Uw automatiseringsdroomteam heeft RPA-ontwikkelaars en datawetenschappers nodig

Stel je voor dat je een Chief Financial Officer (CFO) bent en het volgende kwartaal staat op het punt te beginnen. Het vorige kwartaal was goed, maar je gevoel zegt dat het volgende kwartaal beter zal zijn.

In een perfecte wereld verschuift u van instinctief optimisme naar een op gegevens gebaseerde voorspelling. U weet vanaf de eerste dag hoeveel geld uw afdeling aan het einde van het kwartaal bij de hand heeft. U weet dan precies waarvoor u kunt budgetteren en welke middelen u in het volgende kwartaal kunt besteden.

Door de voorspellende mogelijkheden van kunstmatige intelligentie (AI) en machine learning (ML) te combineren met automatisering, kunt u deze hoogwaardige informatie binnen handbereik brengen. Er bestaat echter een kloof:de twee teams die deze complexe data-uitdagingen aankunnen, werken doorgaans niet samen. Ik heb het over je ontwikkelaars van robotic process automation (RPA) en je datawetenschappers.

De vaardigheden van uw datawetenschappers en RPA-ontwikkelaars vullen elkaar aan. Met de juiste governance kunt u nieuwe workflows configureren die gebruikmaken van beide. Wanneer u dat doet, kunt u ML sneller schalen, uw datawetenschappers vrijmaken voor complexer werk, RPA-ontwikkelaars bekwamen en beide teams ten volle benutten met betrekking tot bedrijfsresultaten. De eerste uitdaging die u moet aangaan, is uw datawetenschappers uit hun silo's bevrijden.

Datawetenschappers zitten geïsoleerd in silo's

Om AI praktisch in de onderneming te introduceren en uw organisatie te transformeren met automatisering, is het essentieel om de teams van RPA-ontwikkelaars en datawetenschappers samen te brengen. Silo's zijn niet ongebruikelijk, vooral in grote ondernemingen, maar het samenbrengen van deze twee specifieke teams is een van de meest ingrijpende veranderingen die u kunt aanbrengen. Beide teams willen helpen bij het informeren van betere, slimmere processen en zakelijke beslissingen, maar dat betekent niet dat ze samenwerken. Er bestaat meestal een organisatorische kloof tussen de teams waardoor ze onnodig aparte middelen gebruiken om vergelijkbare bestemmingen te bereiken.

Onderbenutting van uw datawetenschappers kan veel tijd en middelen verspillen. Glassdoor meldt dat het gemiddelde salaris voor datawetenschappers in de Verenigde Staten $ 113.309 is. Naast het pure salaris, zijn er ook alternatieve kosten voor het verspillen van uw datawetenschappers.

Er is momenteel een tekort aan datawetenschappers, dus als je een team hebt, kun je ze het beste optimaal benutten. Helaas worden deze zeldzame, dure eenhoorns vaak verkeerd begrepen door zowel de organisaties die ze in dienst hebben als de RPA-teams waarmee ze zouden kunnen samenwerken.

Waarom bedrijven datawetenschappers vaak verkeerd begrijpen

Er zijn vier belangrijke redenen waarom bedrijven de waarde van datawetenschappers onderschatten:

1. Hun zakelijke waarde is moeilijk te verwoorden. Volgens een Anaconda Data Science-enquête uit 2020 denkt minder dan de helft (48%) van de datawetenschappers dat ze de impact van datawetenschap op bedrijfsresultaten kunnen aantonen.

2. ROI is duur. Datawetenschappers, die al duur zijn, hebben vaak meer middelen nodig dan bedrijven bereid zijn te investeren. Onze eigen Jeremy Tederry, productmanager machine learning bij UiPath en voormalig datawetenschapper, verliet ooit een bedrijf omdat het niet over de middelen beschikte om een ​​ML-model in productie te nemen.

3. Hun werk levert geen waarde op zonder samenwerking. Het is niet altijd eenvoudig om data science-outputs in productie te krijgen, waar ze een bedrijf kunnen beïnvloeden. Datawetenschappers hebben organisatorische ondersteuning nodig om te slagen. Volgens Tederry "kunnen en doen ML-modellen alleen niets - ze moeten samenwerken met andere teams en worden opgenomen als onderdeel van een groter project om succesvol te zijn."

4. Veel van hun inspanningen gaan naar onzichtbaar werk. Volgens de data science-enquête van Anaconda die we hierboven noemden, besteedt 45% van de datawetenschappers zijn tijd aan het voorbereiden van gegevens (laden en opschonen) voordat deze in een datamodel of visualisatie gaan. Dit kan enorm frustrerend zijn voor datawetenschappers (zoals blijkt uit de onderstaande tweet).

Bron

Wanneer deze vier redenen worden gecombineerd, hebben bedrijven de neiging hun datawetenschappers te onderschatten en onderbenutten. Ze weten echter niet dat het ontsluiten van hun waarde slechts één team verwijderd is.

RPA-ontwikkelaars begrijpen datawetenschappers ook verkeerd

De mindsets van RPA-ontwikkelaars en datawetenschappers zijn vaak anders omdat ze verschillende workflows en verschillende tijdlijnen hebben. Wanneer uw workflow uiteenloopt, zal uw mentaliteit dat ook doen. Dit is natuurlijk, maar het maakt het ook moeilijk voor deze teams om tussen afdelingen te communiceren, waardoor silo's ontstaan.

Trung Nguyen, data scientist bij MSD, geeft een goed voorbeeld. In een artikel over intelligente automatisering splitst hij RPA- en ML-workflows op in afzonderlijke grafieken, die u hieronder kunt zien. Kijk vooral hoe de RPA-ontwikkelaar zich richt op het schrijven van regels, terwijl de datawetenschapper zich richt op het trainen van ML-modellen.

Beide teams beginnen met studeren en beide zullen de fouten in hun oplossingen evalueren, lanceren en analyseren. Daarna verschuift de RPA-ontwikkelaar doorgaans zijn strategie zodra hij te maken krijgt met veranderingen in de omgeving, terwijl datawetenschappers doorgaans feedback doorsluizen naar gegevens die hun ML-modellen verder trainen.

Dit lijkt op het eerste gezicht misschien een klein verschil, maar de verschillen lopen elkaar op als je uitzoomt en naar de tijdlijnen kijkt.

De tijdshorizon voor het oplossen van complexe problemen - het soort datawetenschappers dat het meest geschikt is om aan te pakken - is ten minste zes maanden. RPA-ontwikkelaars hebben in plaats daarvan de neiging om agile workflows te gebruiken, waarbij de voortgang wordt gemeten in weken. Dit betekent dat RPA-ontwikkelaars, ondergedompeld in deze snellere workflows, de neiging hebben om te denken in termen van snelle oplossingen, terwijl datawetenschappers de neiging hebben af ​​te drijven naar meer verkennende projecten.

Vaardigheden voor RPA-ontwikkelaars en datawetenschappers:verschillend maar complementair

Wanneer leiders RPA-ontwikkelaars en datawetenschappers op één lijn brengen, zijn de voordelen die ze de organisaties kunnen bieden groter dan de som van hun delen. Een RPA-ontwikkelaar kan veel complexere processen automatiseren door met een datawetenschapper te werken dan alleen, en een datawetenschapper die met een RPA-ontwikkelaar werkt, kan sneller werken en zich beter concentreren dan ooit tevoren.

Ondanks de kloof die we hebben beschreven, spreken RPA-ontwikkelaars en datawetenschappers dezelfde taal - of coderen ze deze tenminste.

Uit het UiPath State of RPA Developers Report 2020 blijkt dat meer dan 90% van de RPA-ontwikkelaars een hbo-opleiding hebben genoten en dat Python nu al een van de toptalen is die RPA-ontwikkelaars kennen. De kenniskloof is niet zo groot als je zou vrezen.

Er is ook een verlangen om deze kloof te overbruggen. In ons onderzoek geven RPA-ontwikkelaars al aan dat ze meer willen weten over aanpalende data science-onderwerpen. In de UiPath The Impact of RPA on Employee Experience gaf meer dan 80% van de RPA-ontwikkelaars aan meer te willen weten over AI/ML. En in het UiPath State of RPA Developers Report 2020 zeiden verschillende RPA-ontwikkelaars dat ze naast RPA ook vaardigheden op het gebied van ML en datawetenschap wilden toevoegen.

Het is ook niet zo dat de kloof onzichtbaar is voor datawetenschappers. Uit onderzoek blijkt dat datawetenschappers bijna de helft van hun tijd besteden aan problemen die RPA-ontwikkelaars beter en sneller kunnen oplossen. Onthoud (volgens de Anaconda Data Science Survey 2020 die we hierboven citeerden), werd gemiddeld 45% van hun tijd besteed aan het gereedmaken van gegevens voordat ze deze konden gebruiken om modellen en visualisaties te ontwikkelen.

Laten we dit samenvatten:

1. RPA-ontwikkelaars en datawetenschappers kunnen communiceren in een gemeenschappelijke taal.

2. RPA-ontwikkelaars willen datawetenschap leren kennen en implementeren.

3. Datawetenschappers zitten vaak vast met werk waar RPA-ontwikkelaars bij kunnen helpen.

Dus dat laat ons met een vraag:hoe kunnen we deze duidelijk complementaire teams samenbrengen?

De muur tussen datawetenschap en RPA-teams afbreken

Als leiders de barrières tussen deze teams kunnen doorbreken, kunnen ze enorme kansen voor hun bedrijven ontsluiten. Om dit te doen, moeten leiders datawetenschappers in staat stellen hun behoeften aan RPA-ontwikkelaars te communiceren en beide teams te coördineren om betere resultaten te bereiken bij complexe problemen.

Leiders kunnen samenwerking vergemakkelijken

Slimme organisaties plaatsen een leider op C-suite-niveau die de leiding heeft over beide teams. In onze case study met Heritage Bank zei David Johnston, Manager Intelligent Automation and Process Excellence:"Datawetenschaps- en automatiseringsteams zijn vaak niet verbonden. In onze organisatie rapporteren beide teams echter aan onze CFO.” Dit was een groot deel van de reden waarom Heritage Bank, in samenwerking met UiPath, een nauwkeurigheid van 98% kon bereiken voor hun meest recente ML-modellen.

Hoewel dat misschien niet altijd haalbaar is en als de rapportagestructuren van de organisatie anders zijn, kunnen de respectievelijke leiders ervoor zorgen dat beide teams met elkaar praten en dat de communicatie echt bidirectioneel is. Om dat niveau van samenwerking te vergemakkelijken, kunnen leiders hoogwaardige gebruiksscenario's promoten die de voordelen van samenwerking tussen beide teams benadrukken. Creativiteit is noodzakelijk. Zoals we hebben uitgelegd, is er een tekort aan datawetenschappers, dus slimme leiders zullen nieuwe manieren vinden om datawetenschappers aan te trekken en RPA-ontwikkelaars bij te scholen om in hun plaats naast datawetenschap werk op zich te nemen.

RPA-ontwikkelaars kunnen datawetenschappers helpen

Wanneer datawetenschappers een probleem hebben, kunnen RPA-ontwikkelaars te hulp schieten.

Inside Big Data wijst op twee grote problemen die datawetenschappers hebben:

1. Datawetenschappers hebben meestal niet genoeg gelabelde trainingsgegevens om hun leermodellen te leren.

2. Datawetenschappers hebben de neiging om theoretische gegevens uit sandbox-datasets te gebruiken in plaats van gegevens uit echte use-cases.

Dit is waar RPA-ontwikkelaars van pas komen. RPA-ontwikkelaars kunnen datawetenschappers ten goede komen door:

• Metadata maken: Softwarerobots, vooral wanneer ze worden aangevuld met process mining, laten sporen van gegevens achter terwijl ze taken voltooien, waardoor processen begrijpelijker worden voor gegevenswetenschappers.

• Toegang tot oudere systemen: Softwarerobots werken met legacy-systemen en maken de gegevens toegankelijk die vroeger vastzaten in oude tools.

• Gegevens bruikbaar maken: RPA-ontwikkelaars kunnen grote datasets ontleden in bruikbare componenten en ongelijksoortige stukjes data organiseren, labelen en opschonen tot een samenhangend geheel.

• Het implementeren van kant-en-klare AI-modules: Veel ML- en AI-gebruiksscenario's zijn niet nieuw, en in plaats van dat datawetenschappers helemaal opnieuw modellen bouwen, kunnen RPA-ontwikkelaars reeds bestaande modules implementeren.

• AutoML gebruiken om tijd te besparen: RPA-ontwikkelaars kunnen AutoML gebruiken om te bepalen welk voorspellend model het meest nauwkeurig is, zodat datawetenschappers niet meerdere modellen hoeven te maken en testen voor een bepaalde gebruikssituatie. Dit geeft datawetenschappers de vrijheid om aan meer uitdagende taken te werken.

Deze gecombineerde voordelen maken niet alleen het leven van datawetenschappers, maar helpen hen ook meer te bereiken dan voorheen. RPA-ontwikkelaars stellen datawetenschappers in staat hun werk sneller en beter te doen, en maken de uiteindelijke oplossing gemakkelijker te implementeren.

UiPath kan uw datawetenschappers en RPA-ontwikkelaars helpen om samen nieuwe hoogten te bereiken

Het doel van een vooruitstrevende onderneming is niet om een ​​compromis te vinden tussen de twee vaak uiteenlopende teams; het is om ze allebei opnieuw op één lijn te brengen, zodat ze samen meer kunnen bereiken dan apart. Datawetenschap heeft nauwkeurige, schone en geverifieerde gegevens nodig. RPA-processen produceren schone gegevens en beginnen vaak met rommelige en ongestructureerde gegevens.

Zonder de juiste toolset die gegevens over bedrijfsprocessen en automatiseringsworkflows naar boven haalt, zal zelfs de beste leider moeite hebben om de twee teams samen te laten werken. Het UiPath-platform biedt de tools die bedrijven nodig hebben om hun datawetenschaps- en RPA-teams te verenigen.

UiPath kan datawetenschappers helpen:

• Maak softwarerobots die gegevens verzamelen op één geconsolideerde plaats

• Lever de 'last mile' van MLOps met UiPath AI Center en implementeer modellen in productie

• Bewijs de ROI van de modellen die ze bouwen, zodat ze zich het grootste deel van de tijd kunnen concentreren op het verkennen van gegevens en het verfijnen van modellen die echte problemen oplossen

• Maak gebruik van kant-en-klare AI-oplossingen zoals UiPath Document Understanding en AI Document Understanding

UiPath helpt RPA-ontwikkelaars:

• Snel AI-modellen testen en implementeren

• Gebruik kant-en-klare AI-modellen zodat datawetenschappers er geen helemaal opnieuw hoeven te bouwen en gefocust kunnen blijven op nieuwe problemen en oplossingen

• Gebruik de AutoML-mogelijkheden met het gemak van slepen en neerzetten met AI Center

• Implementeer herbruikbare RPA-componenten, inclusief ML, met de UiPath Marketplace

Laten we nog een laatste voorbeeld doordenken:als uw bedrijf sentimentanalyse wil gaan gebruiken, kunnen uw RPA-ontwikkelaars een van onze startersmodellen implementeren en het de gegevens geven die het nodig heeft om te werken. Als uw bedrijf vervolgens de sentimentanalyse nauwkeuriger en robuuster wil maken, of anderszins de gegeven algoritmen wil aanpassen, dan heeft u een datawetenschapper nodig.

Een andere manier om erover na te denken is dat als je wiskunde gebruikt om een ​​probleem op te lossen, dat de rol van de RPA-ontwikkelaar is; als je de wiskunde probeert te achterhalen, is dat de rol van de datawetenschapper. UiPath biedt een platform dat beide soorten werk omvat.

Uw bedrijf kan zoveel meer dan u had gedacht, als u eenmaal data science en RPA combineert. Met UiPath AI Center kunt u - of u nu een datawetenschapsachtergrond hebt of niet - AI rechtstreeks naar uw bedrijfsprocessen slepen en neerzetten. Probeer vandaag nog een proefversie voor UiPath AI Center om een ​​praktisch perspectief te krijgen.

Doe mee met AI-leiders en UiPath-experts op de UiPath AI Summit!

Het virtuele evenement duurt vier weken en begint op 24 februari 2021. Of je nu nieuw bent met AI of een ervaren AI-beoefenaar die je robots een boost wil geven, er is een sessie voor jou.