Você não precisa de programação para ser um químico

Phil Kay

Phil Kay é gerente de aprendizado da JMP Statistical Discovery, uma subsidiária da SAS. Seu trabalho é entender os desafios da ciência e da engenharia e fornecer orientação sobre soluções analíticas de dados para organizações industriais em todo o mundo.

Anteriormente, Phil era o principal cientista no desenvolvimento de inúmeros processos para a fabricação de corantes para impressão digital na FujiFilm Imaging Colorants. Phil tem mestrado em estatística aplicada com dissertação sobre Design de Experimentos. Ele também tem mestrado e doutorado em química.

Ele é membro da Royal Statistical Society, Chemist Chartered e membro do comitê para o Process Chemistry and Technology Group com a Royal Society of Chemistry.

Phil adora mostrar às pessoas como a análise de dados possibilita uma ciência de maior qualidade. Siga Phil Kay, o defensor da Análise de Dados, no LinkedIn.

Os químicos sempre precisarão adaptar suas habilidades a novas formas de fazer ciência. Quando eu estava na graduação, aprendi a fazer tubos de ponto de fusão desenhando capilares de vidro sobre a chama de um bico de Bunsen. Lembro-me disso porque eu era muito ruim nisso; a lixeira de materiais cortantes estava cheia do meu trabalho. Felizmente, o exercício já estava ultrapassado naquela época e não havia necessidade de testar minha destreza manual além daquele ponto.

Houve uma época em que a maioria dos químicos precisaria pelo menos de habilidades rudimentares de sopro de vidro. Mas, como a maioria de seus requisitos de vidraçaria eram comuns a muitos milhares de outros cientistas, logo surgiram empresas para atender a esse mercado com produtos prontos para uso. Hoje, seria absurdo fazer seu próprio condensador de Liebig antes que você possa realizar uma destilação, ou seus próprios reagentes ou instrumentos para esse assunto.

O trabalho do químico será menos o de fazer amostras e mais o de gerar dados.

Há uma tendência moderna nas habilidades de pesquisa que considero igualmente absurda: que será essencial aprender a programar para o futuro da ciência. Atualmente, essa noção está circulando à medida que mais ciência passa de in vitro para in silico. A programação certamente é útil, mas não é um pré-requisito para fazer ciência, assim como trabalhar com vidro. Essa noção também é inútil porque enfatiza a parte errada da pesquisa: focar em como fazer algo, em vez de por que fazê-lo. Talvez o mais importante seja ignorar a necessidade muito mais essencial de habilidades com dados.

Com base na necessidade de programar

À medida que a P&D se torna mais digital, haverá menos trabalho prático em laboratório, e o debate continua. No laboratório do futuro, as tarefas práticas de rotina serão automatizadas, e os pesquisadores passarão seu tempo programando essas máquinas e seus fluxos de trabalho de dados. Portanto, devemos enviar todos para "campos de treinamento" em programação.

Conheço muitos cientistas que adoram a ideia de aprender novas habilidades digitais, incluindo programação e eu sou um deles. Aprendi o suficiente para fazer coisas úteis com programação em vários momentos da minha carreira. Mas somente quando tive que fazê-lo.

Recentemente, me interessei por um novo método de aprendizado de máquina chamado modelo de conjunto de autovalidação (SVEM), que promete ser particularmente útil para analisar os conjuntos de dados menores que geralmente produzimos em experimentos de P&D industrial. O algoritmo envolve percorrer centenas de ciclos de uma rotina de análise, algo que você não gostaria de fazer manualmente. Passei algumas horas programando para fazer isso, e logo a "lixeira" metafórica de códigos quebrados estava cheia. No entanto, foi uma maneira divertida de obter uma compreensão mais profunda da SVEM, assim como você pode obter uma maior apreciação da forma e função dos frascos e funis tentando fazer os seus próprios.

A transformação digital continua sendo um dos maiores desafios que as empresas enfrentam hoje.

A partir das minhas explorações limitadas, parece que a SVEM é útil. Mas não acho que alguém deva fazer sua própria programação para isso. Você poderia arriscar usar a minha, mas nem eu uso mais. Isso porque os desenvolvedores de software adequados já fizeram um trabalho muito melhor: a versão mais recente do JMP Pro contém uma interface simples que permite que qualquer pessoa analise seus dados com a SVEM com apenas alguns cliques. A grande coisa sobre a programação é que uma pessoa pode produzir algo uma vez que pode ser infinitamente reutilizado por qualquer número de outras pessoas.

Foco nas habilidades que agregam valor

No passado, a maioria das tarefas para as quais eu precisava programar, agora pode realizada de forma simples usando point-and-click, houve uma explosão no número de soluções comerciais de software de dados e automação de laboratório sem código ou com pouco código nos últimos anos. Assim como as empresas que fabricam vidros em massa, as empresas de software foram criadas por pessoas que entendem os desafios e, trabalhando com a comunidade científica, os seus desenvolvedores dedicados criaram ferramentas fáceis de usar especificamente para atender estas necessidades. Aprender a construir suas próprias ferramentas digitais será um desperdício de tempo para a maioria das pessoas.

Ainda assim, a transformação digital (e o desenvolvimento das habilidades necessárias para alcançá-la) continua sendo um dos maiores desafios enfrentados pelas empresas atualmente. Converso com cientistas de grandes e pequenas empresas de todo o mundo, e ninguém ainda resolveu esse problema. Uma abordagem que vi funcionar é as empresas transformarem um pequeno número de entusiastas em especialistas internos que podem programar soluções personalizadas para simplificar os fluxos de trabalho de dados para seus colegas. No entanto, isso só é valioso como um passo posterior, depois que o trabalho fundamental mais importante foi feito para construir as bases para uma cultura orientada por dados.

A primeira etapa é reconhecer a necessidade de melhores habilidades de dados em toda a força de trabalho científica. O trabalho do químico no futuro terá menos a ver com fazer amostras e mais com gerar dados que podem ser transformados em insights úteis. As empresas mais bem-sucedidas já estão aumentando a alfabetização básica em dados de todos os seus funcionários e se concentrando nas principais habilidades e ferramentas de software que ajudarão seus cientistas a se adaptarem a essa mudança de paradigma.

O químico do futuro não precisará ser um programador, da mesma forma que o químico de hoje não precisa ser um vidraceiro. Ele precisará ser hábil em visualização, para ajudá-lo a explorar rapidamente seus dados e comunicar insights. Ele precisará entender a modelagem estatística e os fundamentos do aprendizado de máquina para extrair o máximo de insights de dados pequenos e grandes. E precisará usar planejamento estatístico de experimentos para produzir os dados mais valiosos. A JMP criou um recurso de treinamento on-line gratuito, o Statistical Thinking for Industrial Problem Solving, que dará a você uma introdução a todos esses tópicos. Saiba mais na coleção Chemistry World Design of Experiments em parceria com a JMP.