Una chiacchierata con: Ilaria Ceppa, Data Scientist in Kode dal 2014
Il lavoro di Data Scientist è sempre più diffuso eppure è ancora un mistero per molti. Nonostante esistano ormai tanti percorsi di formazione dedicati e non si faccia che parlare di dati e Intelligenza Artificiale, la concretezza di questo mestiere sfugge ancora a molti. Chiediamo aiuto alla nostra Data Scientist Ilaria Ceppa.
Ilaria Ceppa, Data Scientist
In cosa consiste il tuo lavoro di Data Scientist?
Principalmente il mio lavoro serve per trovare soluzioni a problemi concreti. Sembra molto generico ma in effetti la Data Science si applica a settori molto diversi e con progetti che hanno una grande varietà di obiettivi. L’unico punto in comune è la richiesta che fa nascere il progetto: ovvero l’intenzione di sfruttare il potenziale di conoscenza che hanno i dati ormai presenti in grande quantità (e spesso con grande caos) in tutti i tipi di aziende.
Il primo passo del mio lavoro è sempre basato sullo studio: prima di tutto devo capire le necessità del cliente, devo capire (ove possibile) che dati ha a disposizione, per poi ragionare sulla soluzione ideale. Non lavoro mai da sola, ma preferisco sempre iniziare con una fase di studio autonomo, per poter scambiare con i colleghi portando già qualche proposta e avere cognizione di causa del contesto e delle opzioni che la letteratura offre.
E’ a quel punto, per me, che il confronto con competenze diverse diventa una chiave di volta importante per poter risolvere con una soluzione ottimale il problema del cliente.
Quando si parla di data science si pensa subito a algoritmi, codici… il lavoro non consiste in questo?
Sì, ma raramente andiamo a lavorare subito sulla scrittura dei codici per la costruzione delle soluzioni, prima bisogna pensare al modo (o ai modi) in cui potremmo risolvere il problema che abbiamo di fronte. Certo quando abbiamo un sample del dataset è più facile che si ragioni e al contempo si testi la fattibilità e l’efficacia della soluzione ipotizzata, ma è raro. Peccato, perché spesso quando arriviamo all’integrazione scopriamo che quello che i dati ti consentono di fare non sempre corrisponde a quello che si era pensato. In questo senso il nostro lavoro richiede una grande prontezza e capacità di adattamento alla realtà.
Questo significa non solo adattare le soluzioni che pensiamo di sviluppare al sistema usato in azienda o alle caratteristiche dei dati che abbiamo trovato. Significa anche far evolvere strumenti classici di Machine Learning, come una PCA, per rendere i suoi indicatori parlanti al team del cliente, e con questo intendo ingegneri, manager o direttori di impianto… persone con esigenze e riferimenti completamente diversi. Parte integrante della Data Science é rendere le intuizioni vere e proprie informazioni che consentono l’intervento operativo ad esempio su un macchinario durante un processo produttivo.
Puoi fare il modello di Intelligenza Artificiale più bello e complesso del mondo ma se nessuno lo capisce, lascia il tempo che trova. Per me come rendere la data science utile nella vita reale è parte integrante della data science: non è sufficiente avere i dati a disposizione; non basta neppure avere delle analisi, se non capisci come interpretarli per prendere decisioni. Anche questo step è Data Science.
Parliamo di formazione, con che percorso sei arrivata qui?
Mi sono orientata fin dagli studi in questa direzione: mi piaceva l’analisi dei dati, la volevo fare, ma ero iscritta ad informatica e non c’era ancora un percorso formativo dedicato alla data science neppure fra le lauree specialistiche. C’erano solo degli esami che si avvicinavano al tema; ad esempio ho seguito Data Mining, NLP, Robotica… Ho seguito anche un esame di Intelligenza Artificiale che, però, per quanto agli albori, mi ha introdotto ai concetti di base, facendomi nascere il desiderio di approfondire le tecniche più avanzate che oggi utilizzo.
Alla specialistica mi sono imbarcata nel corso di Machine Learning (che si chiamava Apprendimento Automatico) e da lì ho studiato e approfondito il tema.
In fin dei conti è quello che faccio anche oggi: una parte fondamentale del mio lavoro è continuare a studiare perché, per quanto io abbia una personalità pragmatica (cerco approfondimenti quando mi si pone davanti un problema, non prima), ogni giorno esce una cosa nuova che può essere quella giusta per il mio progetto. La curiosità e la voglia di trovare la soluzione più performante è una grande spinta ogni giorno.
