Uw automatiseringsstrategie versterken met RPA-ontwikkelaars & Data Scientists

Verbeeld u dat u een chief financial officer (CFO) bent, en het volgende kwartaal staat aan. Het vorige kwartaal was goed, maar uw gut zegt dat het volgende kwartaal beter zal zijn.

In een perfecte wereld, zou u schakelen van een instinctuele optimisme naar een data-ondersteunde voorspelling. U zou vanaf dag één weten hoeveel geld uw afdeling aan het einde van het kwartaal op handen zal hebben. U zou precies weten wat u kunt budgetteren en welke resources u in het volgende kwartaal kunt dedican.

Door de voorspellende capaciteiten van kunstmatige intelligentie (AI) en machine learning (ML) te combineren met automatisering, kunt u deze hoge-waarde-informatie aan uw vingertoppen brengen. Er bestaat echter een kloof: de twee teams die deze complexe data-uitdagingen aan kunnen pakken, werken doorgaans niet samen. Ik praat over uw robotic process automation (RPA)-ontwikkelaars en uw data scientists.

De vaardighedensets van uw data scientists en RPA-ontwikkelaars zijn complementair. Met de juiste governance kunt u nieuwe workflows configureren die beide benutten. Wanneer u dat doet, kunt u sneller schalen, uw data scientists vrijmaken voor complexer werk, RPA-ontwikkelaars upskillen, en vol gebruik maken van beide teams met betrekking tot zakelijke resultaten. De eerste uitdaging aan te pakken is uw data scientists uit hun silo's vrij te maken.

Data scientists geïsoleerd in silo's

Om AI praktisch in het enterprise te introduceren en uw organisatie te transformeren met automatisering, is het cruciaal om het RPA-ontwikkelaar- en data scientist-team samen te brengen. Silo's zijn niet ongebruikelijk, vooral in grote enterprises, maar het samenbrengen van deze twee specifieke teams is een van de meest impactvolle veranderingen die u kunt maken. Beide teams willen helpen betere, slimme processen en zakelijke beslissingen te informeren, maar dat betekent niet dat ze samenwerken. Er neigt te bestaan een organisatorische kloof tussen de teams die ze ertoe dwingt onnodig afzonderlijke middelen te gebruiken om op vergelijkbare bestemmingen te komen.

Onderbenutten van uw data scientists kan significante tijd en resources verspillen. Glassdoor rapporteert dat het gemiddelde data scientist-salaris in de Verenigde Staten $113.309 is. Naast puur salaris, is er ook opportuniteitskost aan het verspillen van uw data scientists.

Er is momenteel een tekort aan data scientists, dus als u een team heeft, is het best om ze tot hun volle potentieel te benutten. Helaas worden deze zeldzame, dure eenhoorns vaak misbegrepen door zowel de organisaties die ze in dienst hebben als de RPA-teams waarmee ze zouden kunnen samenwerken.

Waarom bedrijven data scientists vaak misbegrijpen

Er zijn vier hoofredenen waarom bedrijven de waarde van data scientists onderschatten:

1. Hun zakelijke waarde is moeilijk te articuleren. Volgens een 2020 Anaconda Data Science-enquête voelen minder dan de helft (48%) van data scientists dat ze de impact van data science op zakelijke resultaten kunnen demonstreren.
2. ROI is duur. Data scientists – die al duur zijn – hebben vaak meer resources nodig dan bedrijven bereid zijn te investeren. Onze eigen Jeremy Tederry, een machine learning Product Manager bij UiPath en een voormalige data scientist, verliet ooit een bedrijf omdat het niet de resource had om een ML-model in productie te krijgen.
3. Hun werk levert geen waarde op zonder samenwerking. Data science-outputs in productie krijgen, waar ze een bedrijf kunnen beïnvloeden, is niet altijd straightforward. Data scientists hebben cross-organisatorische ondersteuning nodig om te slagen. Volgens Tederry: "ML-modellen kunnen alleen niet, en doen niet, iets – ze moeten in combinatie met andere teams werken en als onderdeel van een groter project opgenomen worden om succesvol te zijn."
4. Veel van hun inspanning gaat naar onzichtbaar werk. Volgens de data science-enquête van Anaconda die we hierboven citeerden, besteden 45% van data scientists hun tijd aan data voorbereiden (laden en schoonmaken) voordat het in een data-model of visualisatie gaat. Dit kan immens frustrerend zijn voor data scientists (zoals blijkt uit de onderstaande tweet).

RPA-ontwikkelaars misbegrijpen data scientists ook

De mindsets van RPA-ontwikkelaars en data scientists neigen ertoe anders te zijn omdat ze verschillende workflows en verschillende tijlijnen hebben. Wanneer uw workflow uiteenloopt, zal uw mindset dat ook. Dit is natuurlijk, maar het maakt het ook moeilijk voor deze teams om over afdelingen heen te communiceren, wat silo's creëert.

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

Beide teams beginnen met studeren, en beide zullen evalueren, lanceren en de fouten in hun oplossingen analyseren. Daarna verschuift de RPA-ontwikkelaar typisch hun strategie zodra ze omgevingsveranderingen tegenkomen, terwijl data scientists typisch feedback in de funnel steken die hun ML-modellen verder traint.

Dit kan lijken op een klein verschil op het eerste gezicht, maar de verschillen cascaderen zodra u uitzoomt en naar tijlijnen kijkt.

De tijdhorizon voor complex probleemoplossen – het soort waar data scientists het beste bij passen – is tenminste zes maanden. RPA-ontwikkelaars gebruiken 대신 agile workflows, meten vooruitgang in termen van weken. Dit betekent dat RPA-ontwikkelaars, gedomineerd in deze snellere workflows, neigen om te denken in termen van snelle oplossingen, terwijl data scientists neigen om te driften naar meer exploratieve projecten.

RPA-ontwikkelaar- en data scientist-vaardighedensets: anders maar complementair

Wanneer leiders RPA-ontwikkelaars en data scientists uitlijnen, zijn de voordelen die ze aan de organisaties kunnen leveren groter dan de som van hun delen. Een RPA-ontwikkelaar kan veel complexere processen automatiseren door met een data scientist te werken dan ze alleen kunnen, en een data scientist die met een RPA-ontwikkelaar werkt, kan sneller en beter gefocust werken dan ooit tevoren.

Ondanks de kloof die we beschreven, spreken RPA-ontwikkelaars en data scientists dezelfde taal – of tenminste coderen ze dat.

De UiPath State of RPA Developers Report 2020 toont aan dat meer dan 90% van RPA-ontwikkelaars een collegegraad heeft en dat Python al een van de top-talen is die RPA-ontwikkelaars kennen. De kennisgap is niet zo breed als u misschien vreest.

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

Het is niet alsof de kloof onzichtbaar is voor data scientists ook. Onderzoek toont aan dat data scientists bijna de helft van hun tijd besteden aan problemen die RPA-ontwikkelaars beter en sneller kunnen oplossen. Onthoud (volgens de 2020 Anaconda Data Science Survey die we hierboven citeerden), gemiddeld werd 45% van hun tijd besteed aan data klaarmaken voordat ze het konden gebruiken om modellen en visualisaties te ontwikkelen.

Laten we dit opsommen:

1. RPA-ontwikkelaars en data scientists kunnen communiceren in een gemeenschappelijke taal.
2. RPA-ontwikkelaars willen leren over en data science implementeren.
3. Data scientists zitten vaak vast met werk dat RPA-ontwikkelaars kunnen helpen met.

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

De muur tussen data science en RPA-teams doorbreken

Als leiders de barrières tussen deze teams kunnen doorbreken, kunnen ze massive kansen voor hun bedrijven ontgrendelen. Om dat te doen, moeten leiders data scientists in staat stellen hun behoeften te communiceren aan RPA-ontwikkelaars en beide teams coördineren om grotere resultaten op complexe problemen te behalen.

Leiders kunnen samenwerking faciliteren

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

Terwijl dat niet altijd haalbaar is en als organisationele rapportagestructuren anders zijn, kunnen respectieve leiders ervoor zorgen dat beide teams met elkaar praten en dat de communicatie werkelijk tweerichtig is. Om die samenwerkingsniveau te faciliteren, kunnen leiders high-value use cases promotie die de voordelen van beide teams die samenwerken benadrukken. Creativiteit is imperatief. Zoals we uitlegden, is er een tekort aan data scientists, dus slimme leiders zullen nieuwe manieren vinden om data scientist-aanstellingen te werven en RPA-ontwikkelaars te upskillen om data science-aangrenzend werk in hun plaats op te nemen.

RPA-ontwikkelaars kunnen data scientists helpen

Wanneer data scientists een probleem hebben, kunnen RPA-ontwikkelaars tot de redding komen.

Inside Big Data wijst op twee grote problemen die data scientists neigen te hebben:

1. Data scientists hebben tendens om niet voldoende gelabelde trainingsdata te hebben om hun leermodellen te leren.
2. Data scientists hebben de neiging om theoretische data van sandbox-datasets te gebruiken in plaats van data uit echte use cases.

Dit is waar RPA-ontwikkelaars instappen. RPA-ontwikkelaars kunnen data scientists helpen door:

• Metadata creëren: Softwarerobots, vooral gecombineerd met process mining, hinterlassen datasporen naarmate ze taken voltooien, waardoor processen begrijpelijker worden voor data scientists.
• Toegang tot legacy-systemen: Softwarerobots werken met legacy-systemen en maken de data die vastzat in oude tools toegankelijk.
• Data bruikbaar maken: RPA-ontwikkelaars kunnen grote datasets ontbinden in bruikbare componenten en diverse stukken data organiseren, labelen en opschonen tot een coherent geheel.
• Klaar-voor-gebruik AI-modules implementeren: Veel ML- en AI-use cases zijn niet nieuw, en in plaats van data scientists modellen vanaf nul te laten bouwen, kunnen RPA-ontwikkelaars pre-bestaande modules deployen.
• AutoML gebruiken om tijd te besparen: RPA-ontwikkelaars kunnen AutoML gebruiken om te bepalen welk voorspellend model het meest nauwkeurig is, zodat data scientists niet meerdere modellen voor een gegeven use case hoeven te maken en testen. Dit vrijmaakt data scientists om aan uitdagendere taken te werken.

Deze voordelen gecombineerd maken niet alleen het leven van data scientists makkelijker, maar helpen ze ook meer te bereiken dan ze eerder konden. RPA-ontwikkelaars stellen data scientists in staat om hun werk sneller en beter te doen, alsook de eindoplossing makkelijker te deployen.

UiPath kan uw data scientists en RPA-ontwikkelaars samen naar nieuwe hoogtes brengen

Het doel van een vooruitstrevend enterprise is niet om een compromis te vinden tussen de twee vaak uiteenlopende teams; het is om ze allebei te realigneren zodat ze meer samen kunnen bereiken dan ze apart konden. Data science heeft nauwkeurige, schone en geverifieerde data nodig. RPA-processen produceren schone data en beginnen vaak met data die rommelig en ongestructureerd is.

Zonder de juiste toolset die data over bedrijfsprocessen en automatiseringsworkflows aan het licht brengt, zal zelfs de beste leider worstelen om de twee teams samen te laten werken. Het UiPath-platform biedt de tools die bedrijven nodig hebben om hun data science- en RPA-teams te verenigen.

UiPath kan data scientists helpen:

• Softwarerobots creëren die data in één geconsolideerde plek verzamelen
• De "last mile" van MLOps leveren met UiPath AI Center en modellen in productie deployen
• De ROI bewijzen voor de modellen die ze bouwen, wat hen beter in staat stelt om de meerderheid van de tijd te focuseren op data verkennen en modellen verfijnen die real-world problemen oplossen
• Out-of-the-box AI-oplossingen benutten zoals UiPath Document Understanding en AI Document Understanding

UiPath helpt RPA-ontwikkelaars:

• AI-modellen snel testen en deployen
• Out-of-the-box AI-modellen gebruiken zodat data scientists geen hoeven te bouwen vanaf nul en gefocust kunnen blijven op nieuwe problemen en oplossingen
• AutoML-capaciteiten gebruiken met drag-and-drop gemak via AI Center
• Herbruikbare RPA-componenten, inclusief ML, deployen met de UiPath Marketplace

Laten we nog één laatste voorbeeld nadenken: als uw bedrijf wil beginnen met sentimentanalyse, kunnen uw RPA-ontwikkelaars een van onze starter-modellen implementeren en het de data geven die het nodig heeft om te werken. Als uw bedrijf dan wil dat de sentimentanalyse nauwkeuriger en robuuster wordt – of de gegeven algoritmes op andere wijze aanpast – dan heeft u een data scientist nodig.

Een andere manier om erover na te denken is dat als u wiskunde gebruikt om een probleem op te lossen, dat de rol is van de RPA-ontwikkelaar; als u probeert de wiskunde uit te zoeken, is dat de rol van de data scientist. UiPath biedt een platform dat beide soorten werk omvat.

Uw bedrijf kan zoveel meer doen dan u zich ooit kunt voorstellen, zodra u data science en RPA combineert. UiPath AI Center stelt u in staat – of u nu een data science-achtergrond heeft of niet – om AI te slepen en neer te zetten in uw zakelijke processen. Om een hands-on perspectief te krijgen, probeer vandaag nog een proefversie van UiPath AI Center.

Neem deel aan AI-leiders en UiPath-experts op de UiPath AI Summit!

Het virtuele evenement wordt gehouden over vier weken, vanaf 24 februari 2021. Of u nu nieuw bent bij AI of een ervaren AI-practitioner die uw robots wil superladen, er is een sessie voor u.