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 Sabrine Bendimerad.
Sabrine es una ingeniera en matemáticas aplicadas que ha pasado los últimos 10 años trabajando como ingeniera senior de IA, gestionando proyectos desde la primera idea hasta la producción.
Su viaje la ha llevado por mundos muy diferentes, desde el análisis de imágenes de satélite para grandes empresas de servicios públicos europeas hasta su actual puesto como investigadora en imágenes médicas en Neurospin. Hoy, trabaja con imágenes cerebrales para ayudar a los pacientes con accidente cerebrovascular a recuperarse.
Sabrine también es mentora y fundadora de Dataiilearn. Le encanta escribir no solo sobre código, sino también sobre cómo construir una carrera real y cómo asegurarse de que los proyectos de ciencia de datos realmente lleguen a esa etapa final en la que tengan un impacto real.
Hace unos meses, abordó una pregunta urgente que enfrentan los profesionales de datos hoy en día: “¿todavía vale la pena?” ¿Por qué decidió abordarlo? ¿Ha evolucionado su posición mientras tanto?
De hecho, mi artículo “Ciencia de datos en 2026: ¿todavía vale la pena?” Desencadenó una avalancha de mensajes en LinkedIn. Esperaba que los jóvenes se preocuparan por esta pregunta, pero me sorprendió ver que personas con años de experiencia también cuestionaban el futuro.
He estado en IA durante 10 años y es cierto que al principio, solo saber Python y estadísticas/matemáticas te convertía en un unicornio. Hoy en día, el mercado está saturado de nuevos científicos de datos y nuevas herramientas basadas en agentes de IA están asumiendo las tareas manuales y simples que solíamos hacer.
Así que mi posición sigue siendo la misma o tal vez incluso más fuerte hoy: la IA y la ciencia de datos todavía valen la pena, pero el “científico de datos generalista” es una especie en extinción. Para sobrevivir, debes evolucionar más allá de los simples modelos en un cuaderno. Debe dominar la implementación, los LLM, RAG y, lo más importante, el conocimiento del dominio que ayuda a la interpretabilidad de los datos. Si construimos modelos básicos en un cuaderno, por supuesto, nuestras tareas podrían ser realizadas por agentes. Los empleos no están desapareciendo; son simplemente diferentes. Es necesario desarrollar habilidades que se adapten a este nuevo mercado.
Ha escrito bastante sobre carreras en ciencia de datos e inteligencia artificial. ¿Cómo ha dado forma su propio viaje a los conocimientos que comparte con sus lectores?
Desde el principio, mi viaje nunca se centró únicamente en el código. Desde el principio me di cuenta de que resolver problemas del mundo real es algo que no se aprende en una universidad o en un campo de entrenamiento. Lo aprendes estando en las trincheras con equipos reales. En mis años trabajando con imágenes satelitales para empresas de energía y agua, aprendí que para crear una solución real hay que pensar “de extremo a extremo”. Si un modelo se queda en un cuaderno, no tiene impacto. Por eso escribo tanto sobre MLOps: cómo gestionar, implementar y monitorear modelos en producción.
Pasar al área médica añadió una nueva capa a mi pensamiento. En el sector de servicios públicos, si comete un error, se enfrenta a una pérdida financiera. Pero en imágenes médicas, lo que se maneja son vidas humanas. Este cambio me enseñó que la IA puede generar código, pero no puede comprender el peso de una decisión humana. Esta es exactamente la razón por la que comencé a escribir sobre temas como RAG, LLM y su impacto. Para mí no es sólo un tema de moda; se trata de lo difícil que es hacer que estas herramientas sean lo suficientemente confiables como para que un humano confíe en ellas al 100%.
Mis conocimientos provienen de este puente: tengo experiencia industrial en la construcción para la producción, pero también tengo experiencia en investigación, donde la metodología debe ser perfecta. Escribo para compartir estas habilidades técnicas, pero también para ayudar a las personas a navegar sus propios viajes. Quiero mostrarles las posibilidades que tienen en este campo, cómo gestionar su camino. y cómo manejar proyectos complejos. Quiero que mis lectores vean que una carrera en el ámbito de los datos no siempre es una línea recta, y eso está bien.
¿Cuáles son las diferencias más notables que observa entre comenzar ahora y sus primeros años en el campo? ¿Qué tan diferente es el manual para los profesionales que inician su carrera en estos días?
El juego ha sido totalmente reescrito. Cuando comencé, éramos constructores y pasábamos semanas simplemente limpiando datos y configurando servidores. Hoy tienes que ser un orquestador de IA. Puedes construir un sistema en días que antes tomaban meses. No diría que es más difícil ahora, pero definitivamente es difícil si intentas comenzar una carrera usando las habilidades de moda de hace 10 años.
Los jóvenes de hoy tienen muchas opciones para prepararse para el mercado. Tenemos una mina de oro de información en YouTube y en blogs. El verdadero desafío ahora es filtrar la basura. Los que sobreviven son aquellos que monitorean y entienden el mercado para adaptarse rápidamente. Por supuesto, es necesario comprender el aspecto teórico de la IA, pero la verdadera habilidad hoy en día es la flexibilidad.
No es buena idea querer ser sólo un experto en una herramienta específica. Hace 10 años hablábamos de pasar de R a Python o de la estadística al aprendizaje profundo. Hoy estamos hablando de cambiar a agentes e inteligencia artificial generativa. Las bases siguen siendo las mismas, pero necesita flexibilidad para comprender rápidamente una nueva tendencia, implementarla y responder a las necesidades de sus partes interesadas. La flexibilidad siempre ha sido la habilidad “secreta” de un científico de datos, ya sea hace 10 años o hoy.
Sus artículos suelen equilibrar información de alto nivel con conocimientos prácticos. ¿Qué esperas que tu audiencia obtenga al leer tu trabajo?
Cuando escribo, siempre tengo en cuenta que estoy compartiendo experiencias para ayudar a las personas a desarrollar su propia experiencia. Por ejemplo, cuando escribo sobre MLOps, trato de cerrar la brecha entre el panorama general de la producción y los pasos técnicos prácticos necesarios para llegar allí. ¡Todavía dudo cada vez que comienzo un nuevo artículo! Por lo general, hablo de temas con mis alumnos o colegas para ver qué les interesa y luego lo vinculo con lo que veo en la industria. Mi objetivo es que el lector se lleve directrices prácticas, no sólo un concepto.
Intento llegar a diferentes públicos según el tema. A veces es un artículo muy técnico, como cómo implementar un modelo en una nube usando Docker y FastAPI, y otras veces es un artículo de “panorama general” que explica lo que realmente significa “producción” para una empresa. Hoy en día me resulta más difícil escribir sólo sobre herramientas específicas, porque evolucionan muy rápidamente. En lugar de eso, trato de compartir comentarios sobre las cosas que me frenaron o los desafíos reales que enfrento al implementar un proyecto específico (como mi artículo sobre los sistemas RAG). Quiero que mi audiencia aprenda de mis errores para que puedan ir más rápido.
En su propia vida profesional, ¿qué impacto ha tenido el auge de los LLM y la IA agente? ¿Sientes que la tendencia ha sido positiva, negativa o algo más matizada?
En mi día a día, utilizo los LLM como un colega experimentado, alguien con quien intercambiar ideas o crear prototipos y depurar rápidamente un guión. Con la implementación de agentes, también empiezo a utilizar la codificación y la automatización de Vibe para tareas básicas, pero para una investigación profunda soy mucho más cauteloso. Actualmente trabajo con datos médicos, donde literalmente no hay espacio para errores. Podría usar IA para remodelar un pensamiento o refinar mi metodología, pero para las tareas complejas, tengo que mantener el control total de mi código.
No estoy en contra del uso de LLM y de la IA agente, pero si dejas que la IA piense todo, pierdes la intuición. Por ejemplo, cuando trabajo con imágenes cerebrales, tengo que ser molestamente manual con mi lógica central porque un LLM no comprende la patología que estás tratando de predecir. Cada cerebro es diferente; La anatomía humana cambia de un tema a otro. Un agente de IA ve un patrón, pero no comprende el “por qué” de la enfermedad.
También veo el impacto de los agentes de IA en el trabajo de mis pasantes. Los agentes de IA suponen un gran impulso para su productividad, pero pueden ser un desastre para el aprendizaje humano. Pueden generar en una tarde una montaña de código que antes llevaba meses, y es difícil dominar un tema si nunca cometes los errores que te obligan a comprender el sistema. Debemos mantener al ser humano en el centro de la lógica, o simplemente estaremos construyendo cajas negras que en realidad no controlamos.
Finalmente, ¿qué desarrollos en el campo espera ver en el próximo año y qué temas espera cubrir a continuación en sus escritos?
Realmente me gustaría que la conversación se alejara de la búsqueda constante de nuevas herramientas y avanzara hacia una mejor ciencia y aplicaciones más significativas de la IA.
Estamos en una fase en la que están surgiendo muy rápidamente nuevas herramientas, marcos y modelos. Si bien esto es emocionante, creo que lo que a menudo falta es transparencia y un enfoque más profundo en el impacto. Me gustaría ver más trabajo que no solo aumente la productividad humana, sino que también contribuya a áreas como la atención médica, la educación y la accesibilidad de manera tangible.
Por supuesto, los LLM y la IA agente seguirán evolucionando, y estoy muy interesado en explorar lo que eso significa realmente en la práctica. Más allá de las exageraciones, me gustaría comprender mejor y escribir sobre preguntas como:
¿Estas herramientas realmente están cambiando nuestra forma de pensar o simplemente la rapidez con la que ejecutamos? ¿Mejoran realmente la calidad de nuestro trabajo? ¿Qué tipo de impacto tienen en los diferentes campos?
En mis próximos escritos, me gustaría centrarme más en estas reflexiones que combinan perspectivas técnicas con una mirada más profunda a cómo la IA está dando forma no solo a nuestras herramientas, sino también a nuestra forma de trabajar y pensar.
Para obtener más información sobre el trabajo de Sabrine y mantenerse actualizado con sus últimos artículos, puede seguirla en TDS.
Partes de estas preguntas y respuestas se editaron para mayor extensión y claridad.