Catherine Nelson (2024)

En los últimos años la ciencia de datos se ha consolidado como una de las disciplinas más influyentes dentro de la industria tecnológica. Miles de profesionales dominan algoritmos de aprendizaje automático, análisis estadístico y visualización de datos, pero con frecuencia enfrentan un problema común cuando sus proyectos dejan el entorno experimental y comienzan a formar parte de sistemas utilizados diariamente por organizaciones y usuarios. El código que funcionaba perfectamente en un cuaderno de Jupyter deja de ser suficiente cuando debe mantenerse durante años, integrarse con otros sistemas, ser utilizado por distintos equipos y evolucionar sin perder confiabilidad. Precisamente sobre esa transición trata Software Engineering for Data Scientists.

Desde el prefacio, Catherine Nelson explica que el propósito del libro no es enseñar ciencia de datos ni aprendizaje automático. Parte del supuesto de que el lector ya domina esas áreas y dirige su atención hacia una pregunta diferente: ¿cómo escribir código de ciencia de datos con la calidad necesaria para formar parte de un sistema de software profesional? La autora recuerda una frase que marcó su propia carrera: aprender a escribir mejor código permite hacer mejor ciencia de datos. Esa idea termina convirtiéndose en el hilo conductor de toda la obra. El objetivo no consiste únicamente en producir modelos predictivos correctos, sino en construir soluciones que otras personas puedan comprender, reutilizar, mantener y extender con el paso del tiempo.

Uno de los primeros aspectos que llama la atención es la manera en que la autora diferencia la mentalidad del científico de datos de la del ingeniero de software. Mientras la ciencia de datos se caracteriza por la exploración, el descubrimiento y la experimentación, la ingeniería de software enfatiza la planificación, la estandarización y la automatización. Ninguno de estos enfoques es superior al otro; simplemente responden a problemas distintos. El aporte del libro consiste precisamente en mostrar cómo ambos pueden complementarse. La creatividad necesaria para descubrir conocimiento en los datos no desaparece al adoptar prácticas de ingeniería; por el contrario, disponer de una base de software sólida permite dedicar más tiempo a investigar y menos tiempo a resolver problemas derivados de código difícil de mantener.

A lo largo del libro aparece una idea que probablemente muchos científicos de datos reconocerán por experiencia propia. Es relativamente sencillo escribir un script que resuelva un problema puntual, pero resulta mucho más difícil regresar meses después, entender nuevamente ese código y modificarlo sin introducir errores. Nelson sostiene que este fenómeno no es consecuencia de una falta de conocimientos en aprendizaje automático, sino de la ausencia de principios básicos de ingeniería de software. Escribir funciones pequeñas, separar responsabilidades, utilizar nombres descriptivos y organizar correctamente los proyectos no son formalidades académicas; son prácticas que reducen el costo del mantenimiento y facilitan la evolución del software conforme los proyectos crecen.

La autora concede especial importancia a la legibilidad del código. En varias ocasiones recuerda que los programas se leen muchas más veces de las que se escriben. Desde esa perspectiva, un algoritmo brillante pierde gran parte de su valor si únicamente puede ser comprendido por la persona que lo desarrolló originalmente. La documentación, los comentarios, los nombres de variables y la estructura general del proyecto dejan de ser detalles secundarios para convertirse en mecanismos de comunicación entre los miembros del equipo. El código comienza a entenderse como un lenguaje compartido y no únicamente como una serie de instrucciones dirigidas al computador.

Otro de los temas recurrentes es la importancia de la modularidad. En muchos proyectos de ciencia de datos es habitual encontrar largas secuencias de instrucciones ejecutadas dentro de un único cuaderno interactivo. Aunque este enfoque resulta conveniente durante la exploración inicial, rápidamente se vuelve difícil de mantener cuando aparecen nuevos conjuntos de datos, distintos modelos o varios integrantes colaborando simultáneamente. Nelson propone reorganizar esos experimentos mediante funciones, módulos y paquetes reutilizables que permitan separar claramente la obtención de datos, su transformación, el entrenamiento de modelos y la evaluación de resultados. Esta organización facilita las pruebas, favorece la reutilización y reduce la duplicación de código.

Las pruebas de software ocupan también un lugar destacado. Tradicionalmente muchos científicos de datos validan su trabajo observando si un modelo produce métricas aceptables sobre un conjunto de prueba. Sin embargo, el libro demuestra que esto no garantiza que el resto del sistema funcione correctamente. Funciones auxiliares, transformaciones de datos, interfaces de programación y procesos de carga también requieren mecanismos de validación. Incorporar pruebas automatizadas permite detectar cambios inesperados antes de que lleguen a producción y ofrece mayor confianza cuando el código continúa evolucionando.

La obra dedica varios capítulos a herramientas habituales dentro de la ingeniería de software moderna que con frecuencia permanecen ausentes en proyectos de ciencia de datos. El uso de linters, formateadores automáticos, anotaciones de tipos, sistemas de control de versiones, empaquetado de bibliotecas, documentación estructurada y APIs deja de presentarse como un conjunto de tecnologías aisladas para convertirse en una estrategia integral destinada a mejorar la calidad del software. Más adelante aparecen conceptos como integración continua, automatización mediante GitHub Actions, seguridad en aplicaciones de aprendizaje automático y formas de trabajo colaborativo inspiradas en metodologías ágiles. Todos estos elementos muestran al lector que desarrollar modelos predictivos constituye únicamente una parte del trabajo cuando esos modelos deben incorporarse a productos reales.

Resulta especialmente interesante la forma en que la autora aborda la programación orientada a objetos. En lugar de presentarla como un requisito obligatorio, explica cuándo realmente aporta ventajas y cuándo un diseño más sencillo resulta suficiente. Esta postura pragmática se mantiene durante todo el libro. En ningún momento intenta imponer reglas absolutas ni promover patrones de diseño por sí mismos; cada recomendación aparece vinculada a problemas concretos que suelen presentarse en proyectos de ciencia de datos conforme aumenta su complejidad.

Aunque gran parte del contenido utiliza Python como lenguaje de programación, el verdadero valor del libro no depende del lenguaje elegido. Los principios expuestos pueden trasladarse fácilmente a otros ecosistemas tecnológicos porque están relacionados con la organización del software y no con características particulares de una sintaxis determinada. Python aparece simplemente como el medio más natural para dirigirse a una comunidad donde este lenguaje se ha convertido en el estándar de facto para la ciencia de datos y el aprendizaje automático.

Desde la perspectiva de RB Engineering Ecosystem, esta obra representa un puente entre dos disciplinas que durante mucho tiempo evolucionaron de manera parcialmente independiente. La ciencia de datos aporta modelos, algoritmos y capacidad analítica; la ingeniería de software proporciona procesos, arquitectura, mantenibilidad y calidad. El libro demuestra que el verdadero potencial aparece cuando ambas trabajan de forma integrada. Un modelo extraordinariamente preciso pierde gran parte de su utilidad si no puede desplegarse, mantenerse o evolucionar dentro de un sistema real. Del mismo modo, una excelente arquitectura carece de valor si no genera conocimiento útil a partir de los datos. Catherine Nelson consigue mostrar que estas dos perspectivas no compiten entre sí, sino que se complementan para construir soluciones más robustas y sostenibles.

Más que un manual sobre Python o un curso de buenas prácticas de programación, Software Engineering for Data Scientists es una invitación a ampliar la forma en que los científicos de datos entienden su profesión. El mensaje central de la autora es claro: producir conocimiento mediante datos y modelos predictivos sigue siendo el objetivo principal, pero ese conocimiento alcanzará un impacto mucho mayor cuando se apoye sobre principios sólidos de ingeniería de software. En una época donde los modelos de inteligencia artificial pasan rápidamente de la investigación a los sistemas de producción, esa combinación deja de ser una ventaja competitiva para convertirse en una competencia esencial de cualquier profesional que aspire a desarrollar soluciones de datos confiables, reutilizables y preparadas para evolucionar con el tiempo.