Aprendizaje interactivo entre pares entre científicos de datos empresariales
El semestre pasado, mis compañeros y yo hicimos un curso llamado Gestión de Big Data con el profesor Panagiotis (Panos) Adamopoulos. Dado que el big data se mueve rápidamente y su ecosistema se ha vuelto cada vez más complicado, aprendimos una amplia variedad de herramientas de big data en esta clase, como SQL, NoSQL, AWS, Hadoop, Hive y otras dentro del ecosistema Apache. Sin embargo, dado que en este campo emergente se inventan constantemente nuevas herramientas y métodos de gestión de datos, el tiempo de clase siempre se limita a cubrirlos todos. Afortunadamente, tuvimos la oportunidad de explorar temas en evolución nosotros mismos a través de un proyecto final del curso, ya que cada equipo compartió los resultados de su investigación con toda la clase. En general, toda la cohorte presentó ocho herramientas nuevas más allá del programa de estudios de la clase. Todos pudieron quitar el conocimiento que encontraron interesante y útil de sus compañeros más allá de lo que podían obtener individualmente. Siento que este estilo eficiente de estudio se puede definir como “aprendizaje interactivo entre pares”.
Para darles un ejemplo, mis compañeros de equipo, Agnes (Yang) Liu y Nate Silverblatt, y yo decidimos presentar Google Cloud Dataprep a nuestra clase de futuros científicos de datos comerciales. Google Cloud Dataprep es una herramienta de limpieza de datos de reciente aparición pero extremadamente poderosa diseñada para acelerar de manera efectiva el proceso de preparación de datos en el ámbito de la ciencia de datos. Pasamos días y días investigando este nuevo producto para comprender cómo funcionaba. Incluso hicimos un video de demostración para nuestros compañeros de clase para ayudarlos a comprender visualmente cómo usar esta invención en un conjunto de datos del mundo real. Mi equipo recibió muchos comentarios positivos de sus compañeros por compartir una valiosa herramienta de análisis, y nos alegramos de que nuestro arduo trabajo valiera la pena. Hasta donde yo sé, cada equipo se enfrentó a diferentes desafíos mientras se adentraban en una nueva área. Sin embargo, todos logramos resolver cualquier problema del proyecto, ya sea pasando más tiempo practicando e investigando o pidiendo ayuda al profesorado. Como resultado, cada equipo hizo un gran esfuerzo para estudiar un tema interesante y ofrecer una presentación informativa a sus compañeros, quienes adquirieron nuevos conocimientos que serían útiles para sus futuras carreras.
A medida que nuestros equipos pasaban por el proyecto final, me di cuenta de que cada uno de nosotros desempeñaba los roles de investigador, profesor y alumno. Desde explorar una herramienta innovadora por nuestra cuenta hasta convertirnos en “expertos en la materia” en el aula, aprendimos a usar diferentes sombreros a lo largo del proceso. La ciencia de datos es un campo de vanguardia y el big data es un espacio de vanguardia, por lo que es fundamental para nosotros estar familiarizados con las últimas tendencias a través de la autoexploración y el aprendizaje interactivo entre pares. Como ansiosos solucionadores de problemas y absorbentes de conocimiento, arañamos la superficie del mundo de la analítica empresarial con nuestro proyecto final y ahora profundizaremos en nuestros proyectos finales.
