Eleve Sua Estratégia de Automação com Desenvolvedores RPA e Cientistas de Dados

Imagine que você é um diretor financeiro (CFO), e o próximo trimestre está prestes a começar. O trimestre anterior foi bom, mas seu instinto diz que o próximo será melhor.

Em um mundo perfeito, você mudaria de um otimismo instintivo para uma previsão baseada em dados. Você saberia desde o dia um quanto dinheiro seu departamento terá em mãos no fim do trimestre. Você saberia exatamente o que pode orçar e quais recursos pode dedicar no próximo trimestre.

Combinando as capacidades preditivas de inteligência artificial (IA) e machine learning (ML) com automação, você pode trazer esta informação de alto valor para suas pontas dos dedos. No entanto, existe um abismo: as duas equipes que podem enfrentar esses desafios complexos de dados tipicamente não trabalham juntas. Estou falando de seus desenvolvedores de automação de processos robóticos (RPA) e seus cientistas de dados.

Os conjuntos de habilidades de seus cientistas de dados e desenvolvedores RPA são complementares. Com a governança certa, você pode configurar novos fluxos de trabalho que alavanquem ambos. Quando você faz isso, pode escalar ML mais rápido, liberar seus cientistas de dados para trabalho mais complexo, qualificar desenvolvedores RPA e fazer uso total de ambas equipes em relação a resultados de negócio. O primeiro desafio a enfrentar é libertar seus cientistas de dados de seus silos.

Cientistas de dados estão isolados em silos

Para introduzir IA praticamente na empresa e transformar sua organização com automação, juntar a equipe de desenvolvedor RPA e cientista de dados é chave. Silos não são incomuns, especialmente em grandes empresas, mas juntar estas duas equipes específicas é uma das mudanças mais impactantes que você pode fazer. Ambas equipes querem ajudar a informar processos e decisões de negócio melhores e mais inteligentes, mas isso não significa que trabalham juntas. Tende a existir uma lacuna organizacional entre as equipes que as faz usar meios desnecessariamente separados para chegar a destinos similares.

Subutilizar seus cientistas de dados pode desperdiçar tempo e recursos significativos. O Glassdoor reporta que o salário médio de cientista de dados nos Estados Unidos é $113.309. Além do salário puro, há custo de oportunidade em desperdiçar seus cientistas de dados também.

Atualmente existe uma escassez de cientistas de dados, então se você tem uma equipe, é melhor usá-los em seu potencial máximo. Infelizmente, estes raros e caros unicórnios são frequentemente mal entendidos tanto pelas organizações que os empregam quanto pelas equipes de RPA com as quais poderiam estar trabalhando.

Por que empresas frequentemente mal entendem cientistas de dados

Existem quatro razões principais pelas quais empresas subestimam o valor de cientistas de dados:

1. Seu valor de negócio é difícil de articular. Segundo pesquisa de Data Science da Anaconda 2020, menos da metade (48%) de cientistas de dados sentem que podem demonstrar o impacto de data science em resultados de negócio.
2. ROI é caro. Cientistas de dados — que já são caros — frequentemente precisam de mais recursos do que empresas estão dispostas a investir. Nosso próprio Jeremy Tederry, Product Manager de machine learning na UiPath e ex-cientista de dados, uma vez deixou uma empresa porque ela não tinha o recurso para colocar um modelo de ML em produção.
3. Seu trabalho não entrega valor sem colaboração. Colocar outputs de data science em produção, onde podem impactar um negócio, nem sempre é direto. Cientistas de dados precisam de suporte cross-organizacional para ter sucesso. Segundo Tederry, "Modelos 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."
4. Grande parte de seu esforço vai para trabalho invisível. Segundo a pesquisa de data science da Anaconda que mencionamos acima, 45% de cientistas de dados gastam seu tempo preparando dados (carregando e limpando) antes que eles entrem em um modelo de dados ou visualização. Isso pode ser imensamente frustrante para cientistas de dados (como evidente no tweet abaixo).

Fonte

Quando estas quatro razões se combinam, empresas tendem a subestimar e subutilizar seus cientistas de dados. Mal sabem eles, no entanto, que desbloquear seu valor está a apenas uma equipe de distância.

Desenvolvedores RPA também mal entendem cientistas de dados

As mentalidades de desenvolvedores RPA e cientistas de dados tendem a ser diferentes porque têm fluxos de trabalho e timelines diferentes. Quando seu fluxo de trabalho diverge, sua mentalidade também diverge. Isso é natural, mas também torna difícil para estas equipes se comunicarem entre departamentos, criando silos.

Trung Nguyen, cientista de dados na MSD, fornece um bom exemplo. Em um artigo sobre automação inteligente, ele divide fluxos de trabalho de RPA e ML em gráficos distintos, que você pode ver abaixo. Olhe, em particular, como o desenvolvedor RPA foca em escrever regras, enquanto o cientista de dados foca em treinar modelos de ML.

Ambas equipes começam estudando, e ambas avaliarão, lançarão e analisarão erros em suas soluções. Depois disso, o desenvolvedor RPA tipicamente muda sua estratégia uma vez que encontra mudanças ambientais, enquanto cientistas de dados tipicamente canalizam feedback em dados que treinam ainda mais seus modelos de ML.

Isso pode parecer uma diferença pequena à primeira vista, mas as diferenças cascateiam quando você dá zoom out e olha para timelines.

O horizonte de tempo para resolução de problemas complexos — o tipo para o qual cientistas de dados são mais adequados — é de pelo menos seis meses. Desenvolvedores RPA tendem a usar fluxos de trabalho ágeis, medindo progresso em termos de semanas. Isso significa que desenvolvedores RPA, imersos nestes fluxos de trabalho mais rápidos, tendem a pensar em termos de soluções rápidas, enquanto cientistas de dados tendem a derivar para projetos mais exploratórios.

Conjuntos de habilidades de desenvolvedor RPA e cientista de dados: diferentes mas complementares

Quando líderes alinham desenvolvedores RPA e cientistas de dados, os benefícios que podem entregar às organizações são maiores que a soma de suas partes. Um desenvolvedor RPA pode automatizar processos muito mais complexos trabalhando com um cientista de dados do que trabalhando sozinho, e um cientista de dados trabalhando com um desenvolvedor RPA pode trabalhar mais rápido e focar melhor do que nunca.

Apesar da lacuna que descrevemos, desenvolvedores RPA e cientistas de dados falam a mesma linguagem — ou pelo menos a codificam.

O UiPath State of RPA Developers Report 2020 mostra que mais de 90% de desenvolvedores RPA têm diploma universitário e que Python já é uma das principais linguagens conhecidas por desenvolvedores RPA. A lacuna de conhecimento não é tão ampla quanto você pode temer.

Existe um desejo de cruzar esta lacuna também. Em nossa pesquisa, desenvolvedores RPA já indicam que querem aprender mais sobre tópicos adjacentes a data science. No UiPath The Impact of RPA on Employee Experience, mais de 80% de desenvolvedores RPA indicaram que queriam aprender sobre IA/ML. E no UiPath State of RPA Developers Report 2020, vários desenvolvedores RPA disseram que além de RPA, queriam adicionar conjuntos de habilidades de ML e data science.

Não é como se a lacuna fosse invisível para cientistas de dados também. Pesquisa mostra que cientistas de dados gastam quase metade de seu tempo em problemas que desenvolvedores RPA podem resolver melhor e mais rápido. Lembre-se (segundo a 2020 Anaconda Data Science Survey que citamos acima), em média, 45% de seu tempo era gasto preparando dados antes que pudessem usá-los para desenvolver modelos e visualizações.

Vamos resumir:

1. Desenvolvedores RPA e cientistas de dados podem se comunicar em uma linguagem comum.
2. Desenvolvedores RPA querem aprender sobre e implementar data science.
3. Cientistas de dados frequentemente ficam presos fazendo trabalho que desenvolvedores RPA poderiam ajudar.

Então isso nos deixa com uma pergunta: como podemos juntar estas equipes claramente complementares?

Derrubando o muro entre equipes de data science e RPA

Se líderes podem derrubar barreiras entre estas equipes, eles podem desbloquear oportunidades massivas para suas empresas. Para fazer isso, líderes devem permitir que cientistas de dados comuniquem suas necessidades a desenvolvedores RPA e coordenem ambas equipes para alcançar resultados maiores em problemas complexos.

Líderes podem facilitar colaboração

Organizações inteligentes colocam um líder de nível C-suite no comando de ambas equipes. Em nosso case study com Heritage Bank, David Johnston, Manager of Intelligent Automation and Process Excellence, disse: "Equipes de data science e automação são frequentemente desconectadas. Em nossa organização, no entanto, ambas equipes reportam ao nosso CFO." Isso foi uma grande parte da razão pela qual Heritage Bank, trabalhando com UiPath, pôde alcançar 98% de precisão em seus modelos de ML mais recentes.

Embora isso nem sempre seja viável e se estruturas de reporte organizacionais são diferentes, respectivos líderes podem garantir que ambas equipes conversem entre si e que a comunicação seja verdadeiramente bidirecional. Para facilitar esse nível de colaboração, líderes podem promover casos de uso de alto valor que enfatizem os benefícios de ambas equipes trabalhando juntas. Criatividade é imperativa. Como explicamos, há escassez de cientistas de dados, então líderes inteligentes encontrarão novas formas de contratar cientistas de dados e fazer upskill de desenvolvedores RPA para assumir trabalho adjacente a data science em seu lugar.

Desenvolvedores RPA podem ajudar cientistas de dados

Quando cientistas de dados têm um problema, desenvolvedores RPA podem vir ao resgate.

Inside Big Data aponta dois grandes problemas que cientistas de dados tendem a ter:

1. Cientistas de dados tendem a não ter dados de treinamento rotulados suficientes para ensinar seus modelos de aprendizado.
2. Cientistas de dados tendem a ter que usar dados teóricos de datasets sandbox em vez de dados de casos de uso reais.

É aqui que desenvolvedores RPA entram. Desenvolvedores RPA podem beneficiar cientistas de dados por:

• Criar metadados: Robôs de software, especialmente quando complementados com process mining, deixam trilhas de dados conforme completam tarefas, tornando processos mais compreensíveis para cientistas de dados.
• Acessar sistemas legados: Robôs de software trabalham com sistemas legados e tornam acessíveis dados que costumavam estar presos em ferramentas antigas.
• Tornar dados utilizáveis: Desenvolvedores RPA podem decompor grandes conjuntos de dados em componentes utilizáveis e organizar, rotular e limpar pedaços díspares de dados em um todo coerente.
• Implementar módulos de IA prontos: Muitos casos de uso de ML e IA não são novos, e em vez de cientistas de dados construírem modelos do zero, desenvolvedores RPA podem implantar módulos pré-existentes.
• Usar AutoML para economizar tempo: Desenvolvedores RPA podem usar AutoML para encontrar qual modelo preditivo é o mais preciso, garantindo que cientistas de dados não tenham que criar e testar múltiplos modelos para um dado caso de uso. Isso libera cientistas de dados para trabalhar em tarefas mais desafiadoras.

Estes benefícios combinados não apenas tornam as vidas de cientistas de dados mais fáceis, mas também os ajudam a realizar mais do que podiam anteriormente. Desenvolvedores RPA permitem que cientistas de dados façam seus trabalhos mais rápido e melhor, bem como tornam a solução final mais fácil de implantar.

UiPath pode ajudar seus cientistas de dados e desenvolvedores RPA a alcançar novas alturas — juntos

O objetivo de uma empresa visionária não é encontrar um compromisso entre as duas equipes frequentemente divergentes; é realinhá-las ambas para que possam realizar mais juntas do que poderiam separadas. Data science precisa de dados precisos, limpos e verificados. Processos RPA produzem dados limpos e frequentemente começam com dados bagunçados e não estruturados.

Sem o conjunto certo de ferramentas que exponha dados sobre processos de negócio e fluxos de trabalho de automação, até o melhor líder lutará para fazer as duas equipes trabalharem juntas. A Plataforma UiPath fornece as ferramentas que empresas precisam para unir suas equipes de data science e RPA.

UiPath pode ajudar cientistas de dados:

• Criar robôs de software que reúnem dados em um lugar consolidado
• Entregar a "última milha" de MLOps com UiPath AI Center e implantar modelos em produção
• Provar o ROI para os modelos que constroem, permitindo melhor que foquem a maior parte do tempo em explorar dados e refinar modelos que resolvem problemas do mundo real
• Alavancar soluções de IA out-of-the-box como UiPath Document Understanding e AI Document Understanding

UiPath ajuda desenvolvedores RPA:

• Testar e implantar modelos de IA rapidamente
• Usar modelos de IA out-of-the-box para que cientistas de dados não tenham que construir nenhum do zero e possam permanecer focados em problemas e soluções novos
• Usar capacidades de AutoML com facilidade de drag-and-drop usando AI Center
• Implantar componentes RPA reutilizáveis, incluindo ML, com o UiPath Marketplace

Vamos pensar em um último exemplo: se sua empresa quer começar a usar análise de sentimento, seus desenvolvedores RPA podem implementar um de nossos modelos iniciais e dar a ele os dados que precisa para funcionar. Se sua empresa então quer tornar a análise de sentimento mais precisa e robusta — ou de outra forma ajustar os algoritmos dados — então você precisa de um cientista de dados.

Outra forma de pensar é que se você está usando matemática para resolver um problema, esse é o papel do desenvolvedor RPA; se você está tentando descobrir a matemática, esse é o papel do cientista de dados. UiPath fornece uma plataforma que inclui ambos tipos de trabalho.

Sua empresa pode fazer muito mais do que você imaginou, uma vez que você combine data science e RPA. UiPath AI Center permite que você — seja você tenha background em data science ou não — faça drag-and-drop de IA direto em seus processos de negócio. Para ter uma perspectiva prática, experimente um trial para UiPath AI Center hoje.

Junte-se a líderes de IA e especialistas UiPath no UiPath AI Summit!

O evento virtual será realizado ao longo de quatro semanas, começando em 24 de fevereiro de 2021. Seja você novo em IA ou um praticante experiente de IA procurando turbinar seus robôs, há uma sessão para você.