Voltando ao que você ama nos dados:resolvendo as dores de cabeça comuns da ciência de dados com o AI Fabric

Nota do editor: À medida que o mercado de automação continua a evoluir, a plataforma UiPath também é atualizada para melhor atender às necessidades de automação de nossos clientes. Como tal, alguns dos nomes de produtos neste artigo evoluíram desde que o artigo foi publicado originalmente. Para informações atualizadas, por favor visite nossa página da Central de IA .

Adoro trabalhar com dados. Mas isso me causa alguma frustração? Pode apostar.

Tendo trabalhado como cientista de dados por mais de cinco anos, senti a dor de tentar equilibrar minhas ambições de dados com as limitações que surgem ao operacionalizar dados. Por exemplo, deixei um cargo em uma empresa de que gostava porque não tínhamos recursos para colocar um modelo de aprendizado de máquina (ML) em produção. Trabalhamos muito para resolver tarefas usando dados e acabamos não tendo a oportunidade de impactar o produto. Quando seu trabalho fica atolado com desafios organizacionais e operacionais, pode ser fácil ficar desanimado e perder de vista por que você gostou de trabalhar com dados em primeiro lugar.

Neste blog, gostaria de falar sobre a jornada de um cientista de dados:

• 
  O que motiva nosso interesse no mundo dos dados
  
• 
  As limitações que enfrentamos quando as expectativas atendem à realidade
  
• 
  As possibilidades que temos para mudar a forma como operacionalizamos os dados, integrando melhor a ciência de dados em tecnologias como Robotic Process Automation (RPA)
  
• 
  Por que estou entusiasmado com o AI Fabric, uma solução que integra inteligência artificial (AI) com RPA, para gerar novas oportunidades de aproveitar ao máximo os dados
  

Por amor aos dados, gosto de ser um solucionador criativo de problemas, e os dados capacitam a solução criativa de problemas.

Usar dados para lidar com tarefas difíceis e resolver desafios que afetam a vida das pessoas parecia uma carreira natural para mim. Muitos dos cientistas de dados com quem trabalhei entraram em campo para aprender como usar dados para resolver problemas. Somos apaixonados por entender os dados que temos, explorar, desenvolver e usar algoritmos de ML para testar nossos dados e, em seguida, encontrar maneiras de trazer novas soluções por meio do poder e dos insights que geramos com os modelos que construímos.

Quando decidi me tornar um cientista de dados, sabia que havia tarefas e possíveis dores de cabeça que acompanham o trabalho. Independentemente do tipo de dados com os quais você trabalha, você inevitavelmente:

• 
  Gaste tempo processando e limpando seus dados
  
• 
  Espere um pouco para seus modelos treinarem
  
• 
  Passe algum tempo testando diferentes hiperparâmetros
  

Quanto mais eu trabalhava com dados, mais consciente ficava sobre como a ciência de dados pode se tornar complicada dentro dos limites de uma organização. As realidades associadas a ser um cientista de dados começaram a ofuscar minhas motivações originais para entrar no campo.

Quando a realidade atinge:definindo expectativas e gerenciando dados de ponta a ponta

Muitas empresas estão adotando uma abordagem de desenvolvimento orientada por dados e estão nos estágios iniciais para explorar o ML. O papel do cientista de dados ainda é bastante raro e, em muitos casos, incompreendido. Diferentes desafios podem surgir para os cientistas de dados quando começamos a operacionalizar os dados dentro de uma empresa e avançamos usando dados para resolver problemas.

Definir expectativas sobre o que uma organização pode – e não pode – fazer com ML é uma área em que passamos muito tempo. É importante educar outras pessoas sobre a natureza de nossas funções como cientistas de dados, onde desejamos concentrar nosso tempo e o que precisamos para que nossos projetos sejam bem-sucedidos.

Um outro desafio é o fato de que as operações de ciência de dados geralmente são isoladas dentro das organizações. Isso pode limitar a capacidade dos projetos de ciência de dados de agregar valor a uma organização.

Os modelos de ML sozinhos não podem e não fazem nada - eles devem trabalhar em conjunto com outras equipes e ser incluídos como parte de um projeto maior para serem bem-sucedidos.

Além disso, muitas vezes é muito difícil mostrar o retorno do investimento (ROI) impulsionado pelos modelos. Os cientistas de dados geralmente enfrentam uma batalha difícil para defender o papel do ML dentro de uma organização. Os cientistas de dados podem girar muitos ciclos, defendendo o papel que buscamos desempenhar e o que precisamos para causar impacto.

Lidar com os dados em si traz seu próprio conjunto de desafios únicos. Muitas vezes, gastamos mais tempo coletando, consolidando e limpando conjuntos de dados, em vez de trabalhar para entender os dados e construir modelos. A menos que um pipeline de integração contínua e entrega contínua (CI/CD) para seus modelos já seja construído em uma empresa, muito do nosso tempo é dedicado à criação de um pipeline escalável para levar seu modelo de sua máquina local para preparação e produção. Isso não está apenas fora do nosso escopo de trabalho, mas também nos tira o tempo que queremos dedicar à construção e teste de modelos.

O monitoramento contínuo do modelo também pode ser um desafio para o qual você não está preparado. Experimentamos algum desvio de dados ao longo do tempo? Os dados em produção ainda são os mesmos que usamos para treinamento? As saídas ainda estão sob controle? Com novos dados, nosso modelo funciona tão bem quanto o modelo base, que foi construído com o conjunto de treinamento? Quando você precisa atualizar o modelo de ML?

Para voltar ao que amo, busquei oportunidades de trabalhar para empresas que priorizam a integração da ciência de dados em processos e planejamentos mais amplos. Hoje, estou empolgado por trabalhar para uma empresa que não apenas prioriza a ciência de dados internamente, mas também está trabalhando ativamente para ajudar as empresas a operacionalizar e consumir modelos de ML para gerar melhores resultados de negócios.

Voltando ao que você ama com o AI Fabric

À medida que mais e mais organizações usam RPA para otimizar processos, surgem oportunidades para os cientistas de dados operacionalizarem os dados de novas maneiras.

Aqui na UiPath, estamos comprometidos em unir ciência de dados e RPA e capacitar as empresas a gerar novos resultados usando automação inteligente. Ao reunir a ciência de dados com a RPA, queremos aliviar muitos dos desafios acima que os cientistas de dados enfrentam diariamente no mundo da automação. Estamos conduzindo esses esforços com o AI Fabric.

Leitura relacionada: Como o Heritage Bank está usando AI e AI Fabric

Acreditamos que a ciência de dados e o RPA são melhores quando trabalham juntos. É crucial tornar a ciência de dados parte integrante de um Centro de Excelência de RPA (CoE), trazendo cientistas de dados para delinear o que é possível ao usar dados e ML para aprimorar os recursos de RPA.

Por meio do desenvolvimento do AI Fabric, estamos focados em ajudar as organizações a pensar no ML como uma etapa do processo de automação. Queremos ajudar os usuários a integrar o ML com o desenvolvimento de RPA de forma mais transparente. Usando AI Fabric e RPA, os cientistas de dados podem simplificar as compilações de pipeline de dados com ferramentas que se concentram no pré-processamento e na coleta de dados. Eles podem implantar modelos com facilidade, monitorar modelos e adotar um fluxo de trabalho RPA projetado para fazer com que humanos e modelos de ML funcionem juntos.

Ao integrar a ciência de dados à RPA, queremos ajudar os cientistas de dados a comprovar o ROI dos modelos criados e implantados e concentrar a maior parte do tempo na exploração de dados e no refinamento de modelos que resolvem problemas do mundo real.

O que você faria com mais liberdade para se concentrar em seus dados?

Eu sei por experiência pessoal que capacitar os cientistas de dados para se concentrar na solução de problemas usando dados e integrar a ciência de dados em processos existentes pode mudar a maneira como uma organização evolui e cresce.

O que mais importa para mim é ajudar os clientes a obter melhores resultados. Em minha função na UiPath, vi em primeira mão como as empresas podem automatizar processos mais complexos integrando ciência de dados com RPA. É gratificante ver os cientistas de dados se libertarem dos desafios comuns de operacionalização de dados à medida que as empresas incorporam a ciência de dados às implantações de RPA por meio de produtos como o AI Fabric.

Saiba mais sobre o AI Fabric ou inscreva-se no nosso programa Insider Preview para ter acesso antecipado a novas ofertas no AI Fabric.