Prácticas en datos e inteligencia artificial: parte de una pregunta útil

Qué abarcan realmente unas prácticas de datos o de IA

Detrás de las palabras «datos» e «inteligencia artificial» se esconden profesiones cercanas pero distintas. El analista de datos recoge, depura e interpreta cifras para aclarar una decisión. El científico de datos construye modelos estadísticos o de aprendizaje automático para predecir o clasificar. El ingeniero de aprendizaje automático lleva esos modelos a producción y vigila su comportamiento. Por último, el ingeniero de datos levanta los circuitos que hacen llegar datos limpios hasta los equipos que los utilizan.

Unas prácticas rara vez cubren toda la cadena. Lo habitual es ocuparse de un eslabón: preparar un conjunto de datos, probar la idea de un modelo, montar un cuadro de mando o anotar ejemplos para entrenar un sistema. Saber qué eslabón te atrae te permite redactar una candidatura dirigida en lugar de un mensaje genérico enviado a todos los equipos «data» de una región.

Las entidades de acogida son muy variadas: departamentos de una gran empresa, editoras de software, consultoras, laboratorios de investigación, hospitales, administraciones locales o asociaciones con un servicio de estadística. Cada una ofrece un ritmo y una tutorización diferentes, algo que pesa tanto como el título de la oferta.

Las tareas que de verdad se encomiendan a quien hace prácticas

Durante las primeras semanas, el trabajo se parece a una investigación. Te entregan archivos procedentes de varios sistemas, a veces incompletos, y tienes que entender qué representa cada columna, detectar valores atípicos y documentar las decisiones de limpieza. Es un trabajo poco vistoso, pero suele ocupar la mitad del tiempo de un proyecto de datos.

Después llegan tareas más visibles:

• elaborar indicadores y visualizaciones que entienda alguien que no sea especialista;
• comparar varios métodos sobre un mismo problema, empezando por el más sencillo;
• probar un modelo de clasificación, de previsión o de procesamiento del lenguaje en un ámbito acotado;
• anotar o revisar la calidad de los ejemplos con los que se entrena un sistema;
• redactar una nota que explique el método, sus límites y los errores observados.

Esta última tarea se subestima. Un resultado que nadie puede revisar ni reproducir vale poco para el equipo. Demostrar desde la entrevista que sabes escribir y explicar te distingue de quienes solo enseñan puntuaciones.

Competencias útiles: base técnica y cualidades de trabajo

La base técnica se resume en pocos puntos. Hace falta un lenguaje de programación habitual en análisis, casi siempre Python y a veces R, además de SQL para consultar bases de datos. Después vienen las nociones de estadística descriptiva e inferencial, saber leer una matriz de confusión, la diferencia entre correlación y causalidad y el riesgo de sobreajuste. Las bibliotecas de cálculo y de visualización se aprenden deprisa si esos cimientos son sólidos.

En lo que se refiere a la IA propiamente dicha, se valoran nociones sobre redes neuronales, modelos de lenguaje o visión por ordenador, pero un tutor suele preferir a quien domina bien los métodos clásicos y sabe decir cuándo bastan.

Las cualidades de trabajo pesan al menos tanto:

• el rigor, sobre todo para separar los datos de entrenamiento de los de prueba;
• la curiosidad por el negocio, porque entender el terreno evita responder a la pregunta equivocada;
• la claridad al hablar y al escribir;
• el espíritu crítico ante un resultado demasiado bueno para ser cierto.

Cómo construir un proyecto de portafolio que se sostenga

Un proyecto convincente parte de una pregunta precisa, no de un conjunto de datos elegido solo por ser famoso. Por ejemplo: «¿Qué factores explican los retrasos de un servicio de reparto?» o «¿Se pueden detectar automáticamente las opiniones de clientes que señalan un defecto de seguridad?». La pregunta define qué se va a medir y qué contará como éxito.

Esta es una estructura sencilla, útil para un repositorio público o un dosier en PDF:

1. la pregunta y su utilidad para un usuario concreto;
2. el origen de los datos, su licencia y sus lagunas conocidas;
3. la limpieza realizada y las filas descartadas, con su justificación;
4. una solución de referencia muy simple, por ejemplo una media o una regla manual;
5. el modelo elegido y el motivo de la elección;
6. los errores observados, con algunos ejemplos comentados;
7. las limitaciones y lo que habría que hacer a continuación.

Los portales de datos abiertos permiten trabajar con fuentes reales y documentadas. Eso sí, lee la licencia de reutilización antes de publicar tus resultados.

Datos personales, ética y marco jurídico de las prácticas

Trabajar con datos impone reglas. En cuanto un archivo se refiere a personas identificables, se aplica el reglamento europeo de protección de datos: finalidad clara, minimización, plazo de conservación y derechos de las personas. Una empresa seria te indicará qué datos puedes manejar, desde qué equipo y qué puedes llevarte o no al terminar. Plantea la pregunta durante los primeros días: demuestra profesionalidad.

Los sistemas de IA también cuentan con un marco europeo específico, que se aplica de forma progresiva. En la práctica, lo que importa a quien hace prácticas es saber si la herramienta afecta a decisiones sensibles (selección de personal, crédito, salud) y entender que en ese caso existen exigencias de documentación y de supervisión humana.

En el plano contractual, en Francia las prácticas se apoyan en un convenio tripartito que se firma antes del primer día entre tú, la entidad de acogida y tu centro de estudios. Recoge las tareas, la duración, la gratificación si la hay, el tutor y las cláusulas de confidencialidad. Léelo con atención: esas cláusulas determinan lo que podrás mostrar después en un portafolio.

Duración, gratificación y ejemplo con cifras a modo de ilustración

La duración de unas prácticas de datos varía según la formación: de unas semanas en el grado a cuatro o seis meses al final de un máster o de una escuela de ingeniería. En Francia, a partir de dos meses de presencia en la misma entidad la gratificación es obligatoria. Su importe mínimo lo fija la normativa como porcentaje de un tope horario de la Seguridad Social y cambia con el tiempo: conviene comprobarlo con el centro de estudios o con la entidad de acogida, que además puede superar ese mínimo.

Ilustración con cifras redondas e hipotéticas. Imagina unas prácticas de cinco meses con una gratificación de 1 000 euros mensuales. El total percibido sería de 5 000 euros, antes de descontar posibles gastos de transporte. Si otra entidad ofrece 1 200 euros, la diferencia a lo largo del periodo llegaría a 1 000 euros, pero hay que compararla con la calidad de la tutorización, la distancia al domicilio y el coste de la vivienda, que pueden pesar más que esa diferencia.

En la investigación pública, los importes dependen de las normas propias de cada organismo; infórmate directamente con él antes de comparar ofertas de naturaleza distinta.

Candidatura: currículum, carta y entrevista técnica

En un currículum para unas prácticas de datos no basta con la línea «Python, SQL, machine learning». Asocia cada herramienta a un logro: «limpieza de 40 000 filas de ventas y construcción de un indicador de estacionalidad» dice más que cualquier lista. Añade el enlace a tu repositorio de código solo si se lee bien y cuenta con un archivo de presentación claro.

La carta de motivación gana si nombra un problema de la entidad a la que te diriges: una gestión de existencias, un seguimiento de pacientes, un flujo de documentos. Demuestra que has mirado sus publicaciones, su web y sus herramientas. Evita las fórmulas sobre la «pasión por la inteligencia artificial», que no le dicen nada a quien selecciona.

En la entrevista, espera tres tipos de preguntas:

• una presentación detallada de alguno de tus proyectos, con las decisiones y los fracasos;
• un pequeño ejercicio, por ejemplo comentar un gráfico o escribir una consulta SQL;
• preguntas de sentido común: ¿cómo sabrías que tu modelo se equivoca? ¿Qué harías si faltan datos?

Saber responder «no lo sé, pero así lo buscaría» se recibe mejor que una respuesta inventada.

Cuándo y dónde buscar, y cómo elegir entre prácticas y alternancia

Las ofertas de prácticas de fin de estudios suelen publicarse del otoño a principios de primavera, para incorporaciones en primavera o verano. Los centros de investigación y las grandes empresas piden a veces varios meses de antelación. Los equipos pequeños contratan más tarde y más rápido. Enviar una candidatura espontánea bien dirigida sigue siendo una vía útil, sobre todo ante servicios de estadística de administraciones locales o asociaciones.

Las escuelas y universidades cuentan con servicios de prácticas y redes de antiguos alumnos. Las plataformas de ofertas de los centros y las webs de empleo para recién titulados permiten filtrar por palabras clave como «data», «análisis» o «aprendizaje automático».

En cuanto a elegir entre prácticas y alternancia, todo depende del ritmo que quieras. En Francia, las prácticas son un periodo de formación regulado por un convenio, con estatus de estudiante. La alternancia es un contrato de trabajo remunerado, de uno a tres años, que combina escuela y empresa. Da más continuidad sobre un mismo tema de datos, pero exige conseguir una empresa de acogida antes del inicio del curso.

Errores frecuentes que conviene evitar

Hay varios descuidos que se repiten entre quienes empiezan.

• Perseguir el modelo más complejo sin haberlo comparado con una solución simple. Los equipos quieren saber qué aporta el modelo de más.
• Ignorar el origen de los datos: un conjunto de datos publicado sin descripción no permite garantizar una conclusión fiable.
• Fugas de datos: dejar entrar en el entrenamiento una información que no estará disponible en el uso real falsea toda la evaluación.
• Presentar una única cifra de rendimiento sin exponer los errores, los casos raros ni los grupos peor tratados.
• Reutilizar datos de la entidad de acogida en un portafolio sin autorización por escrito.

Otra trampa es creer que las prácticas servirán solo para aprender una herramienta. Los tutores valoran sobre todo la capacidad de hacer preguntas, de reformular una necesidad difusa y de entregar, aunque sea con modestia, algo utilizable en la fecha prevista.