Reacenda Sua Paixão por Dados: AI Fabric Resolve Desafios Comuns de Ciência de Dados

Nota do editor: À medida que o mercado de automação continua a evoluir, a Plataforma UiPath também atualiza para melhor atender às necessidades de automação de nossos clientes. Como tal, alguns dos nomes de produtos neste artigo evoluíram desde a publicação original. Para informações atualizadas, por favor visite nossa página do AI Center.

Adoro trabalhar com dados. Mas isso me causa alguma frustração? Com certeza.

Tendo trabalhado como cientista de dados por mais de cinco anos, senti a dor de tentar equilibrar minhas ambições para dados com as limitações que vêm ao operacionalizá-los. Por exemplo, deixei um cargo em uma empresa que gostava porque não tínhamos recursos para colocar um modelo de machine learning (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 em desafios organizacionais e operacionais, pode ser fácil desanimar e perder de vista por que você gostava 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 expectativas encontram realidades

• As possibilidades que temos de mudar como operacionalizamos dados integrando melhor ciência de dados em tecnologias como Automação de Processos Robóticos (RPA)

• Por que estou entusiasmado com AI Fabric, uma solução que integra inteligência artificial (IA) com RPA, para impulsionar novas oportunidades de aproveitar ao máximo os dados

Pelo amor aos dados, gosto de ser um solucionador criativo de problemas, e dados capacitam a resolução criativa de problemas.

Usar dados para enfrentar tarefas difíceis e resolver desafios que impactam a vida das pessoas parecia um caminho de carreira natural para mim. Muitos dos cientistas de dados com quem trabalhei entraram na área para aprender como usar dados para resolver problemas. Somos apaixonados por entender os dados que temos, explorar, desenvolver e usar algoritmos ML para testar em nossos dados, e então encontrar maneiras de trazer novas soluções à fruição através do poder e insights que impulsionamos com os modelos que construímos.

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

• Gastará tempo processando e limpando seus dados

• Esperará um pouco para seus modelos treinarem

• Gastará tempo testando diferentes hiperparâmetros

Quanto mais trabalhava com dados, mais consciente me tornava sobre quão complicada a ciência de dados pode se tornar dentro dos limites de uma organização. As realidades associadas a ser um cientista de dados começaram a ofuscar minhas motivações originais para entrar na área.

Quando a realidade bate: Definindo expectativas e gerenciando dados ponta a ponta

Muitas empresas estão adotando uma abordagem orientada a dados para desenvolvimento e estão nos estágios iniciais de exploração de ML. O papel do cientista de dados ainda é bastante raro e, em muitos casos, mal compreendido. Diferentes desafios podem surgir para cientistas de dados quando começamos a operacionalizar 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 onde gastamos muito tempo. É importante educar outros sobre a natureza de nossos papéis como cientistas de dados, onde desejamos focar nosso tempo e o que precisamos para que nossos projetos sejam bem-sucedidos.

Outro desafio é o fato de que operações de ciência de dados são frequentemente isoladas dentro das organizações. Isso pode limitar a capacidade de projetos de ciência de dados de trazer valor a uma organização.

Além disso, 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.

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

Enfrentar os próprios dados traz seu próprio conjunto de desafios únicos. Frequentemente 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 esteja construído dentro de uma empresa, muito do nosso tempo se torna dedicado a criar um pipeline escalável para levar seu modelo da sua máquina local para staging e produção. Isso não está apenas fora de nosso escopo de trabalho, mas tira tempo que queremos dedicar à construção e teste de modelos.

Monitoramento contínuo de modelos também pode ser um desafio para o qual você não está preparado. Experimentamos com 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 performa tão bem quanto o modelo base, que foi construído com o conjunto de treinamento? Quando você precisa atualizar o modelo ML?

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

Voltando ao que você ama com AI Fabric

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

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

Leitura relacionada: Como Heritage Bank está Usando IA e AI Fabric

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

Através do desenvolvimento de AI Fabric, estamos focados em ajudar organizações a pensar em ML como um passo dentro do processo de automação. Queremos ajudar usuários a integrar ML com desenvolvimento RPA de forma mais fluida. Usando AI Fabric e RPA, cientistas de dados podem simplificar construções de pipeline de dados com ferramentas que focam em pré-processamento e coleta de dados. Eles podem implantar modelos com facilidade, monitorar modelos e abraçar um fluxo de trabalho RPA projetado para fazer humanos e modelos ML trabalharem juntos.

Ao integrar ciência de dados com RPA, queremos ajudar cientistas de dados a provar o ROI para modelos construídos e implantados, e focar a maior parte do tempo em explorar dados e refinar modelos que resolvem problemas do mundo real.

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

Sei por experiência pessoal que capacitar cientistas de dados a focar na resolução de problemas usando dados e integrar ciência de dados em processos existentes pode mudar a forma como uma organização evolui e cresce.

O que mais importa para mim é ajudar clientes a impulsionar melhores resultados. Em meu papel na UiPath, vi em primeira mão como empresas podem automatizar processos mais complexos integrando ciência de dados com RPA. É gratificante ver cientistas de dados se libertarem de desafios comuns de operacionalização de dados enquanto empresas constroem ciência de dados em implantações RPA através de produtos como AI Fabric.

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