No hay futuro en la educación, sin datos: Un Diálogo con el CDO de uPlanner, Sebastián Flores

En el mundo de la ciencia de datos y la innovación educativa, Sebastián Flores es una figura destacada que ha dejado su huella. Como Chief Data Officer de uPlanner, Sebastián ha estado en la vanguardia de la intersección entre la tecnología y la enseñanza superior. Su carrera es un testimonio de su pasión por la educación y su habilidad para aprovechar la ciencia de datos para transformarla. A través de esta entrevista, exploraremos su apasionante trayectoria, sus valiosas perspectivas sobre la educación en la era digital y las tendencias clave que vislumbra para el futuro de la ciencia de datos en la industria educativa. 

Sebastián no solo es un experto en la gestión y análisis de datos en el ámbito educativo, sino también un defensor de la formación continua y la adaptación a las nuevas tecnologías. Su experiencia en la intersección entre la academia y la industria, así como su enfoque en el aprendizaje práctico y la atención al detalle, lo convierten en una fuente invaluable de conocimientos y perspicacia para aquellos interesados en la ciencia de datos y la educación superior en constante evolución. 

Cuéntanos un poco sobre tu experiencia y trayectoria en el campo de la educación superior. ¿Cómo comenzaste tu carrera en este ámbito?  

Comencé mi carrera en educación porque siempre me ha apasionado. He tenido la oportunidad de estudiar en diferentes lugares y conocer diversas formas de educación. Estudié ingeniería civil matemática en la Universidad Santa María en Chile, luego apliqué a un programa de doble diploma en Francia, donde profundicé en temas de mecánica computacional. Más tarde, fui a Stanford para estudiar un máster en Computational Mathematics. Después de terminar mis estudios, trabajé en proyectos académicos y en la industria relacionados con matemáticas y modelamiento. 

Mencionaste que estuviste involucrado en proyectos de modelamiento matemático y también en la enseñanza. ¿Puedes compartir más detalles sobre tu experiencia en la intersección entre la academia y la industria? 

Después de terminar mis primeros dos diplomas, trabajé en el Centro de Modelamiento Matemático de la Universidad de Chile en proyectos relacionados con la minería. Después, en la UTFSM, estuve involucrado en el modelamiento de la propagación de tsunamis. Durante mi tiempo en la Universidad Santa María, rediseñé un curso de aplicaciones de matemáticas en la ingeniería, haciendo hincapié en la parte práctica y el uso de Python para resolver problemas con datos. 

¿Cómo fue tu transición hacia el mundo de la ciencia de datos y qué te llevó a considerar un puesto como jefe del departamento de matemáticas en una empresa, en este caso, uPlanner? 

Mi transición a la ciencia de datos ocurrió cuando un colega me compartió una oferta de trabajo para ser jefe del departamento de matemáticas en uPlanner. Esta oferta me llamó la atención, ya que, en ese momento, no era común que las empresas tuvieran departamentos de matemáticas o se enfocaran en análisis de datos. Me interesé y, tras algunas conversaciones, comencé a trabajar en uPlanner. Agradezco la confianza que me dieron y la oportunidad de desarrollar un departamento de data science. 

Has mencionado que la industria de la ciencia de datos ha evolucionado en los últimos años. ¿Puedes hablarnos sobre cómo ha cambiado tu trabajo en este campo y cuáles han sido los desafíos más destacados? 

Claro, la industria de la ciencia de datos ha evolucionado significativamente. Lo que hacíamos hace 8 años es muy diferente de lo que hacemos hoy en día. Los desafíos han cambiado y la tecnología ha avanzado. En ese sentido, ha sido un viaje de aprendizaje constante y adaptación a nuevas técnicas y tecnologías. 

¿Cómo fue la experiencia estudiando un Máster en Stanford y cómo te forjó como profesional?   

Una de las razones que me llevó a elegir el Programa de Stanford en lugar de otros programas fue su ubicación en el corazón de Silicon Valley, con todo lo que eso implica. La oferta de cursos era muy diversa y provenía de distintos departamentos, lo que promovía un programa verdaderamente interdisciplinario. Además, la calidad de los profesores era sorprendente, algunos de ellos habían trabajado con figuras destacadas como Steve Jobs, especialmente en el departamento de informática. Incluso contábamos con profesores de renombre como Andrew Ng, una figura destacada en inteligencia artificial y machine learning. 

Fue un privilegio y una oportunidad tremenda tomar cursos sobre temas que desconocía. Además, me di cuenta de que la formación que había recibido en Chile nos prepara muy bien para enfrentar este tipo de desafíos. Si bien no puedo decir que el programa fuera fácil en absoluto, no era imposible. Cumplir con los requisitos del programa era alcanzable, especialmente si eras constante y completabas las tareas y proyectos semana a semana. 

Después de mi experiencia en Stanford, también tuve la oportunidad de realizar una pasantía en una empresa en Silicon Valley llamada Lexity. Fue una experiencia extremadamente valiosa, ya que nos encontrábamos en una fase temprana del auge de la ciencia de datos. En esta empresa, utilizamos datos de usuarios de comercio electrónico para sugerir acciones de compra y estrategias de marketing. Esto fue muy interesante y me permitió ver el potencial de la ciencia de datos en el mundo real. 

Creo que tuve la suerte de estar en el lugar adecuado en el momento adecuado, justo cuando se estaba produciendo un cambio de paradigma en la forma en que se utilizaban los datos y las herramientas disponibles. Fue una oportunidad para poner en práctica los conocimientos adquiridos y comprender su valor en el mundo empresarial. 

Mencionabas que habías rediseñado un curso como profesor, ¿cómo crees que ha cambiado la metodología para enseñar ciencia de datos? Y ¿cómo crees que esta formación debería ser para formar jóvenes talentosos en este rubro? 

Sí, esa es una pregunta muy valiosa y, a la vez, desafiante de responder. Permíteme compartir la aproximación que tomé en mi curso. Creo que para hay ciertos tipos de aprendizajes que solo pueden generarse de manera vivencial. 

Por ejemplo, puedo hablar con un grupo de estudiantes sobre la importancia de revisar la calidad de los datos, pero vivir la experiencia es diferente. Haber realizado un análisis de datos sin haber prestado atención a la calidad de los datos y obtener resultados completamente incoherentes, sin darme cuenta porque no validé los datos, es una lección que solo se aprende cuando se experimenta en carne propia. 

En mis cursos, tiendo a adoptar un enfoque altamente experimental y práctico. Por ejemplo, en el curso de aplicaciones de la matemática en la ingeniería, alternábamos entre clases teóricas y laboratorios. En los laboratorios, proporcionábamos a los estudiantes un Jupyter notebook, un formato novedoso en ese momento que combina texto explicativo con código numérico. Los estudiantes tenían que seguir el cuaderno y completar partes del código, lo que era como un desafío en tiempo real. 

Mi objetivo era que los estudiantes se sumergieran en la materia y experimentaran los desafíos del mundo real. A través de talleres y laboratorios diseñados en torno a conceptos específicos, aprendieron de manera práctica. Personalmente, no soy partidario de las grandes evaluaciones en forma de exámenes teóricos, ya que difieren significativamente de las tareas diarias de los profesionales. 

En la vida profesional, no pasas dos horas sentado frente a un papel en blanco resolviendo ejercicios. Es un proceso de dedicación, investigación, cuestionamiento y comprensión profunda de lo que el cliente necesita. En mis clases, traté de transmitir esta realidad y hacer que los estudiantes vivieran la experiencia. 

Fomentar la experimentación y la resolución de problemas del mundo real fue clave. A lo largo de las ediciones del curso, vi a algunos de mis estudiantes tomar lo aprendido y aplicarlo en sus carreras. Algunos de ellos se unieron a uPlanner como practicantes y luego se quedaron trabajando como ingenieros de datos. Incluso uno de ellos fue a hacer un doctorado en el extranjero. 

Fue gratificante ver cómo el ciclo de aprendizaje se cerraba, desde ser profesor hasta ver a mis exalumnos crecer y enfrentar nuevos desafíos en otras empresas. En general, considero que este curso fue un experimento exitoso en ese sentido. 

Cuéntanos sobre tu experiencia como Chief Data Officer en uPlanner. ¿Cuáles son tus responsabilidades principales y proyectos destacados en tu rol actual?  

He centrado mis esfuerzos en empoderar a los equipos y fomentar su crecimiento. Anteriormente, desempeñaba un papel directo liderando el equipo de Data Science y gestionando el día a día con los miembros del equipo. Hoy en día el liderazgo de Data Science lo lleva Camila Diaz, y los Data Scientists forman parte de los equipos de desarrollo de producto. Además, en el último tiempo, he estado apoyando al equipo de Data Service y trabajando codo a codo con Bastian, quien lidera Data Service. Mi rol busca establecer una gobernabilidad sólida en lo que respecta a los datos. Esto abarca desde la calidad de los datos que llegan a nuestras bases de datos hasta cómo se utilizan en nuestros productos a través de los algoritmos de Data Science. 

Lo que hace que nuestra situación sea aún más desafiante es que el tipo de trabajo que realizamos en uPlanner es bastante particular y a menudo difícil de describir a personas fuera de nuestra industria. En comparación con otras industrias donde los datos de entrada suelen estar altamente normalizados y de alta calidad debido a procesos de adquisición semi automatizados, nosotros trabajamos con datos directos de universidades y consultores. Estos datos a menudo contienen una gran cantidad de ruido, datos vacíos, inconsistencias y errores. 

Por lo tanto, no es el trabajo típico de la industria. Tenemos la tarea de trabajar con datos desafiantes y, al mismo tiempo, ayudar a las instituciones a mejorar la calidad de los datos que generan. En resumen, mi función actual implica apoyar a los equipos de Data Service y Data Science en sus procesos críticos y estratégicos, así como liderar proyectos clave con clientes estratégicos donde mi experiencia puede marcar la diferencia en tareas específicas de esos proyectos. 

Como mencionabas… en uPlanner hacemos un trabajo particular con los datos y teniendo en cuenta esto, ¿qué consejos o recomendaciones ofrecerías a profesionales jóvenes que quieran tener éxito en el campo de la ciencia de datos? 

Hay dos capacidades fundamentales que son cruciales para un Data Scientist o Data Engineer. En primer lugar, está la capacidad de aprender de manera constante. Esto va más allá del simple aprendizaje pasivo. Se trata de tener la mentalidad de aprender activa y proactivamente. Un Data Scientist o Data Engineer debe ser curioso y estar dispuesto a adquirir nuevos conocimientos sin que se lo pidan explícitamente. Esto incluye aprender nuevas herramientas, metodologías o lenguajes de programación, incluso si en ese momento no se sabe si serán útiles en el futuro. 

En segundo lugar, está la capacidad crítica y la atención al detalle. Esta es una habilidad más difícil de enseñar, ya que algunas personas la tienen naturalmente, mientras que otras no. Es necesario ser crítico para distinguir cuando algo no está bien en los datos o en los análisis. No se trata solo de completar tareas en una lista, sino de identificar nuevas preguntas y desafíos a medida que se avanza en un proyecto. Esta capacidad crítica es esencial para comprender las necesidades del cliente y proporcionar soluciones efectivas. 

Estas dos capacidades, el aprendizaje constante y la capacidad crítica, son esenciales en el campo del Data Science. Aunque pueden desarrollarse con el tiempo, es beneficioso si los Data Scientists ya poseen estas habilidades desde el principio, ya que son difíciles de enseñar directamente. Trabajar en un entorno donde se fomente el aprendizaje constante y se valore la atención al detalle puede ayudar a cultivar estas habilidades en el equipo. 

¿Cómo crees que las universidades se deben adaptar justo a estas nuevas herramientas tecnológicas y de datos que van apareciendo? 

Hay que ver la necesidad de las instituciones de educación superior de adaptarse y reconocer que los estudiantes van a utilizar estas herramientas como inteligencia artificial o ChatGPT para hacer tareas o responder a un proyecto. Y yo creo que ahí hay una necesidad súper importante por parte de las instituciones de formar a sus docentes en esto, ¿no? Es ingenuo pensar que los estudiantes no están utilizando estas herramientas que están públicamente disponibles, es como pensar que los estudiantes no googleaban los enunciados de las tareas para ver si había alguna respuesta en línea, y muchas veces es culpa de los docentes porque ponen el mismo ejemplo año tras año.  

Por una parte, hay que enseñarles a los docentes que estas tecnologías existen y tienen que diseñar tareas que admitan estas herramientas, entonces quizás uno de los mejores ejemplos que conocí y explicaba un docente, era que él, para una tarea en particular, mandaba a sus estudiantes a escribir el enunciado de lo que se iba a hacer en ChatGPT, luego copiaban la respuesta y en función a eso, los estudiantes incluían elementos de juicio sobre la respuesta. 

En ese sentido, es importante recordar que los trabajos no se automatizan. Lo que se automatiza son tareas específicas de un trabajo. Yo puedo automatizar tareas como el dictado, pero no ha desaparecido el oficio de secretaria. Esto porque hay tareas que se pueden automatizar de esa profesión, pero no quiere decir que el oficio en sí desaparezca. Entonces, las profesiones se verán mejoradas con estas herramientas, porque nos ahorramos tiempo y resulta esencial que la gente que se está formando son jóvenes que aprenden rápido y son nativos digitales puedan aplicar todas estas tecnologías.  

¿Cuál es tu visión para el futuro de la ciencia de datos en la educación superior y en la industria en general? ¿Cuáles son las tendencias clave que anticipas en este campo?  

Creo que reemplazar completamente a las universidades tradicionales es una tarea muy difícil y, en realidad, no creo que sea deseable. Las universidades tienen una larga historia de ser un mecanismo efectivo de aprendizaje que ha perdurado durante siglos. Tienen un valor intrínseco en la formación de los estudiantes que va más allá de la transmisión de conocimientos. 

Las nuevas tecnologías y métodos de enseñanza, como los cursos en línea y la educación a distancia, son complementos valiosos que pueden brindar flexibilidad y acceso a la educación a un público más amplio. Sin embargo, no pueden reemplazar completamente la experiencia de aprendizaje que ofrecen las universidades tradicionales. 

La interacción directa con profesores y compañeros, la posibilidad de realizar ejercicios prácticos en el aula, la resolución de problemas en tiempo real y la oportunidad de desarrollar habilidades de comunicación y colaboración son aspectos esenciales de la educación que no son fáciles de replicar en un entorno en línea. 

En lugar de verlo como una competencia, creo que las nuevas formas de enseñanza pueden coexistir y enriquecer el panorama educativo. La tecnología puede brindar a los estudiantes opciones adicionales y flexibilidad para aprender de acuerdo con sus necesidades y circunstancias individuales.