos exigía semanas de codificación, pruebas y depuración manuales, sin asistentes de programación que ayudaran.
Todo cambió con el artículo de Google de 2017 "Attention Is All You Need", que introdujo la arquitectura transformer en la que se basan los LLM como GPT. El sector empezó a prestar atención seria después de GPT-3, pero GPT-4 fue el verdadero punto de inflexión, ya que las empresas comenzaron a replantearse cómo se construyen y despliegan los modelos. Ese cambio es el que ha dado lugar a los nuevos roles que se examinan en el resto del artículo.
Fuente: Towards Data Science · Resumido por HeadlinesBriefing