Поднимите свою стратегию автоматизации с разработчиками RPA и данными учеными

Представьте, вы — финансовый директор (CFO), и следующий квартал вот-вот начнется. Предыдущий квартал был хорош, но ваш инстинкт говорит, что следующий квартал будет лучше.

В идеальном мире вы бы перешли от инстинктивного оптимизма к data-backed предсказанию. Вы бы знали с первого дня, сколько денег у вашего департамента будет на руках к концу квартала. Вы бы знали точно, на что вы можете забюджетить и какие ресурсы вы можете посвятить в следующем квартале.

Комбинируя предсказательные возможности искусственного интеллекта (ИИ) и машинного обучения (ML) с автоматизацией, вы можете принести эту высокоценную информацию к кончикам ваших пальцев. Однако существует разрыв: две команды, которые могут решать эти сложные данные вызовы, обычно не работают вместе. Я говорю о ваших разработчики роботизированной автоматизации процессов (RPA) и ваших данных ученых.

Наборы навыков ваших данных ученых и разработчиков RPA комплементарны. С правильным управлением вы можете конфигурировать новые рабочие процессы, которые используют оба. Когда вы это делаете, вы можете масштабировать ML быстрее, освободить ваших данных ученых для более сложной работы, апскиллить разработчиков RPA и сделать полное использование обеих команд в отношении бизнес-результатов. Первый вызов для принятия — освободить ваших данных ученых из их силосов.

Данные ученые изолированы в силосах

Для практического введения ИИ в предприятие и трансформации вашей организации с автоматизацией, получение команды разработчика RPA и данных ученого вместе — ключ. Силосы не необычны, особенно в больших предприятиях, но получение этих двух конкретных команд вместе — одно из самых воздейственных изменений, которые вы можете сделать. Обе команды хотят помочь информировать лучшие, умные процессы и бизнес-решения, но это не значит, что они работают вместе. Существует тенденция к существованию организационного разрыва между командами, который заставляет их использовать излишне отдельные средства для достижения похожих целей.

Недопользование вашими данными учеными может тратить значительное время и ресурсы. Glassdoor сообщает, что средняя зарплата данных ученого в Соединенных Штатах составляет $113,309. Помимо чистой зарплаты, есть opportunity cost к трате ваших данных ученых тоже.

В настоящее время существует дефицит данных ученых, так что если у вас есть команда, лучше использовать их на полный потенциал. К сожалению, эти редкие, дорогие единороги часто неправильно понимаются как организациями, нанимающими их, так и RPA командами, с которыми они могли бы работать.

Почему компании часто неправильно понимают данных ученых

Есть четыре основные причины, по которым компании недооценивают ценность данных ученых:

1. Их бизнес-ценность трудно артикулировать. Согласно опросу Anaconda Data Science 2020 года, менее половины (48%) данных ученых чувствуют, что они могут продемонстрировать воздействие data science на бизнес-результаты.
2. ROI дорогой. Данные ученые — которые уже дорогие — часто нуждаются в больших ресурсах, чем компании готовы инвестировать. Наш собственный Джереми Тедерри, менеджер продукта машинного обучения в UiPath и бывший данных ученый, однажды покинул компанию, потому что у нее не было ресурса, чтобы получить ML-модель в производство.
3. Их работа не доставляет ценность без сотрудничества. Получение data science выходов в производство, где они могут воздействовать на бизнес, не всегда прямо. Данные ученые нуждаются в cross-организационной поддержке, чтобы преуспеть. Согласно Тедерри, «ML-модели в одиночестве не могут и не делают ничего — они должны работать в конъюнкции с другими командами и быть включены как часть более крупного проекта, чтобы быть успешными».
4. Гораздо их усилий идет на невидимую работу. Согласно опросу data science от Anaconda, который мы упоминали выше, 45% данных ученых тратят свое время на подготовку данных (загрузку и очистку) перед тем, как они пойдут в модель данных или визуализацию. Это может быть безумно фрустрирующим для данных ученых (как очевидно в твите ниже).

Источник

Когда эти четыре причины комбинируются, компании склонны недооценивать и недопользовать своих данных ученых. Мало они знают, однако, что разблокировка их ценности — всего одна команда далеко.

Разработчики RPA тоже неправильно понимают данных ученых

Майнды разработчиков RPA и данных ученых склонны быть разными, потому что у них разные рабочие процессы и разные таймлайны. Когда ваш рабочий процесс расходится, ваш майнд тоже. Это естественно, но это также делает трудным для этих команд коммуницировать через департаменты, создавая силосы.

Чунг Нгуен, данных ученый в MSD, предоставляет хороший пример. В статье об интеллектуальной автоматизации он разбивает RPA и ML рабочие процессы в отдельные графики, которые вы можете видеть ниже. Посмотрите, в частности, на то, как разработчик RPA фокусируется на написании правил, в то время как данных ученый фокусируется на обучении ML-моделей.

Обе команды начинают с изучения, и обе будут оценивать, запускать и анализировать ошибки в своих решениях. После этого разработчик RPA типично сдвигает свою стратегию, когда они сталкиваются с изменениями среды, в то время как данные ученые типично воронку обратную связь в данные, которые дальше обучают их ML-модели.

Это может показаться небольшой разницей на первый взгляд, но различия каскадят, когда вы зум-аут и смотрите на таймлайны.

Временной горизонт для сложного решения проблем — того рода, для которого данные ученые лучше всего подходят — составляет минимум шесть месяцев. Разработчики RPA вместо этого склонны использовать agile рабочие процессы, измеряя прогресс в терминах недель. Это означает, что разработчики RPA, погруженные в эти более быстрые рабочие процессы, склонны думать в терминах быстрых решений, в то время как данные ученые склонны дрифтить к более исследовательским проектам.

Наборы навыков разработчика RPA и данных ученого: разные, но комплементарные

Когда лидеры выравнивают разработчиков RPA и данных ученых, выгоды, которые они могут доставить организациям, больше, чем сумма их частей. Разработчик RPA может автоматизировать гораздо более сложные процессы, работая с данными ученым, чем работая в одиночку, и данных ученый, работающий с разработчиком RPA, может работать быстрее и фокусироваться лучше, чем когда-либо прежде.

Несмотря на разрыв, который мы описали, разработчики RPA и данные ученые 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 колледж-степень и что Python уже один из топовых языков, известных разработчикам RPA. Разрыв в знаниях не так широк, как вы могли бы бояться.

Есть желание перейти этот разрыв тоже. В нашем исследовании разработчики RPA уже указывают, что хотят узнать больше о data science-смежных темах. В UiPath The Impact of RPA on Employee Experience более 80% разработчиков RPA указали, что хотят узнать об ИИ/ML. И в UiPath State of RPA Developers Report 2020 несколько разработчиков RPA сказали, что в дополнение к RPA они хотели бы добавить ML и data science наборы навыков.

Это не как будто разрыв невидим для данных ученых тоже. Исследования показывают, что данные ученые тратят почти половину своего времени на проблемы, которые разработчики RPA могут решить лучше и быстрее. Помните (согласно 2020 Anaconda Data Science Survey, который мы цитировали выше), в среднем 45% их времени тратилось на подготовку данных перед тем, как они могли использовать их для разработки моделей и визуализаций.

Давайте подведем итог:

1. Разработчики RPA и данные ученые могут коммуницировать на общем языке.
2. Разработчики RPA хотят узнать о и внедрять data science.
3. Данные ученые часто застревают делая работу, которую разработчики RPA могли бы помогать.

Так что это оставляет нас с вопросом: как мы можем поставить эти явно комплементарные команды вместе?

Разрушение стены между data science и RPA командами

Если лидеры могут разрушить барьеры между этими командами, они могут разблокировать массивные возможности для своих компаний. Для этого лидеры должны позволить данным ученым коммуницировать свои потребности разработчикам RPA и координировать обе команды для достижения более великих результатов на сложных проблемах.

Лидеры могут фасилитировать сотрудничество

Умные организации ставят C-suite-уровень лидера в заряде обеих команд. В нашем кейс-стади с Heritage Bank, Дэвид Джонстон, менеджер интеллектуальной автоматизации и процессной экспертизы, сказал: «Data science и автоматизации команды часто отключены. В нашей организации, однако, обе те команды отчитываются перед нашим CFO». Это была огромная часть причины, почему Heritage Bank, работая с UiPath, мог достичь 98% точности через их недавние ML-модели.

Пока это может не быть всегда выполнимо и если организационные структуры отчетности разные, соответствующие лидеры могут обеспечить, что обе команды говорят друг с другом и что коммуникация истинно двунаправленная. Для фасилитации того уровня сотрудничества лидеры могут продвигать высокоценные варианты использования, которые подчеркивают выгоды работы обеих команд вместе. Креативность императивна. Как мы объяснили, есть дефицит данных ученых, так что умные лидеры найдут новые способы найти найм данных ученых и апскиллить разработчиков RPA, чтобы взять на себя data science-смежную работу на их месте.

Разработчики RPA могут помочь данным ученым

Когда у данных ученых есть проблема, разработчики RPA могут прийти на помощь.

Inside Big Data указывает на две основные проблемы, которые данные ученые склонны иметь:

1. Данные ученые склонны не иметь достаточно размеченных обучающих данных, чтобы учить их модели обучения.
2. Данные ученые склонны иметь необходимость использовать теоретические данные из sandbox датасетов вместо данных из реальных вариантов использования.

Здесь разработчики RPA вступают в игру. Разработчики RPA могут способствовать данным ученым:

• Создание метаданных: Программные роботы, особенно когда дополнены process mining, оставляют следы данных, когда они завершают задачи, делая процессы более понятными для данных ученых.
• Доступ к legacy системам: Программные роботы работают с legacy системами и делают доступными данные, которые раньше были заперты в старых инструментах.
• Делать данные пригодными: Разработчики RPA могут декомпозировать большие датасеты в пригодные компоненты и организовывать, маркировать и чистить разрозненные куски данных в связное целое.
• Внедрение готовых ИИ-модулей: Многие ML и ИИ варианты использования не новаторны, и вместо того чтобы данные ученые строили модели с нуля, разработчики RPA могут развернуть предсуществующие модули.
• Использование AutoML для экономии времени: Разработчики RPA могут использовать AutoML, чтобы найти, какая предсказательная модель наиболее точна, обеспечивая, что данные ученые не должны делать и тестировать множество моделей для данного варианта использования. Это освобождает данных ученых для работы на более сложных задачах.

Эти выгоды комбинированные не только делают жизни данных ученых легче, но также помогают им достигать больше, чем они могли ранее. Разработчики RPA позволяют данным ученым делать их работу быстрее и лучше, а также делают финальное решение легче для развертывания.

UiPath может помочь вашим данным ученым и разработчикам RPA достичь новых высот — вместе

Цель forward-thinking предприятия — не найти компромисс между двумя часто расходящимися командами; это реалign их обе так, чтобы они могли достичь больше вместе, чем они могли бы раздельно. Data science нуждается в точных, чистых и верифицированных данных. RPA процессы производят чистые данные и часто начинают с данных, которые грязные и неструктурированные.

Без правильного набора инструментов, который выявляет данные о бизнес-процессах и автоматизационных рабочих процессах, даже лучший лидер будет бороться за то, чтобы заставить две команды работать вместе. Платформа UiPath предоставляет инструменты, которые компаниям нужны для объединения их data science и RPA команд.

UiPath может помочь данным ученым:

• Создавать программные роботов, которые собирают данные в одно консолидированное место
• Доставлять «последнюю милю» MLOps с UiPath AI Center и развертывать модели в производство
• Доказывать ROI для моделей, которые они строят, лучше позволяя им фокусировать большинство времени на исследовании данных и уточнении моделей, решающих реальные проблемы
• Использовать out-of-box ИИ-решения вроде UiPath Document Understanding и AI Document Understanding

UiPath помогает разработчикам RPA:

• Быстро тестировать и развертывать ИИ-модели
• Использовать out-of-the-box ИИ-модели, чтобы данные ученые не должны строить ни одну с нуля и могут оставаться сфокусированными на новаторских проблемах и решениях
• Использовать возможности AutoML с drag-and-drop легкостью используя AI Center
• Развертывать многоразовые RPA компоненты, включая ML, с UiPath Marketplace

Давайте подумаем через еще один пример: если ваша компания хочет начать использовать анализ тональности, ваши разработчики RPA могут внедрить одну из наших стартовых моделей и дать ей данные, которые ей нужны для работы. Если ваша компания затем хочет сделать анализ тональности более точным и надежным — или иначе настроить данные алгоритмы — тогда вам нужен данных ученый.

Другой способ думать об этом: если вы используете математику для решения проблемы, это роль разработчика RPA; если вы пытаетесь выяснить математику, это роль данных ученого. UiPath предоставляет платформу, которая включает оба типа работы.

Ваша компания может сделать гораздо больше, чем вы вообразили, как только вы комбинируете data science и RPA. UiPath AI Center позволяет вам — будь у вас data science бэкграунд или нет — drag-and-drop ИИ прямо в ваши бизнес-процессы. Чтобы получить hands-on перспективу, попробуйте trial для UiPath AI Center сегодня.

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

Виртуальное мероприятие будет проходить в течение четырех недель, начиная с 24 февраля 2021 года. Будь вы новичком в ИИ или опытным практиком ИИ, стремящимся суперзарядить ваших роботов, там есть сессия для вас.