Volver a lo que le gusta de los datos:Resolver los dolores de cabeza comunes de la ciencia de datos con AI Fabric

Nota del editor: A medida que el mercado de la automatización sigue evolucionando, la plataforma UiPath también se actualiza para satisfacer mejor las necesidades de automatización de nuestros clientes. Como tal, algunos de los nombres de productos en este artículo han evolucionado desde que se publicó originalmente. Para obtener información actualizada, por favor visite nuestra página del Centro de IA .

Me encanta trabajar con datos. ¿Pero me causa algo de frustración? Tu apuesta.

Después de haber trabajado como científico de datos durante más de cinco años, sentí el dolor de tratar de equilibrar mis ambiciones de datos con las limitaciones que se presentan al ponerlos en práctica. Por ejemplo, dejé un puesto en una empresa que me gustaba porque no teníamos los recursos para poner en producción un modelo de aprendizaje automático (ML). Trabajamos muy duro para resolver tareas usando datos y terminamos sin tener la oportunidad de impactar el producto. Cuando su trabajo se empantana con desafíos organizacionales y operativos, puede ser fácil desanimarse y perder de vista por qué le gustaba trabajar con datos en primer lugar.

En este blog, me gustaría hablar sobre el viaje de un científico de datos:

• Qué motiva nuestro interés por el mundo de los datos

• Las limitaciones que enfrentamos cuando las expectativas se encuentran con las realidades

• Las posibilidades que tenemos para cambiar la forma en que operacionalizamos los datos integrando mejor la ciencia de datos en tecnologías como la automatización robótica de procesos (RPA)

• Por qué estoy entusiasmado con AI Fabric, una solución que integra inteligencia artificial (AI) con RPA, para generar nuevas oportunidades para aprovechar al máximo los datos

Por amor a los datos, me gusta ser un solucionador de problemas creativo, y los datos potencian la resolución creativa de problemas.

Usar datos para abordar tareas difíciles y resolver desafíos que afectan la vida de las personas me pareció una carrera profesional natural. Muchos de los científicos de datos con los que he trabajado ingresaron al campo para aprender a usar los datos para resolver problemas. Nos apasiona comprender los datos que tenemos, explorar, desarrollar y usar algoritmos de ML para probar nuestros datos y luego encontrar formas de llevar a cabo nuevas soluciones a través del poder y los conocimientos que impulsamos con los modelos que construimos.

Cuando decidí convertirme en científico de datos, sabía que había tareas y posibles dolores de cabeza que venían con el trabajo. Independientemente del tipo de datos con los que trabaje, inevitablemente:

• Dedique tiempo a procesar y limpiar sus datos

• Espera un momento a que tus modelos entrenen

• Dedique tiempo a probar diferentes hiperparámetros

Cuanto más trabajaba con datos, más consciente me volvía de lo complicada que puede llegar a ser la ciencia de datos dentro de los límites de una organización. Las realidades asociadas con ser un científico de datos comenzaron a eclipsar mis motivaciones originales para ingresar al campo.

Cuando la realidad golpea:establecer expectativas y administrar datos de principio a fin

Muchas empresas están adoptando un enfoque de desarrollo basado en datos y se encuentran en las etapas iniciales para explorar ML. El papel del científico de datos todavía es bastante raro y, en muchos casos, mal entendido. Pueden surgir diferentes desafíos para los científicos de datos cuando comenzamos a hacer operativos los datos dentro de una empresa y avanzamos en el uso de datos para resolver problemas.

Establecer expectativas sobre lo que una organización puede y no puede hacer con ML es un área en la que pasamos gran parte de nuestro tiempo. Es importante educar a otros sobre la naturaleza de nuestros roles como científicos de datos, dónde deseamos enfocar nuestro tiempo y qué necesitamos para que nuestros proyectos tengan éxito.

Otro desafío es el hecho de que las operaciones de ciencia de datos a menudo están aisladas dentro de las organizaciones. Esto puede limitar la capacidad de los proyectos de ciencia de datos para aportar valor a una organización.

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.

Además, a menudo es muy difícil mostrar el retorno de la inversión (ROI) impulsado por los modelos. Los científicos de datos a menudo enfrentan una batalla cuesta arriba al defender el papel de ML dentro de una organización. Los científicos de datos pueden hacer girar muchos ciclos defendiendo el papel que buscamos desempeñar y lo que necesitamos para tener un impacto.

Abordar los datos en sí trae su propio conjunto de desafíos únicos. A menudo dedicamos más tiempo a recopilar, consolidar y limpiar conjuntos de datos, en lugar de trabajar para comprender los datos y construir modelos. A menos que una canalización de integración continua y entrega continua (CI/CD) para sus modelos ya esté construida dentro de una empresa, gran parte de nuestro tiempo se dedica a crear una canalización escalable para llevar su modelo desde su máquina local a la puesta en escena y la producción. Esto no solo está fuera de nuestro alcance de trabajo, sino que nos quita tiempo que queremos dedicar a la construcción y prueba de modelos.

El monitoreo continuo del modelo también puede ser un desafío para el que no está preparado. ¿Experimentamos con alguna deriva de datos a lo largo del tiempo? ¿Los datos en producción siguen siendo los mismos que los datos que usamos para el entrenamiento? ¿Están las salidas todavía bajo control? Con nuevos datos, ¿nuestro modelo funciona tan bien como el modelo base, que se creó con el conjunto de entrenamiento? ¿Cuándo necesitas actualizar el modelo de ML?

Para volver a lo que amo, busqué oportunidades para trabajar para empresas que priorizan la integración de la ciencia de datos en procesos y planificación más amplios. Hoy, estoy emocionado de trabajar para una empresa que no solo prioriza la ciencia de datos internamente, sino que trabaja activamente para ayudar a las empresas a poner en funcionamiento y consumir modelos ML para generar mejores resultados comerciales.

Volver a lo que amas con AI Fabric

A medida que más y más organizaciones utilizan RPA para agilizar los procesos, surgen oportunidades para que los científicos de datos pongan en funcionamiento los datos de nuevas formas.

Aquí en UiPath, estamos comprometidos a unir la ciencia de datos y RPA y empoderar a las empresas para impulsar nuevos resultados mediante la automatización inteligente. Al unir la ciencia de datos con RPA, queremos aliviar muchos de los desafíos anteriores que enfrentan los científicos de datos a diario en el mundo de la automatización. Estamos impulsando estos esfuerzos con AI Fabric.

Lectura relacionada: Cómo utiliza Heritage Bank AI y AI Fabric

Creemos que la ciencia de datos y RPA son mejores cuando trabajan juntas. Es crucial hacer que la ciencia de datos sea una parte integral de un Centro de Excelencia (CoE) de RPA mediante la incorporación de científicos de datos para describir lo que es posible cuando se usan datos y ML para mejorar las capacidades de RPA.

A través del desarrollo de AI Fabric, nos enfocamos en ayudar a las organizaciones a pensar en ML como un paso dentro del proceso de automatización. Queremos ayudar a los usuarios a integrar ML con el desarrollo de RPA de manera más fluida. Con AI Fabric y RPA, los científicos de datos pueden simplificar las compilaciones de canalizaciones de datos con herramientas que se centran en el preprocesamiento y la recopilación de datos. Pueden implementar modelos con facilidad, monitorear modelos y adoptar un flujo de trabajo RPA diseñado para hacer que los humanos y los modelos ML trabajen juntos.

Al integrar la ciencia de datos con RPA, queremos ayudar a los científicos de datos a probar el ROI de los modelos creados e implementados, y centrarnos la mayor parte del tiempo en explorar datos y refinar modelos que resuelven problemas del mundo real.

¿Qué harías con más libertad para concentrarte en tus datos?

Sé por experiencia personal que empoderar a los científicos de datos para que se centren en resolver problemas utilizando datos e integrando la ciencia de datos en los procesos existentes puede cambiar la forma en que una organización evoluciona y crece.

Lo que más me importa es ayudar a los clientes a obtener mejores resultados. En mi función en UiPath, he visto de primera mano cómo las empresas pueden automatizar procesos más complejos al integrar la ciencia de datos con RPA. Es gratificante ver cómo los científicos de datos se liberan de los desafíos comunes de la operación de datos a medida que las empresas integran la ciencia de datos en las implementaciones de RPA a través de productos como AI Fabric.

Obtenga más información sobre AI Fabric o regístrese en nuestro programa Insider Preview para obtener acceso anticipado a nuevas ofertas en AI Fabric.