Su Dream Team de automatización necesita desarrolladores de RPA y científicos de datos

Imagina que eres un director financiero (CFO) y el próximo trimestre está a punto de comenzar. El trimestre anterior fue bueno, pero tu intuición dice que el próximo trimestre será mejor.

En un mundo perfecto, cambiaría de un optimismo instintivo a una predicción respaldada por datos. Sabría desde el primer día cuánto dinero tendrá disponible su departamento al final del trimestre. Sabría exactamente lo que puede presupuestar y qué recursos puede dedicar en el próximo trimestre.

Al combinar las capacidades predictivas de la inteligencia artificial (IA) y el aprendizaje automático (ML) con la automatización, puede poner esta información de alto valor al alcance de su mano. Sin embargo, existe una división:los dos equipos que pueden abordar estos desafíos de datos complejos generalmente no trabajan juntos. Me refiero a sus desarrolladores de automatización de procesos robóticos (RPA) y sus científicos de datos.

Los conjuntos de habilidades de sus científicos de datos y desarrolladores de RPA son complementarios. Con la gobernanza adecuada, puede configurar nuevos flujos de trabajo que aprovechen ambos. Cuando lo haga, puede escalar ML más rápido, liberar a sus científicos de datos para un trabajo más complejo, mejorar las habilidades de los desarrolladores de RPA y hacer un uso completo de ambos equipos con respecto a los resultados comerciales. El primer desafío que debe asumir es liberar a sus científicos de datos de sus silos.

Los científicos de datos están aislados en silos

Para introducir prácticamente la IA en la empresa y transformar su organización con la automatización, es clave reunir a los equipos de desarrolladores de RPA y científicos de datos. Los silos no son poco comunes, especialmente en las grandes empresas, pero reunir a estos dos equipos en particular es uno de los cambios más impactantes que puede hacer. Ambos equipos quieren ayudar a informar procesos y decisiones comerciales mejores y más inteligentes, pero eso no significa que trabajen juntos. Tiende a existir una brecha organizacional entre los equipos que hace que usen medios innecesariamente separados para llegar a destinos similares.

La infrautilización de sus científicos de datos puede desperdiciar mucho tiempo y recursos. Glassdoor informa que el salario promedio de un científico de datos en los Estados Unidos es de $113,309. Más allá del salario, también hay un costo de oportunidad por desperdiciar a sus científicos de datos.

Actualmente hay una escasez de científicos de datos, por lo que si tiene un equipo, es mejor utilizarlos en todo su potencial. Desafortunadamente, estos raros y costosos unicornios a menudo son malinterpretados tanto por las organizaciones que los emplean como por los equipos de RPA con los que podrían estar trabajando.

Por qué las empresas suelen malinterpretar a los científicos de datos

Hay cuatro razones principales por las que las empresas subestiman el valor de los científicos de datos:

1. Su valor comercial es difícil de articular. Según una encuesta de Anaconda Data Science de 2020, menos de la mitad (48 %) de los científicos de datos sienten que pueden demostrar el impacto de la ciencia de datos en los resultados comerciales.

2. El retorno de la inversión es caro. Los científicos de datos, que ya son caros, a menudo necesitan más recursos de los que las empresas están dispuestas a invertir. Nuestro propio Jeremy Tederry, gerente de productos de aprendizaje automático en UiPath y ex científico de datos, una vez dejó una empresa porque no tenía los recursos para poner en producción un modelo de ML.

3. Su trabajo no genera valor sin colaboración. Llevar los resultados de la ciencia de datos a la producción, donde pueden impactar en un negocio, no siempre es sencillo. Los científicos de datos necesitan apoyo entre organizaciones para tener éxito. Según Tederry, "los modelos de ML por sí solos no pueden hacer nada, y no lo hacen; deben trabajar en conjunto con otros equipos e incluirse como parte de un proyecto más grande para tener éxito".

4. Gran parte de su esfuerzo se destina al trabajo invisible. Según la encuesta de ciencia de datos de Anaconda que mencionamos anteriormente, el 45 % de los científicos de datos pasan su tiempo preparando datos (cargando y limpiando) antes de que entren en un modelo o visualización de datos. Esto puede ser inmensamente frustrante para los científicos de datos (como se evidencia en el tweet a continuación).

Fuente

Cuando estas cuatro razones se combinan, las empresas tienden a subestimar y subutilizar a sus científicos de datos. Sin embargo, no saben que desbloquear su valor está a solo un equipo de distancia.

Los desarrolladores de RPA también malinterpretan a los científicos de datos

La mentalidad de los desarrolladores de RPA y los científicos de datos tiende a ser diferente porque tienen diferentes flujos de trabajo y diferentes plazos. Cuando su flujo de trabajo diverge, su forma de pensar también lo hará. Esto es natural, pero también dificulta que estos equipos se comuniquen entre departamentos, creando silos.

Trung Nguyen, científico de datos de MSD, proporciona un buen ejemplo. En un artículo sobre automatización inteligente, desglosa los flujos de trabajo de RPA y ML en gráficos distintos, que puede ver a continuación. Mire, en particular, cómo el desarrollador de RPA se enfoca en escribir reglas, mientras que el científico de datos se enfoca en entrenar modelos ML.

Ambos equipos comienzan estudiando, y ambos evaluarán, lanzarán y analizarán los errores en sus soluciones. Después de eso, el desarrollador de RPA generalmente cambia su estrategia una vez que se encuentran con cambios ambientales, mientras que los científicos de datos generalmente canalizan los comentarios hacia los datos que entrenan aún más sus modelos de ML.

Esto puede parecer una pequeña diferencia a primera vista, pero las diferencias se multiplican una vez que alejas el zoom y miras las líneas de tiempo.

El horizonte de tiempo para la resolución de problemas complejos, el tipo para el que los científicos de datos son los más adecuados, es de al menos seis meses. En cambio, los desarrolladores de RPA tienden a utilizar flujos de trabajo ágiles, midiendo el progreso en términos de semanas. Esto significa que los desarrolladores de RPA, inmersos en estos flujos de trabajo más rápidos, tienden a pensar en términos de soluciones rápidas, mientras que los científicos de datos tienden a derivar hacia proyectos más exploratorios.

Conjuntos de habilidades de desarrollador de RPA y científico de datos:diferentes pero complementarios

Cuando los líderes alinean a los desarrolladores de RPA y los científicos de datos, los beneficios que pueden brindar a las organizaciones son mayores que la suma de sus partes. Un desarrollador de RPA puede automatizar procesos mucho más complejos trabajando con un científico de datos que trabajando solo, y un científico de datos trabajando con un desarrollador de RPA puede trabajar más rápido y concentrarse mejor que nunca.

A pesar de la brecha que hemos descrito, los desarrolladores de RPA y los científicos de datos hablan el mismo idioma, o al menos lo codifican.

El informe UiPath State of RPA Developers 2020 muestra que más del 90 % de los desarrolladores de RPA tienen un título universitario y que Python ya es uno de los principales lenguajes conocidos por los desarrolladores de RPA. La brecha de conocimiento no es tan amplia como podrías temer.

También hay un deseo de cruzar esta brecha. En nuestra investigación, los desarrolladores de RPA ya están indicando que quieren aprender más sobre temas relacionados con la ciencia de datos. En UiPath The Impact of RPA on Employee Experience, más del 80% de los desarrolladores de RPA indicaron que querían aprender sobre AI/ML. Y en el informe UiPath State of RPA Developers 2020, varios desarrolladores de RPA dijeron que además de RPA, querían agregar conjuntos de habilidades de ML y ciencia de datos.

Tampoco es que la brecha sea invisible para los científicos de datos. La investigación muestra que los científicos de datos dedican casi la mitad de su tiempo a problemas que los desarrolladores de RPA pueden resolver mejor y más rápido. Recuerde (según la Encuesta de ciencia de datos de Anaconda de 2020 que citamos anteriormente), en promedio, el 45 % de su tiempo se dedicó a preparar los datos antes de poder usarlos para desarrollar modelos y visualizaciones.

Resumamos esto:

1. Los desarrolladores de RPA y los científicos de datos pueden comunicarse en un lenguaje común.

2. Los desarrolladores de RPA quieren aprender e implementar la ciencia de datos.

3. Los científicos de datos a menudo se quedan atrapados haciendo el trabajo con el que los desarrolladores de RPA podrían estar ayudando.

Eso nos deja con una pregunta:¿cómo podemos juntar estos equipos claramente complementarios?

Romper el muro entre los equipos de ciencia de datos y RPA

Si los líderes pueden derribar las barreras entre estos equipos, pueden desbloquear oportunidades masivas para sus empresas. Para hacerlo, los líderes deben permitir que los científicos de datos comuniquen sus necesidades a los desarrolladores de RPA y coordinar ambos equipos para lograr mejores resultados en problemas complejos.

Los líderes pueden facilitar la colaboración

Las organizaciones inteligentes ponen a un líder de nivel C-suite a cargo de ambos equipos. En nuestro estudio de caso con Heritage Bank, David Johnston, Gerente de Automatización Inteligente y Excelencia de Procesos, dijo:“Los equipos de ciencia de datos y automatización a menudo están desconectados. En nuestra organización, sin embargo, ambos equipos reportan a nuestro CFO”. Esta fue una gran parte de la razón por la que Heritage Bank, trabajando con UiPath, pudo lograr una precisión del 98 % en sus modelos ML más recientes.

Si bien eso puede no ser siempre factible y si las estructuras de informes organizacionales son diferentes, los líderes respectivos pueden garantizar que ambos equipos se comuniquen entre sí y que la comunicación sea verdaderamente bidireccional. Para facilitar ese nivel de colaboración, los líderes pueden promover casos de uso de alto valor que enfaticen los beneficios de que ambos equipos trabajen juntos. La creatividad es imprescindible. Como explicamos, hay escasez de científicos de datos, por lo que los líderes inteligentes encontrarán nuevas formas de contratar científicos de datos y mejorar las habilidades de los desarrolladores de RPA para que asuman el trabajo relacionado con la ciencia de datos en su lugar.

Los desarrolladores de RPA pueden ayudar a los científicos de datos

Cuando los científicos de datos tienen un problema, los desarrolladores de RPA pueden acudir al rescate.

Inside Big Data señala dos problemas principales que los científicos de datos suelen tener:

1. Los científicos de datos tienden a no tener suficientes datos de entrenamiento etiquetados para enseñar sus modelos de aprendizaje.

2. Los científicos de datos tienden a tener que usar datos teóricos de conjuntos de datos de sandbox en lugar de datos de casos de uso reales.

Aquí es donde entran los desarrolladores de RPA. Los desarrolladores de RPA pueden beneficiar a los científicos de datos al:

• Creación de metadatos: Los robots de software, especialmente cuando se complementan con la minería de procesos, dejan rastros de datos a medida que completan las tareas, lo que hace que los procesos sean más comprensibles para los científicos de datos.

• Acceso a sistemas heredados: Los robots de software funcionan con sistemas heredados y hacen accesibles los datos que solían estar atrapados en herramientas antiguas.

• Hacer que los datos sean utilizables: Los desarrolladores de RPA pueden descomponer grandes conjuntos de datos en componentes utilizables y organizar, etiquetar y limpiar piezas dispares de datos en un todo coherente.

• Implementación de módulos de IA listos para usar: Muchos casos de uso de ML e IA no son novedosos y, en lugar de que los científicos de datos construyan modelos desde cero, los desarrolladores de RPA pueden implementar módulos preexistentes.

• Uso de AutoML para ahorrar tiempo: Los desarrolladores de RPA pueden usar AutoML para encontrar qué modelo predictivo es el más preciso, lo que garantiza que los científicos de datos no tengan que crear y probar varios modelos para un caso de uso determinado. Esto libera a los científicos de datos para que trabajen en tareas más desafiantes.

Estos beneficios combinados no solo mejoran la vida de los científicos de datos, sino que también los ayudan a lograr más de lo que podían antes. Los desarrolladores de RPA permiten a los científicos de datos hacer su trabajo más rápido y mejor, además de facilitar la implementación de la solución final.

UiPath puede ayudar a sus científicos de datos y desarrolladores de RPA a alcanzar nuevas alturas, juntos

El objetivo de una empresa con visión de futuro no es encontrar un compromiso entre los dos equipos, a menudo divergentes; es para realinearlos a ambos para que puedan lograr más juntos de lo que podrían lograr separados. La ciencia de datos necesita datos precisos, limpios y verificados. Los procesos de RPA producen datos limpios y, a menudo, comienzan con datos desordenados y sin estructura.

Sin el conjunto de herramientas adecuado que muestre datos sobre procesos comerciales y flujos de trabajo de automatización, incluso el mejor líder tendrá dificultades para hacer que los dos equipos trabajen juntos. La plataforma UiPath proporciona las herramientas que las empresas necesitan para unir sus equipos de ciencia de datos y RPA.

UiPath puede ayudar a los científicos de datos:

• Cree robots de software que recopilen datos en un lugar consolidado

• Entregue la "última milla" de MLOps con UiPath AI Center e implemente modelos en producción

• Demuestre el ROI de los modelos que construyen, lo que les permite concentrarse mejor la mayor parte del tiempo en explorar datos y refinar modelos que resuelven problemas del mundo real

• Aproveche las soluciones de IA listas para usar, como la comprensión de documentos de UiPath y la comprensión de documentos de IA

UiPath ayuda a los desarrolladores de RPA:

• Pruebe e implemente rápidamente modelos de IA

• Use modelos de IA listos para usar para que los científicos de datos no tengan que crear ninguno desde cero y puedan concentrarse en problemas y soluciones novedosos

• Use las capacidades de AutoML con la facilidad de arrastrar y soltar usando AI Center

• Implemente componentes RPA reutilizables, incluido ML, con UiPath Marketplace

Pensemos en un último ejemplo:si su empresa desea comenzar a utilizar el análisis de sentimientos, sus desarrolladores de RPA pueden implementar uno de nuestros modelos iniciales y proporcionarle los datos que necesita para funcionar. Si su empresa quiere hacer que el análisis de sentimientos sea más preciso y más sólido, o modificar los algoritmos dados, entonces necesita un científico de datos.

Otra forma de pensarlo es que si está usando las matemáticas para resolver un problema, ese es el rol del desarrollador de RPA; si está tratando de descifrar las matemáticas, ese es el papel del científico de datos. UiPath proporciona una plataforma que incluye ambos tipos de trabajo.

Su empresa puede hacer mucho más de lo que ha imaginado, una vez que combina la ciencia de datos y RPA. UiPath AI Center le permite, ya sea que tenga experiencia en ciencia de datos o no, arrastrar y soltar IA directamente en sus procesos comerciales. Para obtener una perspectiva práctica, pruebe una prueba de UiPath AI Center hoy.

¡Únase a los líderes de IA y a los expertos de UiPath en la UiPath AI Summit!

El evento virtual se llevará a cabo durante cuatro semanas, a partir del 24 de febrero de 2021. Ya sea que sea nuevo en IA o un practicante experimentado de IA que busque potenciar sus robots, hay una sesión para usted.