Domina el Big Data

Los 5 mejores libros para principiantes e intermedios

El mundo de la creación de datos es alucinante. En 2018, el mundo almacenaba, gestionaba y consumía 33 zettabytes de ellos (1 ZB equivale a 10²¹ bytes); y ahora se prevé alcanzar un volumen anual de 175 zettabytes para el 2025, lo que supone una generación de aproximadamente 491 petabytes diarios a nivel internacional (1 PB equivale a 10¹⁵ bytes), de acuerdo con un análisis de Deloitte. En el 2024, se estima que cada día se crean entre 380 y 390 petabytes de datos.

Para entender mejor estos números, debemos partir de un ejemplo que comparte Daniel Restrepo Hincapié, ingeniero sénior de Big Data en SoftServe, compañía global de tecnologías de la información (TI) líder en desarrollo de software y consultoría: «Si ver una hora de video 4K consume hasta 14 gigabytes de datos, 1 zettabyte sería almacenar casi 1,100 millones de videos. Entonces, si alguien empieza a ver videos 4K de una hora sin parar, le llevará casi toda la vida útil del universo terminarlos«. El espacio digital se expande a un ritmo sin precedentes, desde usos comunes hasta la generación masiva de información que traerá una utilización extendida de los modelos de lenguaje grande (LLM, por sus siglas en inglés) o de la inteligencia artificial (IA).

Sin embargo, a pesar del volumen de datos creados, sólo se analiza una quinta parte de ellos según un estudio de Seagate; lo que significa que hay un enorme valor que se queda sin tocar. Tal brecha empieza a reducirse con los servicios que constantemente se desarrollan, actualizan y lanzan en la industria; abriendo enormes oportunidades en el mercado laboral «techie«. El mercado de Big Data ha crecido 5.3 veces en los últimos siete años, alcanzando un valor de 829 mil millones de euros para 2025 según la Comisión Europea. «A medida que aumente la demanda, habrá una gran necesidad de especialistas cualificados en Big Data. Si estás pensando en hacer carrera dentro de este campo tan dinámico, ¡la oportunidad es hoy!«; subraya el experto.

Para quienes se sientan atraídos por esta oportunidad laboral, Daniel Restrepo comparte una lista de cinco libros que guiarán a principiantes e intermedios por los principios fundamentales y las técnicas más vanguardistas de Big Data, con el fin de avanzar en sus conocimientos y prosperar profesionalmente:

1. Lectura obligada – Fundamentos de ingeniería de datos: planificar y construir sistemas de datos robustos

«Fundamentals of Data Engineering: Plan and Build Robust Data Systems» es más que un libro: es todo un viaje al corazón de la ingeniería de datos,dirigido por los expertos Joe Reis y Matt Housley. En él, se parte de que el camino hacia la comprensión de los datos siempre comienza con lo básico e implica lidiar con datos sin procesar ni refinar, lo que puede resultar abrumador para los principiantes. Sin embargo, los conocimientos y experiencia de los autores guían a los lectores por la vasta información; enseñándoles cómo planificar, diseñar y construir sistemas de datos que almacenarán ideas y conocimientos valiosos.

A medida que se explora más a fondo el texto, se muestran los principios fundamentales de una arquitectura de datos eficaz y una visión completa del panorama de la ingeniería de datos, llegando hasta conceptos clave de nivel medio-alto. No sólo cubre aspectos centrales, sino que también profundiza en las tendencias emergentes que se vislumbran en el horizonte, destacando nuevas perspectivas y desafíos bajo la mirada de los fundamentos de Azure Data y los servicios en la nube.

2. Progresando paso a paso – Ingeniería de datos con Python

«Data Engineering with Python» es una guía bien elaborada para navegar por lascomplejidades del diseño e implementación de pipelines (conjuntos de procesos automatizados que permiten la transferencia de datos de una fuente a un destino específico) y conectividad de las bases de datos; enseñando al lector el arte y la ciencia de diseñar, orquestar y gestionar sofisticados pipelines (canalizaciones, tuberías o cauces) de datos.

Mientras uno avanza la lectura, se introduce en las técnicas ETL (Extract, Transform, Load), fundamentales para la ingeniería de datos; aportando una habilidad crítica para convertir datos sin procesar en perspectivas significativas. Python, con su gran cantidad de bibliotecas y herramientas, emerge como el héroe del libro que también ofrece implementos para agilizar el flujo. Por otro lado, va más allá de la conexión de bases de datos, al explorar la personalización de las canalizaciones y poniendo de relieve la flexibilidad de Python, valiéndose de ejemplos claros. Los capítulos finales entregan una buena colección de conocimientos técnicos y dejan una fuerte sensación de empoderamiento.

3. ¿Tienes dudas? Abre tu perspectiva con The Datapreneurs

«The Datapreneurs, the promise of AI and the Creators Building Our Future» (Los Datapreneurs, la promesa de la inteligencia artificial y los creadores que construyen nuestro futuro) proyecta el futuro más allá de los algoritmos y las máquinas, dándole su lugar a las personas que les dan vida. En este libro, Bob Muglia desentraña cómo la simbiosis entre el ingenio humano y los datos digitales es la piedra angular que conduce a la nueva era de la tecnología que es la inteligencia artificial. Sus capítulos ofrecen un viaje por la evolución de la IA, obteniendo el lector una comprensión exhaustiva de su nacimiento y la hoja de ruta hacia el futuro.

Este material no hay que leerlo como una perspectiva única, sino más bien como una colección de voces que incluyen a expertos del sector y líderes de opinión. Mediante conversaciones, presenta una visión profunda de los beneficios y riesgos potenciales asociados a la inteligencia artificial; que son un reflejo del poder transformador de las tecnologías basadas en datos, poniendo sobre la mesa cuestiones éticas y sociales.

4. Aquí está lo bueno – «Aprender Spark» (2ª edición)

«Learning Spark» se adentra en el corazón de la manipulación de datos y el descubrimiento de conocimientos, a través de conceptos esenciales y aplicaciones prácticas que encarna Apache Spark (un framework de computación en clúster open-source desarrollado por la Universidad de California y lanzado en 2014). El viaje comienza con una exploración de sus cimientos, donde los autores revelan la red interconectada del marco Spark; exponiendo la esencia de los RDD (Resilient Distributed Datasets) y de la resiliencia del framework con su arquitectura distribuida.

El texto despliega también los estándares API DataFrame, Dataset y Spark SQL, la transmisión estructurada y el «arte alquímico» del aprendizaje automático con MLlib. Por otro lado, los autores comparten la tradición de desplegar aplicaciones Spark, una especie de «rito de paso» para todo profesional del framework; aparte del conocimiento para garantizar que cada chispa de datos encienda las llamas de la información con la máxima eficiencia. Al respecto, Daniel sugiere añadir a la biblioteca el libro «Spark Cookbook» de O’Reilly, para descubrir atajos potentes, técnicas y prácticas que le harán la vida más fácil a los interesados.

5. Explorando la caja de Pandora – Diseño de aplicaciones intensivas en datos

«Designing Data-Intensive Applications» está hecho para navegar por los complejos sistemas de grandes volúmenes de datos, mediante ejemplos del mundo real y estudios de casos. Sirve como una guía para identificar y analizar los componentes básicos en la construcción de sistemas de datos a gran escala, concebidos para dar soporte a los mercados mundiales; y profundiza en tres principios clave que cimentan tales sistemas: fiabilidad, escalabilidad y mantenibilidad.

El libro teje puentes entre la teoría y la práctica. Mediante aplicaciones reales, los lectores son testigos de la acción de los principios del diseño de datos. Además, proporciona una comprensión profunda de los sistemas a un nivel técnico más alto. Sus casos prácticos no sólo muestran el camino para crear sistemas fiables, escalables y mantenibles de datos; sino que también ofrecen inspiración y conocimientos para lograr obras maestras de ingeniería. Es como embarcarse en un gran viaje por la comprensión del Big Data.

¿Por qué consultar estos libros?

Daniel Restrepo comenta que estos cinco textos se volvieron guías invaluables para su desarrollo como experto en Big Data, bajo la premisa de que «la práctica hace al maestro«. «Si te interesa dedicarte al campo del Big Data, estos libros que me ayudaron mucho en mi carrera inicial pueden servirte como punto de partida. No estoy diciendo que se convertirán en la fórmula mágica para cualquiera que quiera seguir la misma ruta profesional, pero podrían darle un buen comienzo en el mundo de los datos. Recuerda que tú eres el dueño de tu propio ritmo y dirección«; concluye el ingeniero sénior de Big Data en SoftServe.

Acerca de SoftServe

SoftServe es una autoridad digital que asesora y proporciona servicios tecnológicos de vanguardia. Como la mayor empresa global de TI con raíces ucranianas, ofrece soluciones de desarrollo de software y consultoría. Con más de 11,000 empleados en 50 centros, oficinas y ubicaciones de clientes en todo el mundo, SoftServe es una de las mayores compañías de desarrollo de software de Europa Central y Oriental. Sus sedes centrales se encuentran en Lviv (Ucrania) y Austin (Texas, EE.UU.). Cuenta con centros de desarrollo en Ucrania, Polonia y Bulgaria, y en 2022 comenzó a operar en Rumanía, México, Chile y Colombia.

Para mayor información, visita www.softserveinc.com.

O síguenos en:

Facebook: @SoftServeInc

Twitter: @SoftServeInc

LinkedIn: @softserve
Blog: www.softserveinc.com/en-us/blog