No necesita programar para ser químico, pero necesita saber utilizar los datos

Es cierto que la programación es útil, pero no es un requisito previo para hacer ciencia. Esta idea es poco útil porque enfatiza una parte de la investigación poco acertada: se centra en cómo hacer algo, en lugar de por qué hacerlo. Aún peor: ignora la necesidad de aprender a manejar los datos, que es mucho más importante.

Recientemente, me interesé en un nuevo método de aprendizaje automático llamado "modelado de conjunto autovalidado" (SVEM, por sus siglas en inglés) que promete ser excepcionalmente útil para analizar los conjuntos de datos más pequeños que normalmente producimos en experimentos industriales de investigación y desarrollo. El algoritmo permite iterar cientos de veces en una rutina de análisis, algo que nadie desearía hacer manualmente. Pasé algunas horas escribiendo código para hacerlo. La papelera se me llenó rápidamente de código roto, metafóricamente hablando. Sin embargo, fue una forma divertida de profundizar en el conocimiento del SVEM.

La transformación digital sigue siendo uno de los mayores desafíos a los que se enfrentan las organizaciones hoy en día.

Al realizar mis limitados experimentos, el SVEM me pareció útil, pero no creo que sea necesario que nadie escriba su propio código. Esto se debe a que los "verdaderos" desarrolladores de software han hecho un trabajo mucho mejor: la versión más reciente de JMP Pro contiene una interfaz simple que permite a cualquier persona analizar sus datos con SVEM con solo unos pocos clics. Lo mejor de la programación es que una persona puede producir algo una vez, y que esto luego puede ser reutilizado sin cesar por otras personas.

La mayoría de las tareas para las que antes tenía que escribir código ahora se pueden hacer de forma interactiva, y en los últimos años se ha producido una explosión en el número de herramientas comerciales de software de datos y de automatización de laboratorio sin código o con código reducido. Para la mayoría de las personas, aprender a crear sus propias herramientas digitales sería una pérdida de tiempo.

Sin embargo, la transformación digital, y el desarrollo de habilidades necesarias para lograrlo, sigue siendo uno de los mayores desafíos que enfrentan las organizaciones en la actualidad.

El primer paso es reconocer la necesidad de mejorar las habilidades de datos de todo el personal científico.

En el futuro, los químicos no necesitarán ser programadores. Deberán ser expertos en visualización para poder explorar rápidamente sus datos y comunicar información. Necesitarán comprender el modelado estadístico y los fundamentos del aprendizaje automático para extraer la máxima información de conjuntos de datos tanto pequeños como grandes. Y necesitarán usar un diseño estadístico de experimentos para producir datos más valiosos. JMP ha creado un recurso de formación en línea gratuito, Statistical Thinking for Industrial Problem Solving, que ofrece una introducción a todos estos temas.