In der Reihe „Writer Highlight“ unterhalten sich TDS-Redakteure mit Mitgliedern unserer Neighborhood über ihren Karriereweg in den Bereichen Datenwissenschaft und KI, ihr Schreiben und ihre Inspirationsquellen. Heute freuen wir uns, unser Gespräch mit Ihnen zu teilen Sara Nobrega.
Sara Nobrega ist eine KI-Ingenieurin mit einem Hintergrund in Physik und Astrophysik. Sie schreibt über LLMs, Zeitreihen, Karrierewechsel und praktische KI-Workflows.
Sie verfügen über einen Masterabschluss in Physik und Astrophysik. Welchen Einfluss hat Ihr Hintergrund auf Ihre Arbeit in den Bereichen Datenwissenschaft und KI-Technik?
Die Physik hat mich zwei Dinge gelehrt, auf die ich mich ständig stütze: wie man ruhig bleibt, wenn ich nicht weiß, was passiert, und wie man ein beängstigendes Downside in kleinere Teile zerlegt, bis es nicht mehr beängstigend ist. Außerdem … die Physik macht einen wirklich demütig. Sie lernen schnell, dass es keine Rolle spielt, „intelligent“ zu sein, wenn Sie Ihr Denken nicht erklären oder Ihre Ergebnisse nicht reproduzieren können. Diese Denkweise ist wahrscheinlich das Nützlichste, was ich in die Datenwissenschaft und -technik eingebracht habe.
Sie haben kürzlich einen geschrieben tiefer Tauchgang in Ihren Übergang vom Datenwissenschaftler zum KI-Ingenieur. Was ist in Ihrer täglichen Arbeit bei GLS der größte Unterschied in der Denkweise zwischen diesen beiden Rollen?
Für mich conflict die größte Veränderung die Frage: „Ist dieses Modell intestine?“ zu „Kann dieses System das wirkliche Leben überleben?“ Als KI-Ingenieur geht es nicht so sehr um die perfekte Antwort, sondern vielmehr darum, etwas Verlässliches zu schaffen. Und ehrlich gesagt conflict diese Änderung zunächst unangenehm … aber dadurch fühlte sich meine Arbeit viel nützlicher an.
Du notiert Während ein Datenwissenschaftler möglicherweise Wochen damit verbringt, ein Modell zu optimieren, hat ein KI-Ingenieur möglicherweise nur drei Tage Zeit, um es bereitzustellen. Wie bringen Sie Optimierung und Geschwindigkeit in Einklang?
Wenn wir drei Tage Zeit haben, bin ich nicht auf der Suche nach winzigen Verbesserungen. Ich strebe nach Selbstvertrauen und Zuverlässigkeit. Deshalb werde ich mich auf eine solide Foundation konzentrieren, die bereits funktioniert, und auf eine einfache Möglichkeit, zu überwachen, was nach dem Begin passiert.
Auch der Versand in kleinen Schritten gefällt mir. Anstatt zu denken: „Setzen Sie das Letzte ein“, denke ich: „Setzen Sie die kleinste Model ein, die Wert schafft, ohne Chaos zu verursachen.“
Wie könnten wir Ihrer Meinung nach LLMs nutzen, um die Lücke zwischen Datenwissenschaftlern und DevOps zu schließen? Können Sie ein Beispiel nennen, bei dem dies für Sie intestine funktioniert hat?
Datenwissenschaftler sprechen von Experimenten und Ergebnissen, während DevOps-Leute von Zuverlässigkeit und Wiederholbarkeit sprechen. Ich denke, LLMs können als Übersetzer auf praktische Weise hilfreich sein. Zum Beispiel, um Checks und Dokumentation zu erstellen, damit das, was auf meiner Maschine funktioniert, „in der Produktion funktioniert“.
Ein einfaches Beispiel aus meiner eigenen Arbeit: Wenn ich so etwas wie einen API-Endpunkt oder eine Verarbeitungspipeline baue, verwende ich ein LLM, um die langweiligen, aber wichtigen Teile wie Testfälle, Randfälle und klare Fehlermeldungen zu entwerfen. Dies beschleunigt den Prozess erheblich und hält die Motivation aufrecht. Ich denke, der Schlüssel liegt darin, den LLM als einen Junior zu behandeln, der schnell und hilfsbereit ist und gelegentlich Fehler macht. Daher ist es wichtig, alles noch einmal durchzugehen.
Du hast zitierte Forschung Dies deutet auf ein massives Wachstum der KI-Rollen bis 2027 hin. Wenn ein junger Datenwissenschaftler in diesem Jahr nur eine technische Fähigkeit erlernen könnte, um wettbewerbsfähig zu bleiben, welche sollte das sein?
Wenn ich mich für eines entscheiden müsste, wäre es, zu lernen, wie man seine Arbeit wiederholbar versendet! Nehmen Sie ein Projekt und machen Sie es zu etwas, das zuverlässig läuft, ohne dass Sie es beaufsichtigen müssen. Denn in der realen Welt ist das beste Modell nutzlos, wenn niemand es nutzen kann. Und die Menschen, die herausstechen, sind diejenigen, die eine Idee aus einem Notizbuch in etwas Reales umsetzen können.
Ihre jüngste Arbeit hat sich stark auf LLMs und Zeitreihen konzentriert. Was ist mit Blick auf das Jahr 2026 das neue KI-Thema, über das Sie als nächstes am meisten schreiben möchten?
Ich neige immer mehr dazu, über praktische KI-Workflows zu schreiben (wie man von einer Idee zu etwas Verlässlichem wird). Wenn ich über ein „heißes“ Thema schreibe, möchte ich außerdem, dass es nützlich und nicht nur spannend ist. Ich möchte darüber schreiben, was funktioniert, was kaputt geht … Die Welt der Datenwissenschaft und KI ist voller Kompromisse und Unklarheiten, und das hat mich sehr fasziniert.
Ich werde auch immer neugieriger auf KI als System: Wie verschiedene Teile zusammenwirken … Seien Sie gespannt auf die diesjährigen Artikel!
Um mehr über Saras Arbeit zu erfahren und über ihre neuesten Artikel auf dem Laufenden zu bleiben, können Sie ihr folgen TDS oder LinkedIn.