Вашей команде мечты по автоматизации нужны разработчики RPA и специалисты по данным

Представьте, что вы финансовый директор (CFO), и вот-вот начнется следующий квартал. Предыдущий квартал был хорошим, но ваша интуиция подсказывает, что следующий квартал будет лучше.

В идеальном мире вы бы перешли от инстинктивного оптимизма к предсказанию, основанному на данных. С первого дня вы будете знать, сколько денег будет в вашем отделе к концу квартала. Вы бы точно знали, на что у вас есть бюджет и какие ресурсы вы можете выделить в следующем квартале.

Сочетая прогностические возможности искусственного интеллекта (ИИ) и машинного обучения (МО) с автоматизацией, вы можете донести эту ценную информацию до кончиков пальцев. Однако существует разрыв:две команды, которые могут решать эти сложные проблемы с данными, обычно не работают вместе. Я говорю о ваших разработчиках роботизированной автоматизации процессов (RPA) и ваших специалистах по обработке и анализу данных.

Наборы навыков ваших специалистов по данным и разработчиков RPA дополняют друг друга. При правильном управлении вы можете настроить новые рабочие процессы, в которых используются и то, и другое. Когда вы это сделаете, вы сможете быстрее масштабировать машинное обучение, высвободить специалистов по данным для более сложной работы, повысить квалификацию разработчиков RPA и в полной мере использовать обе команды для достижения бизнес-результатов. Первая задача, которую нужно решить, – освободить специалистов по обработке и анализу данных от их разрозненности.

Ученые, работающие с данными, изолированы друг от друга

Чтобы практически внедрить ИИ на предприятии и преобразовать вашу организацию с помощью автоматизации, ключевым моментом является объединение команд разработчиков RPA и специалистов по данным. Разрозненность — не редкость, особенно на крупных предприятиях, но объединение этих двух конкретных команд — одно из самых эффективных изменений, которые вы можете сделать. Обе команды хотят помочь информировать о лучших, более разумных процессах и бизнес-решениях, но это не означает, что они работают вместе. Как правило, между командами существует организационный разрыв, из-за которого они используют излишне разные средства для достижения сходных целей.

Недостаточное использование ваших специалистов по данным может привести к потере значительного времени и ресурсов. Glassdoor сообщает, что средняя зарплата специалиста по данным в США составляет 113 309 долларов. Помимо чистой зарплаты, есть и альтернативные издержки, связанные с расточительством ваших специалистов по данным.

В настоящее время не хватает специалистов по данным, поэтому, если у вас есть команда, лучше всего использовать ее потенциал в полной мере. К сожалению, эти редкие и дорогие единороги часто неправильно понимаются как организациями, которые их используют, так и командами RPA, с которыми они могли бы работать.

Почему компании часто неправильно понимают специалистов по данным

Есть четыре основные причины, по которым компании недооценивают ценность специалистов по обработке и анализу данных:

1. Трудно сформулировать их коммерческую ценность. Согласно опросу Anaconda Data Science 2020 года, менее половины (48%) специалистов по данным считают, что они могут продемонстрировать влияние науки о данных на результаты бизнеса.

2. Окупаемость инвестиций стоит дорого. Специалистам по данным, которые и без того обходятся дорого, часто требуется больше ресурсов, чем компании готовы инвестировать. Наш собственный Джереми Тедерри, менеджер по продуктам машинного обучения в UiPath и бывший специалист по данным, однажды ушел из компании, потому что у нее не было ресурсов для запуска модели машинного обучения в производство.

3. Их работа бесполезна без совместной работы. Внедрить результаты науки о данных в производство, где они могут повлиять на бизнес, не всегда просто. Чтобы добиться успеха, специалистам по данным нужна межорганизационная поддержка. По словам Тедерри, «модели машинного обучения сами по себе ничего не могут и не делают — они должны работать вместе с другими командами и быть частью более крупного проекта, чтобы добиться успеха».

4. Большая часть их усилий уходит на невидимую работу. Согласно упомянутому выше опросу Anaconda по науке о данных, 45% специалистов по данным тратят свое время на подготовку данных (загрузку и очистку), прежде чем они попадут в модель данных или визуализацию. Это может сильно разочаровать специалистов по обработке и анализу данных (как видно из твита ниже).

Источник

Когда эти четыре причины объединяются, компании склонны недооценивать и недостаточно использовать своих специалистов по данным. Однако мало кто знает, что до раскрытия их ценности всего одна команда.

Разработчики RPA также неправильно понимают специалистов по данным

Мышление разработчиков RPA и специалистов по данным, как правило, различается, потому что у них разные рабочие процессы и разные временные рамки. Когда ваш рабочий процесс расходится, ваше мышление тоже. Это естественно, но также затрудняет взаимодействие этих команд между отделами, создавая разрозненность.

Трунг Нгуен, специалист по данным в MSD, дает хороший пример. В статье об интеллектуальной автоматизации он разбивает рабочие процессы RPA и ML на отдельные диаграммы, которые вы можете увидеть ниже. Посмотрите, в частности, как разработчик RPA сосредотачивается на написании правил, а специалист по обработке и анализу данных — на обучении моделей машинного обучения.

Обе команды начинают с изучения, и обе будут оценивать, запускать и анализировать ошибки в своих решениях. После этого разработчик RPA обычно меняет свою стратегию, когда сталкивается с изменениями в окружающей среде, тогда как специалисты по обработке и анализу данных обычно направляют отзывы в данные, которые служат для дальнейшего обучения их моделей машинного обучения.

На первый взгляд это может показаться незначительной разницей, но если вы уменьшите масштаб и посмотрите на временные шкалы, различия будут возрастать.

Временной горизонт для решения сложных проблем, для решения которых лучше всего подходят специалисты по данным, составляет не менее шести месяцев. Вместо этого разработчики RPA, как правило, используют гибкие рабочие процессы, измеряя прогресс в неделях. Это означает, что разработчики RPA, погруженные в эти более быстрые рабочие процессы, склонны думать с точки зрения быстрых решений, в то время как специалисты по данным склонны к более исследовательским проектам.

Навыки RPA-разработчика и специалиста по данным:разные, но дополняющие друг друга

Когда лидеры объединяют разработчиков RPA и специалистов по данным, преимущества, которые они могут принести организациям, больше, чем сумма их частей. Разработчик RPA может автоматизировать гораздо более сложные процессы, работая с специалистом по данным, чем в одиночку, а специалист по данным, работающий с разработчиком RPA, может работать быстрее и лучше концентрироваться, чем когда-либо прежде.

Несмотря на описанный нами разрыв, разработчики RPA и специалисты по обработке и анализу данных говорят на одном языке — или, по крайней мере, кодируют его.

Отчет UiPath State of RPA Developers Report 2020 показывает, что более 90% разработчиков RPA имеют высшее образование и что Python уже является одним из самых популярных языков, известных разработчикам RPA. Разрыв в знаниях не так велик, как может показаться.

Есть желание преодолеть и этот пробел. В нашем исследовании разработчики RPA уже указывают, что они хотят больше узнать о темах, смежных с наукой о данных. В исследовании UiPath «Влияние RPA на опыт сотрудников» более 80% разработчиков RPA указали, что хотят узнать об искусственном интеллекте и машинном обучении. А в отчете UiPath State of RPA Developers Report 2020 несколько разработчиков RPA заявили, что в дополнение к RPA они хотели бы добавить наборы навыков машинного обучения и обработки данных.

Не похоже, что этот разрыв невидим для специалистов по данным. Исследования показывают, что специалисты по данным тратят почти половину своего времени на проблемы, которые разработчики RPA могут решить лучше и быстрее. Помните (согласно опросу Anaconda Data Science Survey 2020, который мы цитировали выше), в среднем 45 % их времени уходит на подготовку данных, прежде чем они смогут использовать их для разработки моделей и визуализаций.

Подведем итог:

1. Разработчики RPA и специалисты по данным могут общаться на одном языке.

2. Разработчики RPA хотят изучить и внедрить науку о данных.

3. Исследователи данных часто застревают на работе, с которой могли бы помочь разработчики RPA.

Таким образом, у нас остается вопрос:как мы можем объединить эти явно дополняющие друг друга команды?

Разрушение стены между специалистами по обработке данных и RPA

Если лидеры смогут разрушить барьеры между этими командами, они откроют огромные возможности для своих компаний. Для этого лидеры должны позволить специалистам по обработке и анализу данных сообщать о своих потребностях разработчикам RPA и координировать обе команды для достижения лучших результатов в решении сложных проблем.

Лидеры могут способствовать сотрудничеству

В умных организациях обеими командами руководит руководитель высшего звена. В нашем тематическом исследовании с банком Heritage Дэвид Джонстон, менеджер по интеллектуальной автоматизации и совершенствованию процессов, сказал:«Команды по анализу данных и автоматизации часто не связаны друг с другом. Однако в нашей организации обе эти команды подчиняются нашему финансовому директору». Это было важной причиной, по которой Heritage Bank, работая с UiPath, смог достичь точности 98% в своих самых последних моделях машинного обучения.

Хотя это не всегда возможно, и если организационные структуры отчетности различны, соответствующие руководители могут обеспечить, чтобы обе команды общались друг с другом и чтобы общение было действительно двунаправленным. Чтобы способствовать такому уровню сотрудничества, лидеры могут продвигать ценные варианты использования, которые подчеркивают преимущества совместной работы обеих команд. Креативность обязательна. Как мы объясняли, специалистов по данным не хватает, поэтому умные руководители найдут новые способы найма специалистов по данным и повышения квалификации разработчиков RPA, чтобы они могли вместо них выполнять работу, связанную с анализом данных.

Разработчики RPA могут помочь исследователям данных

Когда у специалистов по данным возникает проблема, разработчики RPA могут прийти на помощь.

Inside Big Data указывает на две основные проблемы, с которыми обычно сталкиваются специалисты по данным:

1. Специалисты по данным, как правило, не имеют достаточно размеченных обучающих данных для обучения своих моделей обучения.

2. Специалистам по данным, как правило, приходится использовать теоретические данные из наборов данных песочницы, а не данные из реальных случаев использования.

Именно здесь на помощь приходят разработчики RPA. Разработчики RPA могут помочь специалистам по обработке и анализу данных следующим образом:

• Создание метаданных: Программные роботы, особенно в сочетании с анализом процессов, оставляют следы данных по мере выполнения задач, что делает процессы более понятными для специалистов по данным.

• Доступ к устаревшим системам: Программные роботы работают с устаревшими системами и делают доступными данные, которые раньше хранились в старых инструментах.

• Как сделать данные пригодными для использования: Разработчики RPA могут разбивать большие наборы данных на полезные компоненты, а также упорядочивать, маркировать и очищать разрозненные фрагменты данных в единое целое.

• Внедрение готовых модулей ИИ: Многие варианты использования машинного обучения и искусственного интеллекта не новы, и вместо того, чтобы специалисты по данным создавали модели с нуля, разработчики RPA могут развертывать уже существующие модули.

• Использование AutoML для экономии времени: Разработчики RPA могут использовать AutoML, чтобы определить, какая прогностическая модель является наиболее точной, гарантируя, что специалистам по данным не придется создавать и тестировать несколько моделей для данного варианта использования. Это освобождает специалистов по данным для работы над более сложными задачами.

Эти преимущества в совокупности не только улучшают жизнь ученых, занимающихся данными, но и помогают им достичь большего, чем они могли раньше. Разработчики RPA позволяют специалистам по данным выполнять свою работу быстрее и лучше, а также упрощают развертывание окончательного решения.

UiPath может помочь вашим специалистам по обработке данных и разработчикам RPA достичь новых высот — вместе

Цель дальновидного предприятия состоит не в том, чтобы найти компромисс между двумя часто расходящимися командами; это перестроить их обоих так, чтобы они могли достичь большего вместе, чем порознь. Науке о данных нужны точные, чистые и проверенные данные. Процессы RPA производят чистые данные и часто начинают с беспорядочных и неструктурированных данных.

Без правильного набора инструментов, который отображает данные о бизнес-процессах и рабочих процессах автоматизации, даже лучший руководитель будет бороться за то, чтобы две команды работали вместе. Платформа UiPath предоставляет компаниям инструменты, необходимые для объединения их команд по обработке данных и RPA.

UiPath может помочь специалистам по данным:

• Создавайте программных роботов, которые собирают данные в одном консолидированном месте

• Доставьте «последнюю милю» MLOps с помощью UiPath AI Center и разверните модели в рабочей среде

• Докажите окупаемость создаваемых ими моделей, что позволит им больше времени уделять изучению данных и уточнению моделей, решающих реальные проблемы

• Используйте готовые ИИ-решения, такие как UiPath Document Understanding и AI Document Understanding

UiPath помогает разработчикам RPA:

• Быстро тестируйте и развертывайте модели ИИ

• Используйте готовые модели искусственного интеллекта, чтобы специалистам по данным не приходилось создавать их с нуля, и они могли сосредоточиться на новых проблемах и решениях

• Используйте возможности AutoML с легкостью перетаскивания с помощью AI Center

• Развертывайте многоразовые компоненты RPA, включая машинное обучение, с помощью UiPath Marketplace

Давайте рассмотрим последний пример:если ваша компания хочет начать использовать анализ настроений, ваши разработчики RPA могут внедрить одну из наших начальных моделей и предоставить ей данные, необходимые для работы. Если ваша компания затем хочет сделать анализ настроений более точным и надежным или иным образом настроить данные алгоритмы, вам нужен специалист по данным.

Другой способ думать об этом таков:если вы используете математику для решения проблемы, это роль разработчика RPA; если вы пытаетесь разобраться в математике, это роль специалиста по данным. UiPath предоставляет платформу, которая включает в себя оба типа работы.

Ваша компания сможет сделать гораздо больше, чем вы себе представляли, если объедините науку о данных и RPA. UiPath AI Center позволяет вам — независимо от того, есть ли у вас опыт работы с данными или нет — перетаскивать ИИ прямо в ваши бизнес-процессы. Чтобы получить практическое представление, попробуйте пробную версию UiPath AI Center уже сегодня.

Присоединяйтесь к лидерам ИИ и экспертам UiPath на саммите UiPath AI Summit!

Виртуальное мероприятие будет проходить в течение четырех недель, начиная с 24 февраля 2021 года. Независимо от того, являетесь ли вы новичком в области искусственного интеллекта или опытным специалистом по искусственному интеллекту, стремящимся повысить эффективность своих роботов, для вас найдется занятие.