Votre équipe de rêve en automatisation a besoin de développeurs RPA et de data scientists

Imaginez que vous êtes directeur financier (CFO) et que le prochain trimestre est sur le point de commencer. Le trimestre précédent était bon, mais votre instinct vous dit que le prochain trimestre sera meilleur.

Dans un monde parfait, vous passeriez d'un optimisme instinctif à une prédiction fondée sur des données. Vous saurez dès le premier jour combien d'argent votre département aura en main d'ici la fin du trimestre. Vous sauriez exactement ce que vous pouvez budgétiser et quelles ressources vous pouvez consacrer au prochain trimestre.

En combinant les capacités prédictives de l'intelligence artificielle (IA) et de l'apprentissage automatique (ML) avec l'automatisation, vous pouvez mettre ces informations de grande valeur à portée de main. Cependant, il existe un fossé :les deux équipes capables de relever ces défis complexes en matière de données ne travaillent généralement pas ensemble. Je parle de vos développeurs d'automatisation des processus robotiques (RPA) et de vos data scientists.

Les compétences de vos data scientists et de vos développeurs RPA sont complémentaires. Avec la bonne gouvernance, vous pouvez configurer de nouveaux flux de travail qui exploitent les deux. Lorsque vous le faites, vous pouvez faire évoluer le ML plus rapidement, libérer vos scientifiques des données pour des travaux plus complexes, former des développeurs RPA et tirer pleinement parti des deux équipes en ce qui concerne les résultats commerciaux. Le premier défi à relever est de libérer vos data scientists de leurs silos.

Les data scientists sont isolés dans des silos

Pour introduire pratiquement l'IA dans l'entreprise et transformer votre organisation grâce à l'automatisation, il est essentiel de réunir les équipes de développeurs RPA et de scientifiques des données. Les silos ne sont pas rares, en particulier dans les grandes entreprises, mais réunir ces deux équipes particulières est l'un des changements les plus percutants que vous puissiez apporter. Les deux équipes veulent contribuer à éclairer des processus et des décisions commerciales meilleurs et plus intelligents, mais cela ne signifie pas qu'elles travaillent ensemble. Il existe généralement un fossé organisationnel entre les équipes qui les amène à utiliser des moyens inutilement séparés pour se rendre à des destinations similaires.

La sous-utilisation de vos data scientists peut faire perdre beaucoup de temps et de ressources. Glassdoor rapporte que le salaire moyen d'un data scientist aux États-Unis est de 113 309 $. Au-delà du simple salaire, il y a aussi un coût d'opportunité à gaspiller vos data scientists.

Il y a actuellement une pénurie de scientifiques des données, donc si vous avez une équipe, il est préférable de les utiliser au maximum de leur potentiel. Malheureusement, ces licornes rares et coûteuses sont souvent mal comprises à la fois par les organisations qui les emploient et par les équipes RPA avec lesquelles elles pourraient travailler.

Pourquoi les entreprises comprennent souvent mal les data scientists

Il existe quatre raisons principales pour lesquelles les entreprises sous-estiment la valeur des data scientists :

1. Leur valeur commerciale est difficile à exprimer. Selon une enquête Anaconda Data Science de 2020, moins de la moitié (48 %) des data scientists estiment pouvoir démontrer l'impact de la science des données sur les résultats commerciaux.

2. Le retour sur investissement coûte cher. Les data scientists, qui coûtent déjà cher, ont souvent besoin de plus de ressources que les entreprises ne sont prêtes à investir. Notre propre Jeremy Tederry, chef de produit d'apprentissage automatique chez UiPath et ancien scientifique des données, a déjà quitté une entreprise parce qu'elle n'avait pas les ressources nécessaires pour mettre en production un modèle ML.

3. Leur travail ne produit pas de valeur sans collaboration. Mettre en production les résultats de la science des données, là où ils peuvent avoir un impact sur une entreprise, n'est pas toujours simple. Les data scientists ont besoin d'un soutien inter-organisationnel pour réussir. Selon Tederry, "les modèles ML seuls ne peuvent rien faire et ne font rien :ils doivent travailler en collaboration avec d'autres équipes et être inclus dans le cadre d'un projet plus vaste pour réussir."

4. Une grande partie de leurs efforts est consacrée au travail invisible. Selon l'enquête sur la science des données d'Anaconda que nous avons mentionnée ci-dessus, 45 % des scientifiques des données passent leur temps à préparer les données (chargement et nettoyage) avant qu'elles ne soient intégrées à un modèle de données ou à une visualisation. Cela peut être extrêmement frustrant pour les data scientists (comme le montre le tweet ci-dessous).

Source

Lorsque ces quatre raisons se combinent, les entreprises ont tendance à sous-estimer et à sous-utiliser leurs data scientists. Cependant, ils ne savent pas qu'il suffit d'une équipe pour débloquer leur valeur.

Les développeurs RPA comprennent également mal les data scientists

Les mentalités des développeurs RPA et des scientifiques des données ont tendance à être différentes car ils ont des flux de travail et des délais différents. Lorsque votre flux de travail diverge, votre état d'esprit le sera aussi. C'est naturel, mais cela complique également la communication entre ces équipes entre les services, créant ainsi des silos.

Trung Nguyen, data scientist chez MSD, en donne un bon exemple. Dans un article sur l'automatisation intelligente, il décompose les flux de travail RPA et ML en graphiques distincts, que vous pouvez voir ci-dessous. Regardez, en particulier, comment le développeur RPA se concentre sur l'écriture de règles, tandis que le data scientist se concentre sur la formation de modèles ML.

Les deux équipes commencent par étudier, puis évaluent, lancent et analysent les erreurs de leurs solutions. Après cela, le développeur RPA modifie généralement sa stratégie lorsqu'il rencontre des changements environnementaux, tandis que les scientifiques des données canalisent généralement les commentaires dans les données qui entraînent davantage leurs modèles ML.

Cela peut sembler être une petite différence à première vue, mais les différences se répercutent une fois que vous effectuez un zoom arrière et regardez les chronologies.

L'horizon temporel pour la résolution de problèmes complexes - le type de problème auquel les data scientists sont les mieux placés pour s'attaquer - est d'au moins six mois. Les développeurs RPA ont plutôt tendance à utiliser des flux de travail agiles, mesurant les progrès en termes de semaines. Cela signifie que les développeurs RPA, immergés dans ces flux de travail plus rapides, ont tendance à penser en termes de solutions rapides, tandis que les scientifiques des données ont tendance à dériver vers des projets plus exploratoires.

Compétences des développeurs RPA et des data scientists :différentes mais complémentaires

Lorsque les dirigeants alignent les développeurs RPA et les scientifiques des données, les avantages qu'ils peuvent apporter aux organisations sont supérieurs à la somme de leurs parties. Un développeur RPA peut automatiser des processus beaucoup plus complexes en travaillant avec un data scientist qu'en travaillant seul, et un data scientist travaillant avec un développeur RPA peut travailler plus rapidement et mieux se concentrer que jamais.

Malgré l'écart que nous avons décrit, les développeurs RPA et les data scientists parlent le même langage, ou du moins le codent.

Le rapport UiPath sur l'état des développeurs RPA 2020 montre que plus de 90 % des développeurs RPA ont un diplôme universitaire et que Python est déjà l'un des principaux langages connus des développeurs RPA. Le fossé des connaissances n'est pas aussi large que vous pourriez le craindre.

Il y a aussi une volonté de franchir ce fossé. Dans nos recherches, les développeurs RPA indiquent déjà qu'ils souhaitent en savoir plus sur les sujets adjacents à la science des données. Dans UiPath The Impact of RPA on Employee Experience, plus de 80 % des développeurs RPA ont indiqué qu'ils souhaitaient en savoir plus sur l'IA/ML. Et dans le rapport UiPath sur l'état des développeurs RPA 2020, plusieurs développeurs RPA ont déclaré qu'en plus de la RPA, ils souhaitaient ajouter des ensembles de compétences en ML et en science des données.

Ce n'est pas non plus comme si l'écart était invisible pour les scientifiques des données. Les recherches montrent que les scientifiques des données passent près de la moitié de leur temps sur des problèmes que les développeurs RPA peuvent résoudre mieux et plus rapidement. N'oubliez pas (selon l'enquête Anaconda Data Science Survey 2020 que nous avons citée ci-dessus), en moyenne, 45 % de leur temps a été consacré à la préparation des données avant de pouvoir les utiliser pour développer des modèles et des visualisations.

Résumons ceci :

1. Les développeurs RPA et les data scientists peuvent communiquer dans un langage commun.

2. Les développeurs RPA veulent apprendre et mettre en œuvre la science des données.

3. Les scientifiques des données sont souvent coincés à faire le travail que les développeurs RPA pourraient aider.

Cela nous laisse donc avec une question :comment pouvons-nous réunir ces équipes clairement complémentaires ?

Faire tomber le mur entre les équipes de science des données et RPA

Si les dirigeants peuvent briser les barrières entre ces équipes, ils peuvent débloquer d'énormes opportunités pour leurs entreprises. Pour ce faire, les dirigeants doivent permettre aux scientifiques des données de communiquer leurs besoins aux développeurs RPA et de coordonner les deux équipes pour obtenir de meilleurs résultats sur des problèmes complexes.

Les dirigeants peuvent faciliter la collaboration

Les organisations intelligentes placent un leader de niveau C en charge des deux équipes. Dans notre étude de cas avec Heritage Bank, David Johnston, responsable de l'automatisation intelligente et de l'excellence des processus, a déclaré :« Les équipes de science des données et d'automatisation sont souvent déconnectées. Dans notre organisation, cependant, ces deux équipes relèvent de notre directeur financier. » C'est en grande partie la raison pour laquelle Heritage Bank, en collaboration avec UiPath, a pu atteindre une précision de 98 % sur ses modèles ML les plus récents.

Bien que cela ne soit pas toujours possible et si les structures hiérarchiques organisationnelles sont différentes, les dirigeants respectifs peuvent s'assurer que les deux équipes se parlent et que la communication est véritablement bidirectionnelle. Pour faciliter ce niveau de collaboration, les dirigeants peuvent promouvoir des cas d'utilisation à forte valeur ajoutée qui mettent l'accent sur les avantages de la collaboration des deux équipes. La créativité est impérative. Comme nous l'avons expliqué, il y a une pénurie de scientifiques des données. Les dirigeants intelligents trouveront donc de nouvelles façons de recruter des scientifiques des données et de développer les compétences des développeurs RPA pour entreprendre à leur place des tâches adjacentes à la science des données.

Les développeurs RPA peuvent aider les data scientists

Lorsque les data scientists ont un problème, les développeurs RPA peuvent venir à la rescousse.

Inside Big Data souligne deux problèmes majeurs que les data scientists ont tendance à rencontrer :

1. Les scientifiques des données ont tendance à ne pas disposer de suffisamment de données de formation étiquetées pour enseigner leurs modèles d'apprentissage.

2. Les scientifiques des données ont tendance à utiliser des données théoriques provenant d'ensembles de données sandbox au lieu de données provenant de cas d'utilisation réels.

C'est là qu'interviennent les développeurs RPA. Les développeurs RPA peuvent bénéficier aux data scientists en :

• Créer des métadonnées : Les robots logiciels, en particulier lorsqu'ils sont complétés par l'exploration de processus, laissent des traces de données lorsqu'ils exécutent des tâches, ce qui rend les processus plus compréhensibles pour les scientifiques des données.

• Accéder aux anciens systèmes : Les robots logiciels fonctionnent avec des systèmes hérités et rendent accessibles les données qui étaient autrefois piégées dans d'anciens outils.

• Rendre les données utilisables : Les développeurs RPA peuvent décomposer des ensembles de données volumineuses en composants utilisables et organiser, étiqueter et nettoyer des éléments de données disparates en un ensemble cohérent.

• Mise en œuvre de modules d'IA prêts à l'emploi : De nombreux cas d'utilisation de ML et d'IA ne sont pas nouveaux, et au lieu que des data scientists construisent des modèles à partir de zéro, les développeurs RPA peuvent déployer des modules préexistants.

• Utiliser AutoML pour gagner du temps : Les développeurs RPA peuvent utiliser AutoML pour trouver le modèle prédictif le plus précis, évitant ainsi aux data scientists d'avoir à créer et à tester plusieurs modèles pour un cas d'utilisation donné. Cela permet aux data scientists de travailler sur des tâches plus difficiles.

Ces avantages combinés non seulement améliorent la vie des scientifiques des données, mais les aident également à accomplir plus qu'ils ne le pouvaient auparavant. Les développeurs RPA permettent aux scientifiques des données de faire leur travail plus rapidement et mieux, tout en facilitant le déploiement de la solution finale.

UiPath peut aider vos data scientists et vos développeurs RPA à atteindre de nouveaux sommets, ensemble

Le but d'une entreprise avant-gardiste n'est pas de trouver un compromis entre les deux équipes souvent divergentes; il s'agit de les réaligner tous les deux afin qu'ils puissent accomplir plus ensemble qu'ils ne le pourraient séparément. La science des données a besoin de données précises, propres et vérifiées. Les processus RPA produisent des données propres et commencent souvent par des données désordonnées et non structurées.

Sans le bon ensemble d'outils qui font apparaître les données sur les processus métier et les workflows d'automatisation, même le meilleur leader aura du mal à faire travailler les deux équipes ensemble. La plate-forme UiPath fournit les outils dont les entreprises ont besoin pour unir leurs équipes de science des données et RPA.

UiPath peut aider les data scientists :

• Créez des robots logiciels qui rassemblent des données dans un emplacement consolidé

• Livrez le « dernier kilomètre » de MLOps avec UiPath AI Center et déployez des modèles en production

• Prouvez le retour sur investissement des modèles qu'ils créent, ce qui leur permet de consacrer la majorité de leur temps à l'exploration des données et à l'amélioration des modèles qui résolvent les problèmes du monde réel

• Tirez parti de solutions d'IA prêtes à l'emploi telles que UiPath Document Understanding et AI Document Understanding

UiPath aide les développeurs RPA :

• Testez et déployez rapidement des modèles d'IA

• Utilisez des modèles d'IA prêts à l'emploi pour que les scientifiques des données n'aient pas à en créer à partir de zéro et puissent rester concentrés sur de nouveaux problèmes et solutions

• Utilisez les fonctionnalités d'AutoML par simple glisser-déposer à l'aide d'AI Center

• Déployez des composants RPA réutilisables, y compris ML, avec UiPath Marketplace

Réfléchissons à un dernier exemple :si votre entreprise souhaite commencer à utiliser l'analyse des sentiments, vos développeurs RPA peuvent implémenter l'un de nos modèles de démarrage et lui fournir les données dont il a besoin pour fonctionner. Si votre entreprise souhaite ensuite rendre l'analyse des sentiments plus précise et plus robuste, ou modifier les algorithmes donnés, vous avez besoin d'un data scientist.

Une autre façon de penser est que si vous utilisez les mathématiques pour résoudre un problème, c'est le rôle du développeur RPA; si vous essayez de comprendre les mathématiques, c'est le rôle du data scientist. UiPath fournit une plate-forme qui inclut les deux types de travail.

Votre entreprise peut faire bien plus que ce que vous avez imaginé, une fois que vous avez combiné la science des données et la RPA. UiPath AI Center vous permet, que vous ayez ou non une formation en science des données, de glisser-déposer l'IA directement dans vos processus métier. Pour obtenir une perspective pratique, essayez un essai pour UiPath AI Center dès aujourd'hui.

Rejoignez les leaders de l'IA et les experts UiPath au UiPath AI Summit !

L'événement virtuel se déroulera sur quatre semaines, à compter du 24 février 2021. Que vous soyez nouveau dans le domaine de l'IA ou que vous soyez un praticien expérimenté en IA cherchant à booster vos robots, il y a une session pour vous.