Sí. Yo tengo.
En primer lugar, permítame decirle que estoy en el último año de mi estudio de pregrado en busca de una licenciatura en CSE (Ingeniería en Ciencias de la Computación). Como tú, no lo soy, y nunca fui bueno en matemáticas. Entonces, cuando empecé CSE en la universidad, honestamente no sabía nada de eso. No tenía idea de que el 50% de la CSE sería matemática, el 30% serían ensambladores, microprocesadores y otro tipo de detalle de hardware, dejando un escaso 20% de lo que un lego podría considerar que la CSE es como la de las películas y Hollywood. Puedes imaginarte que tan grande fue el golpe. Una vez entre los primeros, mis punteros bajaron del promedio a debajo del promedio para ser completamente arriesgados. Todo por el hecho básico de que nunca disfruté ni un poco de lo que se estaba poniendo en el programa del curso.
Al final de mi primer año, me había dado cuenta de que si las cosas seguían así, iba a terminar sin trabajo en la calle. Entonces, me uní a un grupo de proyecto bajo el jefe de mi departamento. De nuevo, sin ningún conocimiento previo de lo que hicieron. Resulta que solían trabajar en el procesamiento del lenguaje natural y la lingüística computacional. Sin embargo, durante ese proceso me introdujeron en Machine Learning y encontré mi único amor verdadero. Nuestro grupo de proyecto no tenía un equipo de ML y decidí crear uno. Empecé a leer más y más sobre ML. Sus aplicaciones, sus métodos y, muy pronto, conocía bien los campos aleatorios condicionales (CRF), las máquinas de vectores de soporte (SVM), las redes neuronales artificiales (ANN, por sus siglas en inglés), etc. Aprendí algunas herramientas útiles, no porque quisiera aprenderlas, sino porque hicieron que mis tareas de LD fueran un poco fáciles. En el proceso, seleccioné Python, R y algunos otros lenguajes y herramientas.
Mientras tanto, mis indicadores seguían estancados y perdí las principales oportunidades de trabajo en el campus. Pero, en algún lugar dentro, estaba feliz haciendo lo que estaba haciendo. Entonces, continué. Sugiero, incluso usted debería. Sin embargo, creo que un error básico en su diagrama de los campos es la interpretación de la ciencia de datos. Verás, la ciencia de datos es parte de un mundo más grande. Incluso en la pregunta que mencionaste, cito la primera respuesta.
Ciencia de datos es un término más general que incluye trabajar con datos: recuperarlos, limpiarlos, visualizarlos y tal vez algún análisis que pueda requerir aprendizaje automático (aunque no necesariamente).
Por lo tanto, AI requiere Data Science, ML requiere Data Science. No estoy muy seguro con la parte de pirateo, porque nunca me interesó demasiado. La inteligencia artificial y la ciencia de datos tienen una fuerte superposición, pero incluso entonces estos son dos campos de estudio realmente enormes. Las personas pasan toda su vida tratando de terminar o especializarse en un capítulo de todo el libro de AI. Te sugiero que hagas eso. Elija una especialización, un solo capítulo dentro del campo AI o Ciencia de datos, enfóquese en eso, y podría encontrar su interés. Esa es la belleza del estudio universitario, ya ves. Nos ofrecen un amplio espectro de opciones. Por ejemplo, comencé con algo que odio (CSE) y terminé con algo que amo absolutamente (ML). Sin embargo, para hacerlo, tuve que aprender algo de programación de computadoras, cómo funcionan los equipos, los procesadores y los flip-flops, y cómo podría optimizar mis programas. Cuando trabaja con datos en el rango de tera y peta bytes, necesita optimizar su estructura de datos, subprocesos y bucles. Tuve que hacer todo eso. Espero que encuentres tu verdadero amor pronto. Sólo hay que mirar más de cerca.
Por cierto, hace poco conseguí un trabajo de Data Scientist como una empresa fresca en una empresa respetable. Entonces, a pesar de que perdí una tonelada de trabajos de Ingeniería de Desarrollo de Software en una tonelada de compañías, supongo que después de todo había un lado positivo. La mejor de las suertes.