Разгоните страсть к данным: AI Fabric решает частые проблемы науки о данных

Примечание редактора: Поскольку рынок автоматизации продолжает эволюционировать, платформа UiPath также обновляется, чтобы лучше служить потребностям наших клиентов в автоматизации. Таким образом, некоторые названия продуктов в этой статье изменились с момента первоначальной публикации. Для актуальной информации, пожалуйста, посетите нашу страницу AI Center.

Я люблю работать с данными. Но вызывает ли это у меня раздражение? Безусловно.

Проработав ученым данными более пяти лет, я чувствовал боль попытки сбалансировать свои амбиции в работе с данными с ограничениями, возникающими при операционализации данных. Например, я ушел с позиции в компании, которая мне нравилась, потому что у нас не было ресурсов, чтобы вывести модель машинного обучения (ML) в продакшн. Мы очень усердно работали над решением задач с помощью данных и в итоге не получили возможности повлиять на продукт. Когда ваша работа застревает в организационных и операционных вызовах, легко потерять вдохновение и забыть, почему вам нравилось работать с данными в первую очередь.

В этом блоге я хочу поговорить о пути ученого данными:

• Что мотивирует наш интерес к миру данных

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

• Возможности, которые у нас есть, чтобы изменить то, как мы операционализируем данные, лучше интегрируя науку о данных в технологии вроде роботизированной процессной автоматизации (RPA)

• Почему я в восторге от AI Fabric, решения, интегрирующего искусственный интеллект (ИИ) с RPA, для открытия новых возможностей максимального использования данных

Для любви к данным: мне нравится быть креативным решателем проблем, и данные даруют силу креативному решению проблем.

Использование данных для решения сложных задач и вызовов, влияющих на жизни людей, казалось мне естественным карьерным путем. Многие ученые данные, с которыми я работал, пришли в область, чтобы научиться использовать данные для решения проблем. Мы страстны к пониманию имеющихся данных, исследованию, разработке и использованию ML-алгоритмов для тестирования на наших данных, а затем поиску способов привести новые решения к жизни через силу и инсайты, которые мы движим моделями, которые строим.

Когда я решил стать ученым данными, я знал, что есть задачи и возможные головные боли, которые идут с работой. Независимо от типа данных, с которыми вы работаете, вы неизбежно:

• Потратите время на обработку и очистку своих данных

• Подождете, пока ваши модели обучаются

• Потратите время на подбор разных гиперпараметров

Чем больше я работал с данными, тем более осознанным я становился о том, как сложной может стать наука о данных в рамках организации. Реальности, связанные с ролью ученого данными, начали перекрывать мои первоначальные мотивации для входа в область.

Когда реальность бьет: установка ожиданий и управление данными сквозным образом

Многие компании принимаютデータ-ориентированный подход к разработке и находятся на начальных стадиях исследования ML. Роль ученого данными все еще довольно редка и во многих случаях неправильно понимается. Разные вызовы могут возникнуть для ученых данными, когда мы начинаем операционализировать данные внутри компании и движемся вперед, используя данные для решения проблем.

Установка ожиданий о том, что организация может — и не может — сделать с ML — это одна из областей, где мы тратим много времени. Важно обучать других о природе наших ролей как ученых данными, где мы хотим фокусировать свое время и что нам нужно для успеха наших проектов.

Другой вызов — тот факт, что операции науки о данных часто изолированы внутри организаций. Это может ограничить способность проектов науки о данных приносить ценность организации.

Кроме того, ML-модели сами по себе не могут и не делают ничего — они должны работать в конъюнкции с другими командами и быть включены как часть более крупного проекта для успеха.

Более того, часто очень трудно показать возврат инвестиций (ROI), движимый моделями. Ученые данные часто сталкиваются с подъемной битвой, делая дело за роль ML внутри организации. Ученые данные могут прокручивать множество циклов, делая дело за часть, которую мы ищем играть, и то, что нам нужно, чтобы иметь влияние.

Работа с самими данными приносит свой набор уникальных вызовов. Мы часто тратим больше времени на сбор, консолидацию и очистку наборов данных, чем на понимание данных и построение моделей. Если конвейер непрерывной интеграции и непрерывной доставки (CI/CD) для ваших моделей еще не построен внутри компании, значительная часть нашего времени уходит на создание масштабируемого конвейера для переноса вашей модели с локальной машины на стажировку и продакшн. Это не только выходит за рамки нашей сферы работы, но и отнимает время, которое мы хотели бы посвятить построению и тестированию моделей.

Постоянный мониторинг модели также может быть вызовом, к которому вы не готовы. Экспериментируем ли мы с дрейфом данных со временем? Данные в продакшне все еще те же, что мы использовали для обучения? Выходы все еще под контролем? С новыми данными, наша модель работает так же хорошо, как базовая модель, построенная с обучающей выборкой? Когда нужно обновить ML-модель?

Чтобы вернуться к тому, что я люблю, я искал возможности работать для компаний, которые приоритизируют интеграцию науки о данных в более широкие процессы и планирование. Сегодня я взволнован работой в компании, которая не только приоритизирует науку о данных внутри, но активно работает, чтобы помочь компаниям операционализировать и потреблять ML-модели для достижения лучших бизнес-результатов.

Возвращение к любимому делу с AI Fabric

По мере того как все больше организаций используют RPA для оптимизации процессов, возможности возникают для ученых данными операционализировать данные новыми способами.

Здесь, в UiPath, мы привержены объединению науки о данных и RPA и расширению возможностей бизнеса для достижения новых результатов с помощью интеллектуальной автоматизации. Объединяя науку о данных с RPA, мы хотим облегчить многие из вышеперечисленных вызовов, с которыми ученые данные сталкиваются ежедневно в мире автоматизации. Мы движим эти усилия с AI Fabric.

Связанная статья: Как Heritage Bank использует ИИ и AI Fabric

Мы верим, что наука о данных и RPA лучше, когда они работают вместе. Критично сделать науку о данных неотъемлемой частью Центра компетенций (CoE) по RPA, привлекая ученых данными, чтобы определить, что возможно при использовании данных и ML для усиления возможностей RPA.

Через разработку AI Fabric мы фокусируемся на помощи организациям думать об ML как о шаге внутри процесса автоматизации. Мы хотим помочь пользователям интегрировать ML с разработкой RPA более бесшовно. Используя AI Fabric и RPA, ученые данные могут упростить построение конвейеров данных с инструментами, фокусирующимися на предобработке и сборе данных. Они могут развертывать модели легко, мониторить модели и принимать RPA-рабочий процесс, спроектированный для того, чтобы люди и ML-модели работали вместе.

Интегрируя науку о данных с RPA, мы хотим помочь ученым данным доказать ROI для построенных и развернутых моделей и сфокусировать большую часть времени на исследовании данных и уточнении моделей, решающих реальные проблемы.

Что бы вы сделали со большей свободой фокусироваться на своих данных?

Я знаю из личного опыта, что расширение возможностей ученых данными фокусироваться на решении проблем с использованием данных и интеграции науки о данных в существующие процессы может изменить то, как организация эволюционирует и растет.

Что важнее всего для меня — это помощь клиентам в достижении лучших результатов. В моей роли в UiPath я видел из первых рук, как компании могут автоматизировать более сложные процессы, интегрируя науку о данных с RPA. Награда — наблюдать, как ученые данные освобождаются от общих вызовов операционализации данных, когда компании строят науку о данных в развертываниях RPA через продукты вроде AI Fabric.

Узнайте больше об AI Fabric или запишитесь в нашу Insider Preview Program для раннего доступа к новым предложениям в AI Fabric.