Élever votre stratégie d'automatisation avec développeurs RPA et data scientists

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

Dans un monde parfait, vous passeriez d'un optimisme instinctuel à une prédiction soutenue par les données. Vous sauriez dès le premier jour combien d'argent votre département aura en main à la fin du trimestre. Vous sauriez exactement ce que vous pouvez budgéter et quelles ressources vous pouvez dédier au prochain trimestre.

En combinant les capacités prédictives de l'intelligence artificielle (IA) et du machine learning (ML) avec l'automatisation, vous pouvez apporter cette information à haute valeur à vos doigts. Cependant, il existe une fracture : les deux équipes qui peuvent relever ces défis de données complexes ne travaillent généralement pas ensemble. Je parle de vos développeurs d'automatisation des processus robotiques (RPA) et de vos data scientists.

Les ensembles de compétences de vos data scientists et développeurs RPA sont complémentaires. Avec la bonne gouvernance, vous pouvez configurer de nouveaux workflows qui exploitent les deux. Quand vous le faites, vous pouvez mettre le ML à l'échelle plus vite, libérer vos data scientists pour un travail plus complexe, faire monter en compétences les développeurs RPA, et faire un usage complet des deux équipes concernant les résultats métier. 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 avec l'automatisation, réunir les équipes de développeurs RPA et data scientists est clé. Les silos ne sont pas rares, surtout dans les grandes entreprises, mais réunir ces deux équipes particulières est l'un des changements les plus impactants que vous pouvez faire. Les deux équipes veulent aider à informer de meilleurs processus et décisions métier plus intelligents, mais cela ne veut pas dire qu'elles travaillent ensemble. Il existe tendance à un écart organisationnel entre les équipes qui les amène à utiliser des moyens inutilement séparés pour arriver à des destinations similaires.

Sous-utiliser vos data scientists peut gaspiller du temps et des ressources significatifs. Glassdoor rapporte que le salaire moyen d'un data scientist aux États-Unis est de 113 309 $. Au-delà du salaire pur, il y a un coût d'opportunité à gaspiller vos data scientists, aussi.

Il y a actuellement une pénurie de data scientists, donc si vous avez une équipe, il est préférable de les utiliser à leur plein potentiel. Malheureusement, ces rares licornes coûteuses sont souvent mal comprises tant par les organisations qui les emploient que par les équipes RPA avec lesquelles elles pourraient travailler.

Pourquoi les entreprises sous-estiment souvent les data scientists

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

1. Leur valeur métier est difficile à articuler. Selon une enquête 2020 Anaconda Data Science, moins de la moitié (48 %) des data scientists estiment pouvoir démontrer l'impact de la data science sur les résultats métier.
2. Le ROI est coûteux. Les data scientists — déjà chers — ont souvent besoin de plus de ressources que les entreprises sont prêtes à investir. Notre propre Jeremy Tederry, Product Manager machine learning chez UiPath et ancien data scientist, a quitté une entreprise parce qu'elle n'avait pas la ressource pour mettre un modèle ML en production.
3. Leur travail ne délivre pas de valeur sans collaboration. Obtenir les sorties de data science en production, où elles peuvent impacter un business, n'est pas toujours simple. Les data scientists ont besoin de support transversal pour réussir. Selon Tederry, « Les modèles ML seuls ne peuvent pas, et ne font rien — ils doivent travailler en conjonction avec d'autres équipes et être inclus comme partie d'un projet plus large pour réussir. »
4. Une grande partie de leur effort va vers un travail invisible. Selon l'enquête data science d'Anaconda mentionnée ci-dessus, 45 % des data scientists passent leur temps à préparer les données (chargement et nettoyage) avant qu'elles n'entrent dans un modèle de données ou visualisation. Cela peut être immensément frustrant pour les data scientists (comme en témoigne le tweet ci-dessous).

Source

Quand ces quatre raisons se combinent, les entreprises ont tendance à sous-estimer et sous-utiliser leurs data scientists. Peu savent-ils, cependant, que débloquer leur valeur est à une équipe de distance.

Les développeurs RPA sous-estiment aussi les data scientists

Les états d'esprit des développeurs RPA et data scientists tendent à être différents parce qu'ils ont des workflows et des timelines différents. Quand votre workflow diverge, votre état d'esprit le fera aussi. C'est naturel, mais cela rend aussi difficile pour ces équipes de communiquer à travers les départements, créant des silos.

Trung Nguyen, data scientist chez MSD, fournit un bon exemple. Dans un article sur l'automatisation intelligente, il décompose les workflows 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, alors que le data scientist se concentre sur l'entraînement de modèles ML.

Les deux équipes commencent par étudier, et les deux évalueront, lanceront, et analyseront les erreurs dans leurs solutions. Après cela, le développeur RPA change généralement sa stratégie une fois qu'il rencontre des changements environnementaux, alors que les data scientists ont tendance à canaliser le feedback dans des données qui entraînent davantage leurs modèles ML.

Cela peut sembler une petite différence au premier regard, mais les différences se cascadent une fois que vous zoomez et regardez les timelines.

L'horizon temporel pour la résolution de problèmes complexes — le genre pour lequel les data scientists sont les mieux adaptés — est d'au moins six mois. Les développeurs RPA tendent plutôt à utiliser des workflows agiles, mesurant le progrès en termes de semaines. Cela signifie que les développeurs RPA, immergés dans ces workflows plus rapides, ont tendance à penser en termes de solutions rapides, alors que les data scientists ont tendance à dériver vers des projets plus exploratoires.

Ensembles de compétences développeurs RPA et data scientists : différents mais complémentaires

Quand les leaders alignent les développeurs RPA et data scientists, les bénéfices qu'ils peuvent délivrer aux organisations sont plus grands que la somme de leurs parties. Un développeur RPA peut automatiser des processus bien plus complexes en travaillant avec un data scientist qu'en travaillant seul, et un data scientist travaillant avec un développeur RPA peut travailler plus vite et mieux se concentrer que jamais auparavant.

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

Le rapport UiPath State of RPA Developers Report 2020 montre que plus de 90 % des développeurs RPA ont un diplôme universitaire et que Python est déjà l'un des langages les plus connus des développeurs RPA. L'écart de connaissance n'est pas aussi large que vous pourriez le craindre.

Il y a un désir de traverser cet écart aussi. Dans notre recherche, les développeurs RPA indiquent déjà qu'ils veulent en apprendre plus sur des sujets adjacents à la data science. Dans l'étude UiPath The Impact of RPA on Employee Experience, plus de 80 % des développeurs RPA ont indiqué qu'ils voulaient apprendre sur l'IA/ML. Et dans le UiPath State of RPA Developers Report 2020, plusieurs développeurs RPA ont dit qu'en plus de la RPA, ils voulaient ajouter des ensembles de compétences ML et data science.

Ce n'est pas comme si l'écart était invisible pour les data scientists non plus. La recherche montre que les data scientists passent presque la moitié de leur temps sur des problèmes que les développeurs RPA peuvent résoudre mieux et plus vite. Rappelez-vous (selon l'enquête 2020 Anaconda Data Science Survey citée ci-dessus), en moyenne, 45 % de leur temps était passé à préparer les données avant de pouvoir les utiliser pour développer des modèles et visualisations.

Résumons :

1. Les développeurs RPA et data scientists peuvent communiquer dans un langage commun.
2. Les développeurs RPA veulent apprendre et implémenter la data science.
3. Les data scientists sont souvent bloqués à faire du travail que les développeurs RPA pourraient aider à faire.

Alors cela nous laisse avec une question : comment pouvons-nous mettre ces équipes clairement complémentaires ensemble ?

Abattre le mur entre les équipes data science et RPA

Si les leaders peuvent abattre les barrières entre ces équipes, ils peuvent débloquer d'énormes opportunités pour leurs entreprises. Pour ce faire, les leaders doivent permettre aux data scientists de communiquer leurs besoins aux développeurs RPA et coordonner les deux équipes pour atteindre de plus grands résultats sur des problèmes complexes.

Les leaders peuvent faciliter la collaboration

Les organisations intelligentes mettent un leader de niveau C-suite en charge des deux équipes. Dans notre étude de cas avec Heritage Bank, David Johnston, Manager of Intelligent Automation and Process Excellence, a dit : « Les équipes data science et automatisation sont souvent déconnectées. Dans notre organisation, cependant, ces deux équipes rapportent à notre CFO. » C'était une énorme partie de la raison pour laquelle Heritage Bank, travaillant avec UiPath, a pu atteindre 98 % de précision à travers leurs modèles ML les plus récents.

Bien que cela ne soit pas toujours faisable et si les structures de reporting organisationnelles sont différentes, les leaders respectifs peuvent s'assurer que les deux équipes se parlent et que la communication est vraiment bidirectionnelle. Pour faciliter ce niveau de collaboration, les leaders peuvent promouvoir des cas d'usage à haute valeur qui soulignent les bénéfices des deux équipes travaillant ensemble. La créativité est impérative. Comme nous l'avons expliqué, il y a une pénurie de data scientists, donc les leaders intelligents trouveront de nouvelles façons de sourcer des embauches data scientist et de faire monter en compétences les développeurs RPA pour prendre en charge du travail adjacent à la data science à leur place.

Les développeurs RPA peuvent aider les data scientists

Quand 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 avoir :

1. Les data scientists ont tendance à ne pas avoir assez de données d'entraînement étiquetées pour enseigner leurs modèles d'apprentissage.
2. Les data scientists ont tendance à devoir utiliser des données théoriques de jeux de données sandbox au lieu de données de vrais cas d'usage.

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

• Créer des métadonnées : Les robots logiciels, surtout quand ils sont complétés avec du process mining, laissent des traces de données en accomplissant des tâches, rendant les processus plus compréhensibles pour les data scientists.
• Accéder aux systèmes legacy : Les robots logiciels travaillent avec les systèmes legacy et rendent accessibles les données qui étaient piégées dans les vieux outils.
• Rendre les données utilisables : Les développeurs RPA peuvent décomposer de gros jeux de données en composants utilisables et organiser, étiqueter, et nettoyer des morceaux de données disparates en un tout cohérent.
• Implémenter des modules IA prêts à l'emploi : Beaucoup de cas d'usage ML et IA ne sont pas nouveaux, et au lieu que les data scientists construisent des modèles à partir de zéro, les développeurs RPA peuvent déployer des modules pré-existants.
• Utiliser l'AutoML pour gagner du temps : Les développeurs RPA peuvent utiliser l'AutoML pour trouver quel modèle prédictif est le plus précis, assurant que les data scientists n'aient pas à créer et tester plusieurs modèles pour un cas d'usage donné. Cela libère les data scientists pour travailler sur des tâches plus difficiles.

Ces bénéfices combinés non seulement facilitent la vie des data scientists mais les aident aussi à accomplir plus qu'ils ne le pouvaient auparavant. Les développeurs RPA permettent aux data scientists de faire leur travail plus vite et mieux, ainsi que de rendre la solution finale plus facile à déployer.

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

Le but d'une entreprise tournée vers l'avenir n'est pas de trouver un compromis entre les deux équipes souvent divergentes ; c'est de les réaligner toutes les deux pour qu'elles puissent accomplir plus ensemble qu'elles ne le pourraient séparément. La data science a besoin de données précises, propres et vérifiées. Les processus RPA produisent des données propres et commencent souvent avec des données qui sont sales et non structurées.

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

UiPath peut aider les data scientists :

• Créer des robots logiciels qui rassemblent les données en un endroit consolidé
• Délivrer le « dernier kilomètre » des MLOps avec UiPath AI Center et déployer des modèles en production
• Prouver le ROI pour les modèles qu'ils construisent, leur permettant mieux de focaliser la majorité du temps sur l'exploration de données et le raffinement de modèles qui résolvent des problèmes réels
• Exploiter des solutions IA out-of-the-box comme UiPath Document Understanding et AI Document Understanding

UiPath aide les développeurs RPA :

• Tester et déployer rapidement des modèles IA
• Utiliser des modèles IA out-of-the-box pour que les data scientists n'aient pas à en construire depuis zéro et puissent rester focalisés sur des problèmes et solutions nouveaux
• Utiliser les capacités AutoML avec facilité drag-and-drop en utilisant AI Center
• Déployer des composants RPA réutilisables, y compris ML, avec la UiPath Marketplace

Pensons à un dernier exemple : si votre entreprise veut commencer à utiliser l'analyse de sentiment, vos développeurs RPA peuvent implémenter un de nos modèles de démarrage et lui donner les données dont il a besoin pour fonctionner. Si votre entreprise veut ensuite rendre l'analyse de sentiment plus précise et plus robuste — ou autrement ajuster les algorithmes donnés — alors vous avez besoin d'un data scientist.

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

Votre entreprise peut faire bien plus que vous n'avez imaginé, une fois que vous combinez data science et RPA. UiPath AI Center vous permet — que vous ayez un background data science ou non — de glisser-déposer l'IA directement dans vos processus métier. Pour avoir une perspective pratique, essayez un essai pour UiPath AI Center aujourd'hui.

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

L'événement virtuel se tiendra sur quatre semaines, à partir du 24 février 2021. Que vous soyez nouveau à l'IA ou un praticien IA expérimenté cherchant à supercharger vos robots, il y a une session pour vous.