Teruggaan naar wat u zo leuk vindt aan data:veelvoorkomende datawetenschapshoofdpijn oplossen met AI Fabric

Noot van de redactie: Naarmate de automatiseringsmarkt blijft evolueren, wordt het UiPath-platform ook bijgewerkt om zo goed mogelijk te voldoen aan de automatiseringsbehoeften van onze klanten. Als zodanig zijn sommige productnamen in dit artikel geëvolueerd sinds het artikel oorspronkelijk werd gepubliceerd. Voor actuele informatie, gelieve bezoek onze AI Center-pagina .

Ik werk graag met gegevens. Maar levert het mij enige frustratie op? Je gokt.

Na meer dan vijf jaar als datawetenschapper te hebben gewerkt, heb ik de pijn gevoeld van het proberen om mijn ambities voor data in evenwicht te brengen met de beperkingen die komen kijken bij het operationaliseren van data. Ik verliet bijvoorbeeld een functie bij een bedrijf dat ik leuk vond omdat we niet de middelen hadden om een ​​machine learning (ML) -model in productie te nemen. We hebben heel hard gewerkt om taken op te lossen met behulp van gegevens en uiteindelijk hadden we niet de mogelijkheid om het product te beïnvloeden. Wanneer uw baan vastloopt door organisatorische en operationele uitdagingen, kan het gemakkelijk zijn om ontmoedigd te raken en uit het oog te verliezen waarom u in de eerste plaats graag met gegevens werkte.

In deze blog wil ik het hebben over de reis van een datawetenschapper:

• Wat motiveert onze interesse in de wereld van data

• De beperkingen waarmee we worden geconfronteerd wanneer verwachtingen voldoen aan de realiteit

• De mogelijkheden die we hebben om de manier waarop we data operationaliseren te veranderen door datawetenschap beter te integreren in technologieën zoals Robotic Process Automation (RPA)

• Waarom ik enthousiast ben over AI Fabric, een oplossing die kunstmatige intelligentie (AI) integreert met RPA, om nieuwe kansen te creëren om het meeste uit data te halen

Uit liefde voor data ben ik graag een creatieve probleemoplosser, en data maakt creatieve probleemoplossing mogelijk.

Het gebruik van data om moeilijke taken aan te pakken en uitdagingen op te lossen die van invloed zijn op het leven van mensen, voelde als een natuurlijk carrièrepad voor mij. Veel van de datawetenschappers met wie ik heb gewerkt, zijn het veld ingegaan om te leren hoe ze data kunnen gebruiken om problemen op te lossen. We zijn gepassioneerd over het begrijpen van de gegevens die we hebben, het verkennen, ontwikkelen en gebruiken van ML-algoritmen om onze gegevens te testen, en vervolgens manieren te vinden om nieuwe oplossingen tot wasdom te brengen door de kracht en inzichten die we aandrijven met de modellen die we bouwen.

Toen ik besloot datawetenschapper te worden, wist ik dat er taken en mogelijke hoofdpijnen bij kwamen kijken. Ongeacht het type gegevens waarmee u werkt, zult u onvermijdelijk:

• Besteed tijd aan het verwerken en opschonen van uw gegevens

• Wacht even totdat je modellen zijn getraind

• Besteed tijd aan het uitproberen van verschillende hyperparameters

Hoe meer ik met data werkte, hoe bewuster ik werd van hoe ingewikkeld datawetenschap kan worden binnen de grenzen van een organisatie. De realiteit van het zijn van een datawetenschapper begon mijn oorspronkelijke motivaties om het veld in te gaan overschaduwen.

Als de realiteit toeslaat:verwachtingen stellen en data end-to-end beheren

Veel bedrijven omarmen een datagestuurde benadering van ontwikkeling en bevinden zich in de beginfase om ML te verkennen. De rol van de datawetenschapper is nog vrij zeldzaam en wordt in veel gevallen verkeerd begrepen. Er kunnen verschillende uitdagingen ontstaan ​​voor datawetenschappers wanneer we beginnen met het operationaliseren van data binnen een bedrijf en verder gaan met het gebruik van data om problemen op te lossen.

Het stellen van verwachtingen over wat een organisatie wel en niet kan doen met ML is een gebied waar we veel van onze tijd aan besteden. Het is belangrijk om anderen te informeren over de aard van onze rollen als datawetenschappers, waar we onze tijd aan willen besteden en wat we nodig hebben om onze projecten succesvol te laten zijn.

Een andere uitdaging is het feit dat data science-operaties vaak in een silo zitten binnen organisaties. Dit kan het vermogen van datawetenschapsprojecten om waarde aan een organisatie toe te voegen, beperken.

ML-modellen alleen kunnen en doen niets:ze moeten samenwerken met andere teams en worden opgenomen als onderdeel van een groter project om succesvol te zijn.

Bovendien is het vaak erg moeilijk om het rendement van de investering (ROI) aan te tonen dat door de modellen wordt aangedreven. Datawetenschappers staan ​​vaak voor een zware strijd om de rol van ML binnen een organisatie te verdedigen. Datawetenschappers kunnen vele cycli draaien en pleiten voor de rol die we willen spelen en wat we nodig hebben om impact te maken.

Het aanpakken van de gegevens zelf brengt zijn eigen unieke uitdagingen met zich mee. We besteden vaak meer tijd aan het verzamelen, consolideren en opschonen van datasets dan aan het begrijpen van de data en het bouwen van modellen. Tenzij er binnen een bedrijf al een pijplijn voor continue integratie en continue levering (CI/CD) voor uw modellen is gebouwd, wordt veel van onze tijd besteed aan het creëren van een schaalbare pijplijn om uw model van uw lokale machine naar enscenering en productie te brengen. Dit valt niet alleen buiten ons werkgebied, maar het kost ons ook tijd die we willen besteden aan het bouwen en testen van modellen.

Doorlopende modelmonitoring kan ook een uitdaging zijn waar u niet op voorbereid bent. Experimenteren we met data drift in de tijd? Zijn de data in productie nog steeds dezelfde als de data die we gebruikten voor trainingen? Zijn de uitgangen nog onder controle? Presteert ons model met nieuwe gegevens even goed als het basismodel, dat met de trainingsset is gebouwd? Wanneer moet u het ML-model bijwerken?

Om terug te keren naar waar ik van hou, heb ik kansen gezocht om te werken voor bedrijven die prioriteit geven aan de integratie van datawetenschap in bredere processen en planning. Vandaag ben ik verheugd om te werken voor een bedrijf dat niet alleen intern prioriteit geeft aan datawetenschap, maar actief werkt om bedrijven te helpen ML-modellen te operationaliseren en te gebruiken om betere bedrijfsresultaten te behalen.

Teruggaan naar waar je van houdt met AI Fabric

Naarmate meer en meer organisaties RPA gebruiken om processen te stroomlijnen, ontstaan ​​er kansen voor datawetenschappers om data op nieuwe manieren te operationaliseren.

Hier bij UiPath zetten we ons in om datawetenschap en RPA samen te brengen en bedrijven in staat te stellen nieuwe resultaten te behalen met behulp van intelligente automatisering. Door data science samen te brengen met RPA, willen we veel van de bovenstaande uitdagingen verlichten waarmee datawetenschappers dagelijks te maken hebben in de automatiseringswereld. We stimuleren deze inspanningen met AI Fabric.

Gerelateerde lees: Hoe Heritage Bank AI en AI Fabric gebruikt

Wij geloven dat data science en RPA beter zijn als ze samenwerken. Het is van cruciaal belang om datawetenschap een integraal onderdeel te maken van een RPA Center of Excellence (CoE) door datawetenschappers in te schakelen om te schetsen wat mogelijk is bij het gebruik van data en ML om de RPA-mogelijkheden te verbeteren.

Door de ontwikkeling van AI Fabric zijn we erop gericht organisaties te helpen nadenken over ML als een stap in het automatiseringsproces. We willen gebruikers helpen ML naadloos te integreren met RPA-ontwikkeling. Met behulp van AI Fabric en RPA kunnen datawetenschappers het bouwen van datapijplijnen vereenvoudigen met tooling die zich richt op de voorverwerking en het verzamelen van gegevens. Ze kunnen met gemak modellen implementeren, modellen bewaken en een RPA-workflow omarmen die is ontworpen om mensen en ML-modellen te laten samenwerken.

Door datawetenschap te integreren met RPA, willen we datawetenschappers helpen de ROI van de gebouwde en geïmplementeerde modellen te bewijzen, en het grootste deel van de tijd te besteden aan het verkennen van gegevens en het verfijnen van modellen die echte problemen oplossen.

Wat zou u doen met meer vrijheid om u op uw gegevens te concentreren?

Ik weet uit persoonlijke ervaring dat het in staat stellen van datawetenschappers om zich te concentreren op het oplossen van problemen met behulp van data en het integreren van datawetenschap in bestaande processen, de manier kan veranderen waarop een organisatie evolueert en groeit.

Het belangrijkste voor mij is om klanten te helpen betere resultaten te behalen. In mijn rol bij UiPath heb ik uit de eerste hand gezien hoe bedrijven complexere processen kunnen automatiseren door datawetenschap te integreren met RPA. Het is de moeite waard om te zien hoe datawetenschappers worden bevrijd van veelvoorkomende uitdagingen op het gebied van data-operationalisering, aangezien bedrijven datawetenschap in RPA-implementaties inbouwen via producten zoals AI Fabric.

Lees meer over AI Fabric of meld u aan met ons Insider Preview-programma voor vroege toegang tot nieuwe aanbiedingen in AI Fabric.