Возвращение к тому, что вам нравится в данных:решение распространенных головных болей в науке о данных с помощью AI Fabric

Примечание редактора: Поскольку рынок автоматизации продолжает развиваться, платформа UiPath также обновляется, чтобы наилучшим образом удовлетворять потребности наших клиентов в автоматизации. Таким образом, некоторые названия продуктов в этой статье изменились с момента ее первоначальной публикации. Для получения актуальной информации, пожалуйста, посетите страницу нашего Центра искусственного интеллекта <я>.

Я люблю работать с данными. Но вызывает ли это у меня какое-то разочарование? Еще бы.

Проработав специалистом по данным более пяти лет, я чувствовал боль, пытаясь сбалансировать свои амбиции в отношении данных с ограничениями, возникающими при их операционализации. Например, я уволился с работы в компании, которая мне нравилась, потому что у нас не было ресурсов для внедрения модели машинного обучения (ML). Мы очень усердно работали над решением задач с использованием данных и в итоге не имели возможности повлиять на продукт. Когда ваша работа увязнет в организационных и операционных проблемах, можно легко впасть в уныние и забыть о том, почему вам вообще нравилось работать с данными.

В этом блоге я хотел бы рассказать о путешествии специалиста по данным:

• Что мотивирует нас интересоваться миром данных

• Ограничения, с которыми мы сталкиваемся, когда ожидания совпадают с реальностью

• Возможности, которые у нас есть, чтобы изменить то, как мы оперируем данными, лучше интегрируя науку о данных в такие технологии, как Robotic Process Automation (RPA)

• Почему я в восторге от AI Fabric, решения, которое объединяет искусственный интеллект (ИИ) с RPA, чтобы открыть новые возможности для максимально эффективного использования данных

Из любви к данным мне нравится творчески подходить к решению проблем, а данные дают возможность творчески решать проблемы.

Использование данных для решения сложных задач и решения проблем, влияющих на жизнь людей, казалось мне естественным карьерным путем. Многие специалисты по данным, с которыми я работал, пришли в поле, чтобы научиться использовать данные для решения проблем. Мы увлечены изучением имеющихся у нас данных, изучением, разработкой и использованием алгоритмов машинного обучения для тестирования наших данных, а затем поиском способов реализации новых решений с помощью мощи и идей, которые мы используем с помощью моделей, которые мы создаем.

Когда я решил стать специалистом по данным, я знал, что работа связана с задачами и возможными головными болями. Независимо от типа данных, с которыми вы работаете, вы неизбежно:

• Тратьте время на обработку и очистку своих данных

• Подождите некоторое время, пока ваши модели будут обучаться

• Потратьте время на пробу различных гиперпараметров

Чем больше я работал с данными, тем больше осознавал, насколько сложной может стать наука о данных в рамках организации. Реальность, связанная с тем, чтобы быть специалистом по данным, начала затмевать мои первоначальные мотивы для работы в этой области.

Когда реальность поражает:формирование ожиданий и комплексное управление данными

Многие компании используют подход к разработке, основанный на данных, и находятся на начальных этапах изучения машинного обучения. Роль специалиста по данным все еще довольно редка и во многих случаях понимается неправильно. У специалистов по данным могут возникнуть различные проблемы, когда мы начинаем использовать данные в компании и двигаться вперед, используя данные для решения проблем.

Создание ожиданий относительно того, что организация может — и не может — делать с ML, — это одна из областей, на которую мы тратим много времени. Важно информировать других о характере нашей роли специалистов по данным, о том, на чем мы хотим сосредоточить свое время и что нам нужно для успеха наших проектов.

Еще одна проблема заключается в том, что операции по науке о данных часто разрознены внутри организаций. Это может ограничить способность проектов по науке о данных приносить пользу организации.

Сами по себе модели машинного обучения ничего не могут и не делают — они должны работать вместе с другими командами и быть частью более крупного проекта, чтобы добиться успеха.

Кроме того, часто очень сложно показать возврат инвестиций (ROI), основанный на моделях. Специалисты по обработке и анализу данных часто сталкиваются с трудностями в отстаивании роли машинного обучения в организации. Специалисты по данным могут прокрутить множество циклов, обосновывая ту роль, которую мы хотим сыграть, и то, что нам нужно, чтобы оказать влияние.

Работа с самими данными сопряжена с собственным набором уникальных задач. Мы часто тратим больше времени на сбор, консолидацию и очистку наборов данных, чем на изучение данных и построение моделей. Если в компании еще не построен конвейер непрерывной интеграции и непрерывной доставки (CI/CD) для ваших моделей, большая часть нашего времени уходит на создание масштабируемого конвейера, который перенесет вашу модель с локального компьютера на подготовку и производство. Это не только выходит за рамки нашей работы, но и отнимает у нас время, которое мы хотели бы посвятить построению и тестированию модели.

Непрерывный мониторинг модели также может быть проблемой, к которой вы не готовы. Экспериментируем ли мы с каким-либо дрейфом данных с течением времени? Остаются ли данные в производстве такими же, как данные, которые мы использовали для обучения? Выходы все еще под контролем? С новыми данными наша модель работает так же хорошо, как базовая модель, которая была построена с помощью обучающего набора? Когда вам нужно обновить модель машинного обучения?

Чтобы вернуться к тому, что я люблю, я искал возможности работать в компаниях, которые отдают приоритет интеграции науки о данных в более широкие процессы и планирование. Сегодня я очень рад работать в компании, которая не только отдает приоритет науке о данных внутри компании, но и активно помогает компаниям внедрять и использовать модели машинного обучения для достижения лучших результатов в бизнесе.

Возвращение к тому, что вы любите, с помощью AI Fabric

По мере того, как все больше и больше организаций используют RPA для оптимизации процессов, у специалистов по обработке и анализу данных появляются новые возможности для операционализации данных.

Здесь, в UiPath, мы стремимся объединить науку о данных и RPA и дать компаниям возможность добиваться новых результатов с помощью интеллектуальной автоматизации. Объединив науку о данных с RPA, мы хотим облегчить многие из вышеперечисленных проблем, с которыми специалисты по данным сталкиваются изо дня в день в мире автоматизации. Мы продвигаем эти усилия с помощью AI Fabric.

Похожее чтение: Как банк наследия использует искусственный интеллект и AI Fabric

Мы считаем, что наука о данных и RPA лучше работают вместе. Крайне важно сделать науку о данных неотъемлемой частью Центра передового опыта RPA (CoE), привлекая специалистов по данным, чтобы они рассказали, что возможно при использовании данных и машинного обучения для расширения возможностей RPA.

Разрабатывая AI Fabric, мы стремимся помочь организациям рассматривать машинное обучение как один из этапов процесса автоматизации. Мы хотим помочь пользователям более плавно интегрировать ML с разработкой RPA. Используя AI Fabric и RPA, специалисты по данным могут упростить создание конвейеров данных с помощью инструментов, ориентированных на предварительную обработку и сбор данных. Они могут легко развертывать модели, отслеживать модели и использовать рабочий процесс RPA, предназначенный для совместной работы людей и моделей машинного обучения.

Интегрируя науку о данных с RPA, мы хотим помочь специалистам по данным доказать окупаемость созданных и развернутых моделей и сосредоточить большую часть времени на изучении данных и уточнении моделей, которые решают реальные проблемы.

Что бы вы сделали, если бы у вас было больше свободы, чтобы сосредоточиться на своих данных?

Из личного опыта я знаю, что предоставление специалистам по данным возможности сосредоточиться на решении проблем с использованием данных и интеграции науки о данных в существующие процессы может изменить способ развития и роста организации.

Для меня важнее всего помогать клиентам добиваться лучших результатов. Работая в UiPath, я своими глазами видел, как компании могут автоматизировать более сложные процессы, интегрируя науку о данных с RPA. Приятно наблюдать, как специалисты по обработке и обработке данных освобождаются от общих проблем с операцией данных, поскольку компании внедряют науку о данных в развертывания RPA с помощью таких продуктов, как AI Fabric.

Узнайте больше об AI Fabric или зарегистрируйтесь в нашей программе Insider Preview Program, чтобы получить ранний доступ к новым предложениям AI Fabric.