En la serie Author Spotlight, los editores de TDS conversan con miembros de nuestra comunidad sobre su trayectoria profesional en ciencia de datos e inteligencia artificial, sus escritos y sus fuentes de inspiración. Hoy estamos encantados de compartir nuestra conversación con Sara Nóbrega.
Sara Nobrega es ingeniera en IA con experiencia en Física y Astrofísica. Escribe sobre LLM, series temporales, transición profesional y flujos de trabajo prácticos de IA.
Tienes una Maestría en Física y Astrofísica. ¿Cómo influye su experiencia en su trabajo en ciencia de datos e ingeniería de inteligencia artificial?
La física me enseñó dos cosas en las que me apoyo todo el tiempo: cómo mantener la calma cuando no sé lo que está pasando y cómo dividir un problema aterrador en pedazos más pequeños hasta que ya no dé miedo. Además… la física realmente te humilla. Aprende rápidamente que ser “inteligente” no importa si no puede explicar su pensamiento o reproducir sus resultados. Esa mentalidad es probablemente lo más útil que aporté a la ciencia e ingeniería de datos.
Recientemente, escribió un análisis profundo de su transición de científico de datos a ingeniero de inteligencia artificial. En su trabajo diario en GLS, ¿cuál es la mayor diferencia de mentalidad entre estos dos roles?
Para mí, el mayor cambio fue pasar de “¿Es bueno este modelo?” a “¿Puede este sistema sobrevivir a la vida real?” Ser ingeniero de inteligencia artificial no se trata tanto de encontrar la respuesta perfecta sino más bien de construir algo confiable. Y, sinceramente, ese cambio fue incómodo al principio… pero hizo que mi trabajo pareciera mucho más útil.
Observó que, si bien un científico de datos puede pasar semanas ajustando un modelo, un ingeniero de inteligencia artificial puede tener solo tres días para implementarlo. ¿Cómo se equilibra la optimización con la velocidad?
Si tenemos tres días, no persigo pequeñas mejoras. Estoy persiguiendo confianza y confiabilidad. Así que me centraré en una base sólida que ya funciona y en una forma sencilla de monitorear lo que sucede después del lanzamiento.
También me gusta realizar envíos en pequeños pasos. En lugar de pensar en “implementar lo último”, pienso en “implementar la versión más pequeña que cree valor sin causar caos”.
¿Cómo cree que podríamos utilizar los LLM para cerrar la brecha entre los científicos de datos y DevOps? ¿Puedes compartir un ejemplo en el que esto haya funcionado bien para ti?
Los científicos de datos hablan de experimentos y resultados, mientras que la gente de DevOps habla de confiabilidad y repetibilidad. Creo que los LLM pueden ayudar como traductor de forma práctica. Por ejemplo, generar pruebas y documentación para que lo que funciona en mi máquina se convierta en “funcione en producción”.
Un ejemplo simple de mi propio trabajo: cuando estoy construyendo algo como un punto final API o una canalización de procesamiento, usaré un LLM para ayudar a redactar las partes aburridas pero importantes, como casos de prueba, casos extremos y mensajes de error claros. Esto acelera mucho el proceso y mantiene la motivación continua. Creo que la clave es tratar al LLM como a un junior que es rápido, útil y, en ocasiones, se equivoca, por lo que revisar todo es importante.
Ha citado investigaciones que sugieren un crecimiento masivo en las funciones de IA para 2027. Si un científico de datos junior solo pudiera aprender una habilidad de ingeniería este año para seguir siendo competitivo, ¿cuál debería ser?
Si tuviera que elegir uno, ¡sería aprender a enviar tu trabajo de forma repetible! Tome un proyecto y conviértalo en algo que pueda ejecutarse de manera confiable sin que usted lo cuide. Porque en el mundo real, el mejor modelo es inútil si nadie puede utilizarlo. Y las personas que destacan son las que pueden llevar una idea de un cuaderno a algo real.
Su trabajo reciente se ha centrado en gran medida en LLM y series temporales. De cara al 2026, ¿cuál es el tema emergente de IA sobre el que más le entusiasma escribir a continuación?
Cada vez me inclino más por escribir sobre flujos de trabajo prácticos de IA (cómo pasar de una idea a algo confiable). Además, si escribo sobre un tema “candente”, quiero que sea útil, no sólo emocionante. Quiero escribir sobre lo que funciona, lo que no funciona… El mundo de la ciencia de datos y la IA está lleno de compensaciones y ambigüedades, y eso me ha cautivado mucho.
También tengo más curiosidad por la IA como sistema: cómo interactúan las diferentes piezas… ¡estad atentos a los artículos de este año!
Para obtener más información sobre el trabajo de Sara y mantenerse actualizado con sus últimos artículos, puede seguirla en TDS o LinkedIn.