Je data-passie weer aanwakkeren: AI Fabric lost veelvoorkomende data science-uitdagingen op

Redacteur's noot: Naarmate de automatiseringsmark voortdurend evolueert, werkt het UiPath-platform ook bij om de automatiseringsbehoeftes van onze klanten het beste te bedienen. Als zodanig zijn sommige productnamen in dit artikel geëvolueerd sinds de oorspronkelijke publicatie. Voor up-to-date informatie, bezoek alstublieft onze AI Center pagina.

Ik hou van werken met data. Maar veroorzaakt het me frustratie? Zeker weten.

Na meer dan vijf jaar gewerkt te hebben als data scientist, heb ik de pijn gevoeld van het balanceren van mijn ambities voor data met de beperkingen die komen bij het operationaliseren van data. Bijvoorbeeld, ik verliet een positie bij een bedrijf dat ik mooi vond, omdat we niet de resources hadden om een machine learning (ML) model in productie te krijgen. We werkten erg hard om taken op te lossen met data en eindigden er niet met de kans om het product te beïnvloeden. Als je job verstopt raakt met organisatorische en operationele uitdagingen, is het makkelijk om ontmoedigd te raken en het zicht te verliezen op waarom je in het begin leuk vond om met data te werken.

In deze blog wil ik praten over de reis van een data scientist:

• Wat onze interesse in de wereld van data motiveert

• De beperkingen waar we tegenaan lopen wanneer verwachtingen realiteit ontmoeten

• De mogelijkheden die we hebben om te veranderen hoe we data operationaliseren door data science beter te integreren in technologieën als Robotic Process Automation (RPA)

• Waarom ik enthousiast ben over AI Fabric, een oplossing die kunstmatige intelligentie (AI) integreert met RPA, om nieuwe kansen te drijven voor het optimaal benutten van data

Voor de liefde van data: ik ben graag een creatieve probleemoplosser, en data geeft creatieve probleemoplossing macht.

Data gebruiken om moeilijke taken aan te pakken en uitdagingen op te lossen die levens van mensen beïnvloeden, voelde als een natuurlijke carrièrepad voor me. Veel data scientists met wie ik heb gewerkt, gingen in het vak om te leren hoe data te gebruiken om problemen op te lossen. We zijn gepassioneerd over het begrijpen van de data die we hebben, het verkennen, ontwikkelen en gebruiken van ML-algoritmen om te testen op onze data, en dan manieren te vinden om nieuwe oplossingen tot stand te brengen door de kracht en inzichten die we drijven met de modellen die we bouwen.

Toen ik besloot data scientist te worden, wist ik dat er taken en mogelijke hoofdpijnen bij het werk horen. Ongeacht het type data waarmee je werkt, zul je onvermijdelijk:

• Tijd besteden aan het verwerken en opschonen van je data

• Een tijdje wachten tot je modellen getraind zijn

• Tijd besteden aan het uitproberen van verschillende hyperparameters

Hoe meer ik met data werkte, hoe meer ik me bewust werd van hoe gecompliceerd data science kan worden binnen de grenzen van een organisatie. De realiteiten die verbonden zijn met het zijn van een data scientist, begonnen mijn oorspronkelijke motivaties om in het vak te treden, te overschaduwen.

Wanneer de realiteit slaat: verwachtingen stellen en data end-to-end managen

Veel bedrijven omarmen een data-gedreven benadering voor ontwikkeling en zijn in de beginnende fasen voor het verkennen van ML. De rol van de data scientist is nog vrij zeldzaam, en in veel gevallen misverstaan. Verschillende uitdagingen kunnen rijzen voor data scientists wanneer we beginnen data binnen een bedrijf te operationaliseren en vooruitgaan met data om problemen op te lossen.

Verwachtingen stellen over wat een organisatie wel en niet kan met ML, is een gebied waar we veel van onze tijd aan besteden. Het is belangrijk om anderen te educeren over de aard van onze rollen als data scientists, waar we onze tijd willen richten, en wat we nodig hebben voor onze projecten om succesvol te zijn.

Een andere uitdaging is het feit dat data science-operaties vaak gesiloed zijn binnen organisaties. Dit kan de capaciteit van data science-projecten om waarde aan een organisatie te leveren, beperken.

Daarnaast kunnen ML-modellen alleen niet, en doen niet, iets – ze moeten in samenwerking met andere teams werken en opgenomen worden als onderdeel van een groter project om succesvol te zijn.

Bovendien is het vaak erg moeilijk om de return on investment (ROI) die door de modellen wordt gedreven, te tonen. Data scientists worstelen vaak om een case te maken voor de rol van ML binnen een organisatie. Data scientists kunnen veel cycli draaien om de case te maken voor het deel dat we willen spelen en wat we nodig hebben om impact te maken.

De data zelf aanpakken 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 een continuous integration en continuous delivery (CI/CD) pijplijn voor je modellen al binnen een bedrijf is gebouwd, wordt veel van onze tijd gewijd aan het creëren van een schaalbare pijplijn om je model van je lokale machine naar staging en productie te brengen. Dit is niet alleen buiten ons werkterrein, maar neemt ook tijd weg die we willen besteden aan modelbouw en -testen.

Lopende modelmonitoring kan ook een uitdaging zijn waar je niet voorbereid bent op. Experimenteren we met data drift over tijd? Zijn de data in productie nog steeds dezelfde als de data die we voor training gebruikten? Zijn de outputs nog steeds onder controle? Met nieuwe data, presteert ons model nog steeds even goed als het basismodel, dat gebouwd was met de trainingsset? Wanneer moet je het ML-model bijwerken?

Om terug te keren naar wat ik hou, heb ik gezocht naar kansen om voor bedrijven te werken die de integratie van data science in bredere processen en planning prioriteren. Vandaag ben ik enthousiast om voor een bedrijf te werken dat niet alleen data science intern prioriteert, maar actief werkt om bedrijven te helpen ML-modellen te operationaliseren en te consumeren om betere zakelijke resultaten te drijven.

Terug naar wat je lief hebt met AI Fabric

Naarmate steeds meer organisaties RPA gebruiken om processen te stroomlijnen, rijzen kansen voor data scientists om data op nieuwe manieren te operationaliseren.

Hier bij UiPath zijn we toegewijd aan het samenbrengen van data science en RPA en het empowern van bedrijven om nieuwe resultaten te drijven met intelligente automatisering. Door data science samen te brengen met RPA, willen we veel van de bovengenoemde uitdagingen die data scientists op een dagelijkse basis in de automatiseringswereld tegenkomen, verlichten. We drijven deze inspanningen met AI Fabric.

Gerelateerde lezing: Hoe Heritage Bank AI en AI Fabric gebruikt

We geloven dat data science en RPA beter zijn wanneer ze samenwerken. Het is cruciaal om data science een integraal onderdeel te maken van een RPA Center of Excellence (CoE) door data scientists in te schakelen om te schetsen wat er mogelijk is wanneer data en ML worden gebruikt om RPA-mogelijkheden te verbeteren.

Door de ontwikkeling van AI Fabric richten we ons op het helpen van organisaties om na te denken over ML als een stap binnen het automatiseringsproces. We willen gebruikers helpen ML naadlozer te integreren met RPA-ontwikkeling. Met AI Fabric en RPA kunnen data scientists datapijplijnbouw vereenvoudigen met tooling die zich richt op preprocessing en dataverzameling. Ze kunnen modellen gemakkelijk deployen, modellen monitoren, en een RPA-workflow omarmen die ontworpen is om mensen en ML-modellen samen te laten werken.

Door data science te integreren met RPA, willen we data scientists helpen de ROI voor de gebouwde en gedeployde modellen te bewijzen, en de meerderheid van de tijd richten op het verkennen van data en het verfijnen van modellen die real-world problemen oplossen.

Wat zou je doen met meer vrijheid om je te richten op je data?

Ik weet uit eigen ervaring dat het empowern van data scientists om zich te richten op het oplossen van problemen met data en het integreren van data science in bestaande processen, de manier kan veranderen waarop een organisatie evolueert en groeit.

Wat voor mij het meest uitmaakt, is klanten helpen betere resultaten te drijven. In mijn rol bij UiPath heb ik uit eigen ogen gezien hoe bedrijven complexere processen kunnen automatiseren door data science te integreren met RPA. Het is belonend om te zien hoe data scientists bevrijd worden van veelvoorkomende data-operationaliseringsuitdagingen naarmate bedrijven data science in RPA-implementaties bouwen door producten als AI Fabric.

Leer meer over AI Fabric of schrijf je in voor ons Insider Preview Program voor vroege toegang tot nieuwe aanbiedingen in AI Fabric.