🔬 Un investigador clínico que escribe en Nature propone cambiar cómo aprendemos a programar con IA. Su experiencia apunta a priorizar métodos, revisar código y dividir tareas, en vez de memorizar sintaxis. También recomienda separar archivos y usar datos ficticios para crear análisis reproducibles y proteger los datos reales.
El autor aconseja conocer qué métodos existen, cómo funcionan y cuándo usarlos. Leer la documentación ayuda a guiar a la IA sin recordar cada detalle de sintaxis. También propone pedir bloques pequeños de código, cada uno con una tarea: leer datos, ajustar sus valores o generar gráficos. Así puede localizar errores, corregir un bloque y reutilizarlo en otros proyectos.
Ordenar los archivos también cuenta. El autor relata que llegó a sobrescribir sus datos originales, aunque tenía una copia de respaldo. Para evitarlo, adoptó una estructura como la de Cookiecutter Data Science: datos originales en una carpeta de solo lectura, código en otra y resultados en una tercera.
Para trabajar con datos sensibles, comparte con la IA los nombres de las columnas, los tipos de datos y el tamaño de la tabla. Le pide crear datos ficticios con esa misma estructura y usarlos para escribir, probar y corregir el código. Después lleva ese código a un entorno local seguro, donde lo ejecuta con los datos reales sin compartirlos con el modelo.
✅ Estos consejos buscan que puedas aprovechar la IA sin perder el control del análisis ni de tus archivos. El límite: proceden de la experiencia del autor; el texto no presenta un estudio que mida sus resultados.
