Reaviva tu pasión por los datos: AI Fabric resuelve desafíos comunes de ciencia de datos

Nota del editor: A medida que el mercado de automatización sigue evolucionando, la plataforma UiPath también se actualiza para servir mejor las necesidades de automatización de nuestros clientes. Como tal, algunos nombres de productos en este artículo han evolucionado desde su publicación original. Para información actualizada, por favor visita nuestra página de AI Center.

Me encanta trabajar con datos. ¿Pero me causa frustración? Sin duda.

Habiendo trabajado como científico de datos por más de cinco años, he sentido el dolor de intentar equilibrar mis ambiciones con los datos con las limitaciones que vienen al operacionalizarlos. Por ejemplo, dejé un puesto en una empresa que me gustaba porque no teníamos los recursos para llevar un modelo de machine learning (ML) a producción. Trabajamos muy duro para resolver tareas usando datos y terminamos sin la oportunidad de impactar el producto. Cuando tu trabajo se atasca con desafíos organizacionales y operativos, es fácil desanimarse y perder de vista por qué te 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 en el mundo de los datos
• Las limitaciones que enfrentamos cuando las expectativas chocan con la realidad
• Las posibilidades que tenemos para cambiar cómo 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 (IA) con RPA, para impulsar nuevas oportunidades de aprovechar al máximo los datos

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

Usar datos para abordar tareas difíciles y resolver desafíos que impactan la vida de las personas se sintió como un camino profesional natural para mí. Muchos de los científicos de datos con los que he trabajado entraron en el campo para aprender a usar datos para resolver problemas. Somos apasionados por entender los datos que tenemos, explorar, desarrollar y usar algoritmos ML para probar en nuestros datos, y luego encontrar formas de llevar nuevas soluciones a la realidad a través del poder y los insights que impulsamos con los modelos que construimos.

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

• Pasarás tiempo procesando y limpiando tus datos
• Esperarás un tiempo a que tus modelos entrenen
• Pasarás tiempo probando diferentes hiperparámetros

Cuanto más trabajé con datos, más consciente me volví de lo complicada que puede volverse la ciencia de datos dentro de los límites de una organización. Las realidades asociadas con ser científico de datos comenzaron a opacar mis motivaciones originales para entrar en el campo.

Cuando la realidad golpea: Establecer expectativas y gestionar datos de extremo a extremo

Muchas empresas están adoptando un enfoque basado en datos para el desarrollo y están en etapas iniciales de exploración de ML. El rol del científico de datos sigue siendo bastante raro y, en muchos casos, mal entendido. Diferentes desafíos pueden surgir para los científicos de datos cuando comenzamos a operacionalizar datos dentro de una empresa y avanzamos usando datos para resolver problemas.

Establecer expectativas sobre lo que una organización puede —y no puede— hacer con ML es un área donde pasamos mucho 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 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 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.

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

Abordar los datos en sí trae su propio conjunto de desafíos únicos. A menudo pasamos más tiempo recopilando, consolidando y limpiando conjuntos de datos, en lugar de trabajar para entender los datos y construir modelos. A menos que un pipeline de integración continua y entrega continua (CI/CD) para tus modelos ya esté construido dentro de una empresa, gran parte de nuestro tiempo se dedica a crear un pipeline escalable para llevar tu modelo de tu máquina local a staging y producción. Esto no solo está fuera de nuestro alcance de trabajo, sino que 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 estás preparado. ¿Experimentamos con deriva de datos con el tiempo? ¿Los datos en producción siguen siendo los mismos que usamos para entrenar? ¿Las salidas siguen bajo control? Con nuevos datos, ¿nuestro modelo rinde tan bien como el modelo base, que se construyó con el conjunto de entrenamiento? ¿Cuándo necesitas actualizar el modelo ML?

Para volver a lo que amo, he buscado oportunidades para trabajar en 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 activamente trabaja para ayudar a las empresas a operacionalizar y consumir modelos ML para impulsar mejores resultados de negocio.

Volver a lo que amas con AI Fabric

A medida que más organizaciones usan RPA para agilizar procesos, surgen oportunidades para que los científicos de datos operacionalicen datos de nuevas formas.

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

Lectura relacionada: Cómo Heritage Bank está usando IA y AI Fabric

Creemos que la ciencia de datos y la RPA son mejores cuando trabajan juntas. Es crucial hacer de la ciencia de datos una parte integral de un Centro de Excelencia (CoE) de RPA incorporando científicos de datos para delinear lo que es posible al usar datos y ML para mejorar las capacidades de RPA.

A través del desarrollo de AI Fabric, nos centramos 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 desarrollo de RPA de forma más fluida. Usando AI Fabric y RPA, los científicos de datos pueden simplificar la construcción de pipelines de datos con herramientas que se centran en el preprocesamiento y recopilación de datos. Pueden desplegar modelos con facilidad, monitorear modelos y adoptar un flujo de trabajo de RPA diseñado para hacer que humanos y modelos ML trabajen juntos.

Al integrar ciencia de datos con RPA, queremos ayudar a los científicos de datos a demostrar el ROI de los modelos construidos y desplegados, y enfocar la mayor parte del tiempo en explorar datos y refinar modelos que resuelvan problemas del mundo real.

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

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

Lo que más me importa es ayudar a los clientes a impulsar mejores resultados. En mi rol en UiPath, he visto de primera mano cómo las empresas pueden automatizar procesos más complejos integrando ciencia de datos con RPA. Es gratificante ver a los científicos de datos liberarse de los desafíos comunes de operacionalización de datos mientras las empresas construyen ciencia de datos en despliegues de RPA a través de productos como AI Fabric.

Aprende más sobre AI Fabric o regístrate en nuestro Programa Insider Preview para acceso temprano a nuevas ofertas en AI Fabric.