Attualmente sono staff data scientist presso Tesla Motors, a Palo Alto, California dove sono responsabile di un gruppo di quattro persone. Lavoro all’interno della Product Excellence e il gruppo che guido è responsabile dell’analisi dei dati che provengono dalle nostre auto al fine di capirne l’utilizzo, identificare problemi prima che si manifestino sul campo e provvedere ai dati per il design dei componenti di nuovi modelli. Usiamo le tecnologie più avanzate di analisi dei dati e machine learning combinate con approcci basati su statistica classica.
Quella del data scientist è una delle figure più nuove e richieste attualmente nel mercato dell’high tech e non solo
Quella del data scientist è una delle figure più nuove e richieste attualmente nel mercato dell’high tech e non solo. Il mio percorso per diventare data scientist è stato tutt’altro che lineare. Questa non linearità è iniziata molto presto, quando ho deciso di fare la tesi conclusiva dei miei cinque anni di Ingegneria delle Telecomunicazioni in America presso la University of Southern California a Los Angeles. Tornato in Italia, ho rifiutato la proposta di un dottorato di ricerca per andare a lavorare in Menarini dove mi sono occupato di standardizzare le infrastrutture IT nelle numerose aziende acquistate dal gruppo. Successivamente mi sono lanciato nel nascente mondo delle dotcom con Motoride.com, una start-up di e-commerce fondata in collaborazione con The Boston Consulting Group, Morgan Stanley e Piaggio. Dopo aver coperto il ruolo di chief technology officer a Motoride avevo l’opportunità di ritornare nel mondo del corporate IT oppure farmi coinvolgere in una iniziativa che all’epoca (2002) stava nascendo all’interno dell’Università di Firenze: un centro di eccellenza per il trasferimento tecnologico. Dopo l’intensa esperienza di Motoride mi sono trovato più incline verso un mondo meno strutturato con più libertà di azione (anche se decisamente meno redditizio dal punto di vista economico).
«Desideravo mettermi alla prova in un contesto meno “garantito” in cui avrei potuto capire, più velocemente, se potevo raggiungere risultati concreti con la ricerca»
Ho iniziato la mia avventura al Micc dell’Università di Firenze, dove per un anno ho ricoperto il ruolo di factotum, focalizzandomi nel creare l’infrastruttura e arruolare collaboratori. Contemporaneamente mi sono interessato di web semantico che mi avrebbe portato a iniziare, sempre all’interno della struttura del Micc, un dottorato in Ingegneria Informatica e delle Telecomunicazioni con il professor Alberto Del Bimbo. Nella mia ricerca, che mi ha portato a spendere un anno nei laboratori di ricerca di Hewlett-Packard a Bristol, mi sono occupato di linguaggi della descrizione della conoscenza e in particolare di come descrizioni logiche comprensibili per computer possano essere usate nel riconoscimento e classificazione di video e immagini. Terminato il dottorato avevo davanti tre anni di ricercatore a contratto ma ho preso ancora una volta una decisione “impopolare”. Invece di passare tre anni con un lavoro garantito – che però avrebbe potuto non offrirmi opportunità di mettere alla prova le mie abilità e farmi capire se la ricerca era veramente quello che avrei voluto fare “da grande”- ho deciso di andarmene in Canada e iniziare un post dottorato alla Simon Fraser University di Vancouver. Desideravo mettermi alla prova in un contesto meno “garantito” in cui avrei potuto capire, più velocemente, se potevo raggiungere risultati concreti con la ricerca.
Il piano ha funzionato e in un anno ho svolto un prolifica ricerca nel campo di Web Semantico ed e-learning. Dopo questa esperienza ho accettato un altro post dottorato, tornando alla University of Southern California e lavorando in collaborazione con Chevron per modellare eventi complessi per la gestione di riserve petrolifere. Era il 2008 e come ricorderete la crisi stava imperversando in America al punto che i fondi per la mia ricerca sono stati cancellati costringendomi per alcuni mesi a lavorare part-time come consulente informatico. Alla fine del 2008 mi sono spostato a Portland nell’Oregon, dove ho cominciato a lavorare a un progetto di ricerca del National Institute of Health (Nih) per raccogliere dati su risorse biomedicali.
«Ho scelto Tesla. Certo non è stato facile il passaggio dalla realtà accademica e una compagnia veloce e aggressiva come Tesla ma finora l’avventura è entusiasmante»
Sono restato all’Oregon Health & Science University (Ohsu) per quattro anni creando un gruppo di ricerca che continua con successo a partecipare a ricerche nazionali e internazionali in campo biomedico. Il mio lavoro a Ohsu è stato principalmente rivolto a definire “ontologie” o modelli logici per rappresentare dati biomedici, in campo clinico e genomico, e per descrivere e rendere pubbliche risorse usate in ricerca (come certi modelli per malattie, datasets o articoli). Mi sono trovato a essere interessato sempre di più all’intersezione di due mondi che compongono l’universo dei dati: quello della modellazione (che parte dalla definizione di un modello logico che viene poi usato per descrivere o catalogare dati) e quello dell’analisi (che parte dall’osservazione analitica dei dati che detta criteri per definire modelli). Avendo un solido background nella modellazione ho investito tempo per tornare a studiare (in particolare utilizzando classi disponibili sul web attraverso la piattaforma Coursera) parti di analisi di dati focalizzandomi su machine learning e Python. Al momento (fine 2012) il termine “Data Science” stava esplodendo e stava iniziando il 1° programma intensivo full time per formare Data Scientist a San Francisco. Quasi per scherzo ho fatto domanda per entrare nella 1a edizione del programma e sono stato accettato. Ho preso aspettativa dal lavoro in Oregon e mi sono imbarcato in direzione di Zipfian Academy a San Francisco.
«Ogni tre/sei mesi ho come regola di fare almeno due colloqui di lavoro per capire come si colloca il mio profilo sull’attuale mercato»
Alla fine dei tre mesi avevo la possibilità di tornare al lavoro in Oregon, accettare un’offerta che avevo ricevuto dell’Università di Stanford per lavorare sugli stessi temi della mia “vecchia” ricerca oppure lanciarmi nell’emergente campo della Data Science accettando l’offerta di Tesla. Ho scelto Tesla. Certo non è stato facile il passaggio dalla realtà accademica e una compagnia veloce e aggressiva come Tesla ma finora l’avventura è entusiasmante. Il campo della Data Science è nuovo e sempre in evoluzione per cui è molto importante tenersi aggiornati e non è sempre facile con i ritmi di lavoro che la mia attuale posizione richiede. Per il momento cerco di usare il mio lavoro come opportunità di sperimentare e imparare soprattutto collaborando e interagendo con persone interne al team o all’azienda: sono circondato da persone straordinarie in termini di capacità ed esperienza e cerco di imparare il più possibile da loro. Al contempo, trovandomi nel centro planetario della Data Science, cerco di partecipare ai numerosi meet-up ed eventi che raccolgono esperti del campo a San Francisco e dintorni e dedicare il (poco) tempo libero per aggiornarmi usufruendo delle numerosissime risorse di alto livello disponibili sul web (Coursera, edX, etc.). Un altro aspetto importante per lo sviluppo professionale è tenere sempre il polso sul mercato del lavoro (giornalmente scorro le varie mail che ho impostato su indie.com capendo cosa viene richiesto sul mercato) e ogni tre/sei mesi ho come regola di fare almeno due colloqui di lavoro per capire come si colloca il mio profilo sull’attuale mercato e per essere pronto per la prossima avventura.
*Staff Data scientist di Tesla Motors
Extra Moenia è un trimestrale monografico in italiano e inglese, espressione del centro studi che analizza: #istruzione #formazione #lavoro #welfare. Direttore responsabile: Dott. Regondi Stefano