En esta sesión mostraremos casos de organizaciones que han seguido el camino de la transparencia en sus iniciativas de machine learning logrando tener modelos altamente interpretables, y cómo esto les ha brindado una ventaja competitiva. Presentado por Jesús Ramos

1. Formando equipos de
Ciencia de Datos
Lecciones, aciertos y desastres
Jesús Ramos
@xuxoramos
jesus@aixsw.mx
fb.com/xuxoramos
lnkdin.com/xuxoramos
www.aixsw.mx
1

2. Quién es éste?
- Ingeniero de Software por el ITESM
- MSc Computational Finance @ UNottingham
- Lideró el desarrollo de 2 sistemas de escala nacional (liquidación de valores e
índices de mercado para BMV)
- Formado equipos de Ciencia de Datos en corporativos desde 2013
- Fundador de The Data Pub, la comunidad de Ciencia de Datos más grande de
México
- Cofundador y COO de Datank.ai en 2016 para habilitar a las empresas con DS
- Fundador de AI x Social Wealth para resolver problemas sociales con DS
- Pero más importante...
2

3. 3

4. 4

5. Entrando en materia...
5

6. México produce al
año...
13,000 350
N
6

7. Ingenieros en compu sin mates ni filosofía
● Filosofía: hacer la pregunta correcta.
● Mates: modelar fielmente la realidad y
validarla
7

8. Ingenieros en compu sin mates ni filosofía
8

9. Ingenieros en compu sin mates ni filosofía
9

10. Entonces ¿no contrato ingenieros?
10

11. 11

12. Y la gente afectada por el producto?
12

13. 13

14. Anatomía de un producto de datos
ŷ
Data
Engineering
Data Science
Designers
14

15. Entonces, ¿qué roles tenemos?
15

16. 16

17. ¿Cómo organizamos tanto talento?
17

18. Centralizado, Autónomo, Federado
18

19. 19
Centralizado
Idóneo para corporativos y empresas gigantes
Necesitan un repositorio central de datos
Propicia mucho aprendizaje y cross pollination...
Pero poco aplicado debido a lo lento de la org
Tentador colocar este grupo en la ofna de CTO…
Pero el CTO pocas veces tiene rol estratégico
Debe reportarle directo al CEO

20. Autónomo
Ideal para startups donde cada business unit tiene
su(s) analista(s)
Estructura costosa si hay muchas BU
A medida que la org crece, hay que “graduarse” de
este modelo
Mucha agilidad, pero alto riesgo de fragmentación y
duplicidad de trabajo
Alto riesgo de sesgos, como selección, confirmación,
correlaciones espurias, etc
20

21. Autónomo (cont.)
Autonomía en fuentes de datos
No requiere un repo de datos central
Ideal para iterar rápidamente
Terrible para escalar
Guerra civil :D
21

22. Federado/Distribuído
Híbrido entre centralizado y autónomo
Cada BU tiene capacidades de análisis de datos
Pero los modelos son desarrollados, validados y
deployados desde un grupo central
Mantiene agilidad mientras garantiza “model
governance”
Puede reportarle a varios execs en org matricial
No es un modelo para empezar
22

23. Federado/Distribuído (cont.)
Idóneo para empresas grandes y corporativos que
quieren ser ágiles…
O para startups que quieren madurar su práctica
Entre más tiempo dure el equipo en este modo, más
maduro es
23

24. Sin importar qué modelo instauren...
24

25. Todos requieren
apadrinamiento del
CEO!
25

26. Conclusiones
- Contrata matemáticos,ingenieros y diseñadores
- No contrates a puro ingeniero
- ¡Menos los egresados de los bootcamps!
- Ponte exigente en el hiring
- Si tienes una startup, comienza con el modelo autónomo
- Si eres un gran corporativo, ubica en qué momento está tu org
- Si están por entrarle a la digitalización, entonces migra lentamente al modelo
federado
- Si están saliendo de una etapa de digitalización, prepárate para regresar al
modelo centralizado
- ¡Haz tu paz con que esto es un ciclo!
26

27. ¿Preguntas?
27
Jesús Ramos
@xuxoramos
jesus@aixsw.mx
fb.com/xuxoramos
lnkdin.com/xuxoramos
www.aixsw.mx