Eleve su estrategia de automatización con desarrolladores RPA y científicos de datos

Imagine que es un director financiero (CFO), y el próximo trimestre está a punto de comenzar. El trimestre anterior fue bueno, pero su instinto dice que el próximo será mejor.

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

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

Los conjuntos de habilidades de sus científicos de datos y desarrolladores de RPA son complementarios. Con la gobernanza correcta, puede configurar nuevos flujos de trabajo que aprovechen ambos. Cuando lo hace, puede escalar ML más rápido, liberar a sus científicos de datos para trabajo más complejo, capacitar a desarrolladores de RPA, y hacer uso completo de ambos equipos respecto a resultados de negocio. El primer desafío a abordar es liberar a sus científicos de datos de sus silos.

Los científicos de datos están aislados en silos

Para introducir prácticamente IA en la empresa y transformar su organización con automatización, juntar a los equipos de desarrollador RPA y científico de datos es clave. Los silos no son infrecuentes, especialmente en grandes empresas, pero juntar a estos dos equipos particulares es uno de los cambios más impactantes que puede hacer. Ambos equipos quieren ayudar a informar procesos y decisiones de negocio mejores e inteligentes, pero eso no significa que trabajen juntos. Tiende a existir una brecha organizacional entre los equipos que les hace usar medios innecesariamente separados para llegar a destinos similares.

Subutilizar a sus científicos de datos puede desperdiciar tiempo y recursos significativos. Glassdoor reporta que el salario promedio de científico de datos en Estados Unidos es $113,309. Más allá del salario puro, también hay coste de oportunidad en desperdiciar a sus científicos de datos.

Actualmente hay escasez de científicos de datos, así que si tiene un equipo, es mejor usarlos a su máximo potencial. Desafortunadamente, estos raros y caros unicornios a menudo son malentendidos tanto por las organizaciones que los emplean como por los equipos de RPA con los que podrían estar trabajando.

Por qué las empresas a menudo malentienden 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 de negocio es difícil de articular. Según una encuesta de Anaconda Data Science 2020, menos de la mitad (48%) de los científicos de datos sienten que pueden demostrar el impacto de la ciencia de datos en resultados de negocio.
2. El ROI es costoso. 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, un gerente de producto de aprendizaje automático en UiPath y ex científico de datos, una vez dejó una empresa porque no tenía el recurso para llevar un modelo ML a producción.
3. Su trabajo no entrega valor sin colaboración. Llevar salidas de ciencia de datos a producción, donde pueden impactar un negocio, no siempre es directo. Los científicos de datos necesitan apoyo transversal para tener éxito. Según Tederry, "Los modelos ML solos no pueden, y no hacen nada—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 va hacia trabajo invisible. Según la encuesta de ciencia de datos de Anaconda mencionada arriba, el 45% de los científicos de datos gastan su tiempo preparando datos (cargando y limpiando) antes de que vayan a un modelo de datos o visualización. Esto puede ser inmensamente frustrante para los científicos de datos (como es evidente en el tweet a continuación).

Fuente

Cuando estas cuatro razones se combinan, las empresas tienden a subestimar y subutilizar a sus científicos de datos. Poco saben, sin embargo, que desbloquear su valor está a solo un equipo de distancia.

Los desarrolladores de RPA también malentienden a los científicos de datos

Las mentalidades de desarrolladores de RPA y científicos de datos tienden a ser diferentes porque tienen flujos de trabajo y líneas de tiempo diferentes. Cuando su flujo de trabajo diverge, su mentalidad también lo hará. Esto es natural, pero también hace difícil que estos equipos se comuniquen entre departamentos, creando silos.

Trung Nguyen, científico de datos en MSD, proporciona un buen ejemplo. En un artículo sobre automatización inteligente, desglosa flujos de trabajo de RPA y ML en gráficos distintos, que puede ver abajo. 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 empiezan estudiando, y ambos evaluarán, lanzarán y analizarán los errores en sus soluciones. Después de eso, el desarrollador de RPA típicamente cambia su estrategia una vez que encuentran cambios ambientales, mientras que los científicos de datos típicamente canalizan retroalimentación en datos que entrenan aún más sus modelos ML.

Esto puede parecer una diferencia pequeña a primera vista, pero las diferencias se cascada una vez que hace zoom out y mira las líneas de tiempo.

El horizonte de tiempo para resolución de problemas complejos—el tipo para el que los científicos de datos están mejor preparados—es de al menos seis meses. Los desarrolladores de RPA en cambio tienden a usar flujos de trabajo ágiles, midiendo 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 RPA y científico de datos: diferentes pero complementarios

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

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

El Informe Estado de Desarrolladores RPA de UiPath 2020 muestra que más del 90% de los desarrolladores de RPA tienen un título universitario y que Python ya es uno de los principales idiomas conocidos por los desarrolladores de RPA. La brecha de conocimiento no es tan ancha como podría temer.

Hay un deseo de cruzar esta brecha también. En nuestra investigación, los desarrolladores de RPA ya están indicando que quieren aprender más sobre temas adyacentes a ciencia de datos. En el Informe Impacto de RPA en Experiencia de Empleado de UiPath, más del 80% de los desarrolladores de RPA indicaron que querían aprender sobre IA/ML. Y en el Informe Estado de Desarrolladores RPA de UiPath 2020, varios desarrolladores de RPA dijeron que además de RPA, querían agregar conjuntos de habilidades de ML y ciencia de datos.

No es como que la brecha sea invisible para los científicos de datos tampoco. La investigación muestra que los científicos de datos gastan casi la mitad de su tiempo en problemas que los desarrolladores de RPA pueden resolver mejor y más rápido. Recuerde (según la Encuesta de Ciencia de Datos Anaconda 2020 que citamos arriba), en promedio, el 45% de su tiempo se gastaba preparando datos antes de poder usarlos para desarrollar modelos y visualizaciones.

Resumamos esto:

1. Los desarrolladores de RPA y científicos de datos pueden comunicarse en un lenguaje común.
2. Los desarrolladores de RPA quieren aprender sobre e implementar ciencia de datos.
3. Los científicos de datos a menudo están atascados haciendo trabajo que los desarrolladores de RPA podrían ayudar.

Así que nos queda una pregunta: ¿cómo podemos juntar a estos equipos claramente complementarios?

Derribando el muro entre 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 desarrolladores de RPA y coordinar ambos equipos para lograr mayores 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 caso de estudio 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". Esto fue una gran parte de la razón por la que Heritage Bank, trabajando con UiPath, pudo lograr 98% de precisión en sus modelos ML más recientes.

Aunque eso no siempre sea factible y si las estructuras de reporte organizacional son diferentes, los respectivos líderes pueden asegurar que ambos equipos se hablen y que la comunicación sea verdaderamente bidireccional. Para facilitar ese nivel de colaboración, los líderes pueden promover casos de uso de alto valor que enfatizan los beneficios de ambos equipos trabajando juntos. La creatividad es imperativa. Como explicamos, hay escasez de científicos de datos, así que los líderes inteligentes encontrarán nuevas formas de contratar científicos de datos y capacitar desarrolladores de RPA para asumir trabajo adyacente a 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 venir al rescate.

Inside Big Data señala dos problemas principales que los científicos de datos tienden a 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 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 mediante:

• Crear metadatos: Los robots de software, especialmente cuando se complementan con minería de procesos, dejan rastros de datos al completar tareas, haciendo los procesos más entendibles para los científicos de datos.
• Acceder a sistemas heredados: Los robots de software trabajan con sistemas heredados y hacen accesibles los datos que solían estar atrapados en herramientas antiguas.
• Hacer datos 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.
• Implementar 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 desplegar módulos preexistentes.
• Usar AutoML para ahorrar tiempo: Los desarrolladores de RPA pueden usar AutoML para encontrar qué modelo predictivo es el más preciso, asegurando que los científicos de datos no tengan que hacer y probar múltiples modelos para un caso de uso dado. Esto libera a los científicos de datos para trabajar en tareas más desafiantes.

Estos beneficios combinados no solo hacen la vida de los científicos de datos más fácil sino que también les ayudan a lograr más de lo que podían anteriormente. Los desarrolladores de RPA permiten a los científicos de datos hacer sus trabajos más rápido y mejor, así como hacer la solución final más fácil de desplegar.

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 realinearlos a ambos para que puedan lograr más juntos de lo que podían aparte. La ciencia de datos necesita datos precisos, limpios y verificados. Los procesos RPA producen datos limpios y a menudo empiezan con datos que son desordenados y no estructurados.

Sin el conjunto de herramientas correcto que revele datos sobre procesos de negocio y flujos de trabajo de automatización, incluso el mejor líder luchará para hacer que los dos equipos trabajen juntos. La Plataforma UiPath proporciona las herramientas que las empresas necesitan para unir a sus equipos de ciencia de datos y RPA.

UiPath puede ayudar a los científicos de datos:

• Crear robots de software que recopilen datos en un lugar consolidado
• Entregar la "última milla" de MLOps con UiPath AI Center y desplegar modelos en producción
• Demostrar el ROI para los modelos que construyen, permitiéndoles enfocar la mayoría del tiempo en explorar datos y refinar modelos que resuelven problemas del mundo real
• Aprovechar soluciones de IA listas para usar como UiPath Document Understanding e IA Document Understanding

UiPath ayuda a los desarrolladores de RPA:

• Probar y desplegar modelos de IA rápidamente
• Usar modelos de IA listos para usar para que los científicos de datos no tengan que construir ninguno desde cero y puedan permanecer enfocados en problemas y soluciones novedosas
• Usar capacidades AutoML con facilidad de arrastrar y soltar usando AI Center
• Desplegar componentes RPA reutilizables, incluyendo ML, con UiPath Marketplace

Pensemos en un último ejemplo: si su empresa quiere empezar a usar análisis de sentimiento, sus desarrolladores de RPA pueden implementar uno de nuestros modelos iniciales y darle los datos que necesita para funcionar. Si su empresa luego quiere hacer el análisis de sentimiento más preciso y robusto—o de otra manera ajustar los algoritmos dados—entonces necesita un científico de datos.

Otra forma de pensarlo es que si está usando matemáticas para resolver un problema, ese es el rol del desarrollador de RPA; si está intentando descubrir las matemáticas, ese es el rol 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 combine ciencia de datos y RPA. UiPath AI Center le permite—aunque tenga un background en ciencia de datos o no—arrastrar y soltar IA directamente en sus procesos de negocio. Para obtener una perspectiva práctica, pruebe una prueba gratuita de UiPath AI Center hoy.

¡Únase a líderes de IA y expertos de UiPath en la Cumbre de IA de UiPath!

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