Sua equipe dos sonhos de automação precisa de desenvolvedores de 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 trimestre será melhor.

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

Ao combinar os recursos preditivos de inteligência artificial (IA) e aprendizado de máquina (ML) com automação, você pode levar essas informações de alto valor ao seu alcance. No entanto, existe uma divisão:as duas equipes que podem enfrentar esses desafios de dados complexos normalmente não trabalham juntas. Estou falando sobre seus desenvolvedores de automação de processos robóticos (RPA) e seus cientistas de dados.

Os conjuntos de habilidades de seus cientistas de dados e desenvolvedores de RPA são complementares. Com a governança certa, você pode configurar novos fluxos de trabalho que aproveitam ambos. Ao fazer isso, você pode dimensionar o ML mais rapidamente, liberar seus cientistas de dados para trabalhos mais complexos, capacitar os desenvolvedores de RPA e fazer pleno uso de ambas as equipes em relação aos resultados de negócios. O primeiro desafio a ser enfrentado é libertar seus cientistas de dados de seus silos.

Os cientistas de dados estão isolados em silos

Para introduzir a IA na empresa de forma prática e transformar sua organização com automação, é fundamental reunir as equipes de desenvolvedores de RPA e cientistas de dados. Silos não são incomuns, especialmente em grandes empresas, mas juntar essas duas equipes específicas é uma das mudanças mais impactantes que você pode fazer. Ambas as equipes querem ajudar a informar processos e decisões de negócios melhores e mais inteligentes, mas isso não significa que trabalhem juntas. Tende a existir uma lacuna organizacional entre as equipes que faz com que elas usem meios desnecessariamente separados para chegar a destinos semelhantes.

A subutilização de seus cientistas de dados pode desperdiçar tempo e recursos significativos. A Glassdoor informa que o salário médio de cientista de dados nos Estados Unidos é de US$ 113.309. Além do salário, também há um custo de oportunidade em desperdiçar seus cientistas de dados.

Atualmente, há uma escassez de cientistas de dados, portanto, se você tem uma equipe, é melhor usá-los em todo o seu potencial. Infelizmente, esses unicórnios raros e caros são muitas vezes incompreendidos tanto pelas organizações que os empregam quanto pelas equipes de RPA com as quais poderiam estar trabalhando.

Por que as empresas geralmente interpretam mal os cientistas de dados

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

1. 
   O valor comercial deles é difícil de articular. De acordo com uma pesquisa da Anaconda Data Science de 2020, menos da metade (48%) dos cientistas de dados sentem que podem demonstrar o impacto da ciência de dados nos resultados dos negócios.
   
2. 
   ROI é caro. Os cientistas de dados – que já são caros – geralmente precisam de mais recursos do que as empresas estão dispostas a investir. Nosso próprio Jeremy Tederry, gerente de produto de aprendizado de máquina da UiPath e ex-cientista de dados, deixou uma empresa porque não tinha recursos para colocar um modelo de ML em produção.
   
3. 
   O trabalho deles não agrega valor sem colaboração. Colocar os resultados da ciência de dados em produção, onde podem impactar um negócio, nem sempre é simples. Os cientistas de dados precisam de suporte interorganizacional para ter sucesso. De acordo com Tederry, “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”.
   
4. 
   Grande parte de seu esforço vai para o trabalho invisível. De acordo com a pesquisa de ciência de dados da Anaconda que mencionamos acima, 45% dos cientistas de dados gastam seu tempo preparando dados (carregamento e limpeza) antes de entrar em um modelo de dados ou visualização. Isso pode ser imensamente frustrante para os cientistas de dados (como fica evidente no tweet abaixo).
   

Fonte

Quando essas quatro razões se combinam, as 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.

Os desenvolvedores de RPA também não entendem os cientistas de dados

As mentalidades dos desenvolvedores de RPA e cientistas de dados tendem a ser diferentes porque têm fluxos de trabalho e cronogramas diferentes. Quando seu fluxo de trabalho diverge, sua mentalidade também. Isso é natural, mas também dificulta a comunicação dessas equipes entre os departamentos, criando silos.

Trung Nguyen, cientista de dados da MSD, é um bom exemplo. Em um artigo sobre automação inteligente, ele divide os fluxos de trabalho de RPA e ML em gráficos distintos, que você pode ver abaixo. Veja, em particular, como o desenvolvedor de RPA se concentra em escrever regras, enquanto o cientista de dados se concentra no treinamento de modelos de ML.

Ambas as equipes começam estudando e ambas avaliam, lançam e analisam os erros em suas soluções. Depois disso, o desenvolvedor de RPA normalmente muda sua estratégia quando encontra mudanças ambientais, enquanto os cientistas de dados normalmente canalizam o feedback em dados que treinam ainda mais seus modelos de ML.

Isso pode parecer uma pequena diferença à primeira vista, mas as diferenças se espalham quando você diminui o zoom e observa as linhas do tempo.

O horizonte de tempo para a resolução de problemas complexos – o tipo de cientista de dados mais adequado para enfrentar – é de pelo menos seis meses. Os desenvolvedores de RPA tendem a usar fluxos de trabalho ágeis, medindo o progresso em termos de semanas. Isso significa que os desenvolvedores de RPA, imersos nesses fluxos de trabalho mais rápidos, tendem a pensar em termos de soluções rápidas, enquanto os cientistas de dados tendem a se desviar para projetos mais exploratórios.

Conjuntos de habilidades para desenvolvedores de RPA e cientistas de dados:diferentes, mas complementares

Quando os líderes alinham desenvolvedores de RPA e cientistas de dados, os benefícios que eles podem oferecer às organizações são maiores do que a soma de suas partes. Um desenvolvedor de 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 de RPA pode trabalhar mais rápido e se concentrar melhor do que nunca.

Apesar da lacuna que descrevemos, desenvolvedores de 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% dos desenvolvedores de RPA têm diploma universitário e que o Python já é uma das principais linguagens conhecidas pelos desenvolvedores de RPA. A lacuna de conhecimento não é tão grande quanto você poderia temer.

Há um desejo de cruzar essa lacuna também. Em nossa pesquisa, os desenvolvedores de RPA já estão indicando que desejam aprender mais sobre tópicos adjacentes à ciência de dados. No UiPath The Impact of RPA on Employee Experience, mais de 80% dos desenvolvedores de RPA indicaram que queriam aprender sobre IA/ML. E no UiPath State of RPA Developers Report 2020, vários desenvolvedores de RPA disseram que, além do RPA, queriam adicionar conjuntos de habilidades de ML e ciência de dados.

Também não é como se a lacuna fosse invisível para os cientistas de dados. Pesquisas mostram que os cientistas de dados gastam quase metade do tempo em problemas que os desenvolvedores de RPA podem resolver melhor e mais rápido. Lembre-se (de acordo com a Pesquisa de Ciência de Dados Anaconda de 2020 que citamos acima), em média, 45% do tempo foi gasto preparando os dados antes que eles pudessem usá-los para desenvolver modelos e visualizações.

Vamos resumir isso:

1. 
   Desenvolvedores de RPA e cientistas de dados podem se comunicar em uma linguagem comum.
   
2. 
   Os desenvolvedores de RPA querem aprender e implementar a ciência de dados.
   
3. 
   Os cientistas de dados geralmente ficam presos ao trabalho que os desenvolvedores de RPA poderiam ajudar.
   

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

Quebrando a barreira entre as equipes de ciência de dados e RPA

Se os líderes podem quebrar as barreiras entre essas equipes, eles podem desbloquear grandes oportunidades para suas empresas. Para fazer isso, os líderes devem permitir que os cientistas de dados comuniquem suas necessidades aos desenvolvedores de RPA e coordenem as duas equipes para obter melhores resultados em problemas complexos.

Os líderes podem facilitar a colaboração

Organizações inteligentes colocam um líder de nível C no comando de ambas as equipes. Em nosso estudo de caso com o Heritage Bank, David Johnston, gerente de automação inteligente e excelência de processos, disse:“As equipes de ciência de dados e automação geralmente estão desconectadas. Em nossa organização, no entanto, ambas as equipes se reportam ao nosso CFO.” Essa foi uma grande parte da razão pela qual o Heritage Bank, trabalhando com o UiPath, conseguiu atingir 98% de precisão em seus modelos de ML mais recentes.

Embora isso nem sempre seja viável e se as estruturas de relatórios organizacionais forem diferentes, os respectivos líderes podem garantir que ambas as equipes conversem entre si e que a comunicação seja realmente bidirecional. Para facilitar esse nível de colaboração, os líderes podem promover casos de uso de alto valor que enfatizem os benefícios de ambas as equipes trabalharem juntas. A criatividade é imperativa. Como explicamos, há uma escassez de cientistas de dados, então líderes inteligentes encontrarão novas maneiras de contratar cientistas de dados e aprimorar os desenvolvedores de RPA para assumir o trabalho adjacente à ciência de dados em seu lugar.

Os desenvolvedores de RPA podem ajudar os cientistas de dados

Quando os cientistas de dados têm um problema, os desenvolvedores de RPA podem ajudar.

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

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

É aqui que entram os desenvolvedores de RPA. Os desenvolvedores de RPA podem beneficiar os cientistas de dados ao:

• 
  Criando metadados: Robôs de software, especialmente quando complementados com mineração de processos, deixam rastros de dados à medida que completam tarefas, tornando os processos mais compreensíveis para os cientistas de dados.
  
• 
  Acessando sistemas legados: Robôs de software trabalham com sistemas legados e tornam acessíveis os dados que costumavam ficar presos em ferramentas antigas.
  
• 
  Tornar os dados utilizáveis: Os desenvolvedores de RPA podem decompor grandes conjuntos de dados em componentes utilizáveis ​​e organizar, rotular e limpar dados díspares em um todo coerente.
  
• 
  Implementação de módulos de IA prontos: Muitos casos de uso de ML e IA não são novos e, em vez de cientistas de dados criarem modelos do zero, os desenvolvedores de RPA podem implantar módulos pré-existentes.
  
• 
  Usando o AutoML para economizar tempo: Os desenvolvedores de RPA podem usar o AutoML para descobrir qual modelo preditivo é o mais preciso, garantindo que os cientistas de dados não precisem criar e testar vários modelos para um determinado caso de uso. Isso libera os cientistas de dados para trabalhar em tarefas mais desafiadoras.
  

Esses benefícios combinados não apenas tornam a vida dos cientistas de dados, mas também os ajudam a realizar mais do que podiam anteriormente. Os desenvolvedores de RPA permitem que os cientistas de dados façam seus trabalhos de forma mais rápida e melhor, além de facilitar a implantação da solução final.

O UiPath pode ajudar seus cientistas de dados e desenvolvedores de RPA a alcançar novos patamares — juntos

O objetivo de uma empresa com visão de futuro não é encontrar um compromisso entre as duas equipes muitas vezes divergentes; é realinhar os dois para que possam realizar mais juntos do que separados. A ciência de dados precisa de dados precisos, limpos e verificados. Os processos de RPA produzem dados limpos e geralmente começam com dados confusos e não estruturados.

Sem o conjunto de ferramentas certo que exiba dados sobre processos de negócios e fluxos de trabalho de automação, até mesmo o melhor líder terá dificuldade para fazer as duas equipes trabalharem juntas. A plataforma UiPath fornece as ferramentas que as empresas precisam para unir suas equipes de ciência de dados e RPA.

O UiPath pode ajudar os cientistas de dados:

• 
  Crie robôs de software que coletam dados em um local consolidado
  
• 
  Entregue a "última milha" de MLOps com o UiPath AI Center e implante modelos em produção
  
• 
  Prove o ROI para os modelos que eles constroem, permitindo que eles concentrem a maior parte do tempo na exploração de dados e no refinamento de modelos que resolvem problemas do mundo real
  
• 
  Aproveite soluções de IA prontas para uso, como UiPath Document Understanding e AI Document Understanding
  

O UiPath ajuda os desenvolvedores de RPA:

• 
  Teste e implante rapidamente modelos de IA
  
• 
  Use modelos de IA prontos para uso para que os cientistas de dados não precisem criar nenhum do zero e possam permanecer focados em novos problemas e soluções
  
• 
  Use os recursos do AutoML com facilidade de arrastar e soltar usando o AI Center
  
• 
  Implante componentes de RPA reutilizáveis, incluindo ML, com o UiPath Marketplace
  

Vamos pensar em um último exemplo:se sua empresa quiser começar a usar a análise de sentimentos, seus desenvolvedores de RPA podem implementar um de nossos modelos iniciais e fornecer os dados necessários para funcionar. Se sua empresa deseja tornar a análise de sentimentos mais precisa e robusta - ou ajustar os algoritmos fornecidos -, você precisa de um cientista de dados.

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

Sua empresa pode fazer muito mais do que você imaginou, depois de combinar ciência de dados e RPA. O UiPath AI Center permite que você – independentemente de ter ou não experiência em ciência de dados – arraste e solte a IA diretamente em seus processos de negócios. Para obter uma perspectiva prática, experimente hoje mesmo uma avaliação do UiPath AI Center.

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

O evento virtual será realizado ao longo de quatro semanas, a partir de 24 de fevereiro de 2021. Se você é novo em IA ou um profissional de IA experiente que deseja turbinar seus robôs, há uma sessão para você.