Ravivez votre passion pour les données : AI Fabric résout les défis courants de la data science

Note de l'éditeur : Alors que le marché de l'automatisation continue d'évoluer, la plateforme UiPath se met à jour pour mieux servir les besoins d'automatisation de nos clients. En tant que tel, certains noms de produits dans cet article ont évolué depuis sa publication originale. Pour des informations à jour, veuillez visiter notre page AI Center.

J'aime travailler avec les données. Mais est-ce que cela me cause de la frustration ? Absolument.

Ayant travaillé comme data scientist pendant plus de cinq ans, j'ai ressenti la douleur d'essayer d'équilibrer mes ambitions pour les données avec les limitations qui surviennent lors de l'opérationnalisation des données. Par exemple, j'ai quitté un poste dans une entreprise que j'aimais parce que nous n'avions pas les ressources pour mettre un modèle d'apprentissage automatique (ML) en production. Nous avons travaillé très dur pour résoudre des tâches en utilisant les données et nous nous sommes retrouvés sans l'opportunité d'impacter le produit. Quand votre travail s'enlise dans des défis organisationnels et opérationnels, il est facile de se décourager et de perdre de vue pourquoi vous aimiez travailler avec les données au départ.

Dans ce blog, je souhaite parler du parcours d'un data scientist :

• Ce qui motive notre intérêt pour le monde des données

• Les limitations auxquelles nous faisons face quand les attentes rencontrent la réalité

• Les possibilités que nous avons de changer la façon dont nous opérationnalisons les données en intégrant mieux la data science dans des technologies comme l'automatisation des processus robotiques (RPA)

• Pourquoi je suis enthousiaste à propos d'AI Fabric, une solution qui intègre l'intelligence artificielle (IA) avec la RPA, pour créer de nouvelles opportunités de tirer le meilleur parti des données

Pour l'amour des données J'aime être un solveur de problèmes créatif, et les données permettent la résolution créative de problèmes.

Utiliser les données pour relever des tâches difficiles et résoudre des défis qui impactent la vie des gens semblait être un chemin de carrière naturel pour moi. Beaucoup de data scientists avec qui j'ai travaillé se sont lancés dans le domaine pour apprendre à utiliser les données pour résoudre des problèmes. Nous sommes passionnés par la compréhension des données que nous avons, l'exploration, le développement et l'utilisation d'algorithmes ML pour les tester sur nos données, et puis trouver des moyens de faire aboutir de nouvelles solutions grâce à la puissance et aux insights que nous tirons des modèles que nous construisons.

Quand j'ai décidé de devenir data scientist, je savais qu'il y avait des tâches et des maux de tête possibles qui accompagnent le travail. Quel que soit le type de données avec lesquelles vous travaillez, vous devrez inévitablement :

• Passer du temps à traiter et nettoyer vos données

• Attendre un moment pour que vos modèles s'entraînent

• Passer du temps à tester différents hyperparamètres

Plus je travaillais avec les données, plus je devenais conscient de la complexité que la data science peut devenir dans les limites d'une organisation. Les réalités associées au métier de data scientist ont commencé à éclipser mes motivations initiales pour entrer dans le domaine.

Quand la réalité frappe : Fixer les attentes et gérer les données de bout en bout

De nombreuses entreprises adoptent une approche axée sur les données pour le développement et sont aux premiers stades de l'exploration du ML. Le rôle du data scientist est encore assez rare, et dans de nombreux cas, mal compris. Différents défis peuvent survenir pour les data scientists quand nous commençons à opérationnaliser les données au sein d'une entreprise et à avancer en utilisant les données pour résoudre des problèmes.

Fixer les attentes sur ce qu'une organisation peut — et ne peut pas — faire avec le ML est un domaine où nous passons beaucoup de temps. Il est important d'éduquer les autres sur la nature de nos rôles en tant que data scientists, où nous souhaitons concentrer notre temps, et ce dont nous avons besoin pour que nos projets réussissent.

Un autre défi est le fait que les opérations de data science sont souvent isolées au sein des organisations. Cela peut limiter la capacité des projets de data science à apporter de la valeur à une organisation.

Les modèles ML seuls ne peuvent pas, et ne font rien — ils doivent travailler de concert avec d'autres équipes et être inclus comme partie d'un projet plus large pour réussir.

De plus, il est souvent très difficile de démontrer le retour sur investissement (ROI) généré par les modèles. Les data scientists font souvent face à une bataille difficile pour plaider en faveur du rôle du ML au sein d'une organisation. Les data scientists peuvent faire tourner de nombreux cycles à plaider pour le rôle que nous cherchons à jouer et ce dont nous avons besoin pour avoir un impact.

S'attaquer aux données elles-mêmes apporte son propre ensemble de défis uniques. Nous passons souvent plus de temps à rassembler, consolider et nettoyer les ensembles de données, plutôt qu'à travailler pour comprendre les données et construire des modèles. À moins qu'un pipeline d'intégration continue et de livraison continue (CI/CD) pour vos modèles ne soit déjà construit au sein d'une entreprise, une grande partie de notre temps est consacrée à créer un pipeline évolutif pour amener votre modèle de votre machine locale vers la pré-production et la production. Cela n'est pas seulement en dehors de notre champ de travail, mais prend du temps que nous voudrions consacrer à la construction et aux tests de modèles.

La surveillance continue des modèles peut également être un défi pour lequel vous n'êtes pas préparé. Expérimentons-nous avec une dérive des données au fil du temps ? Les données en production sont-elles toujours les mêmes que celles que nous avons utilisées pour l'entraînement ? Les sorties sont-elles toujours sous contrôle ? Avec de nouvelles données, notre modèle performe-t-il aussi bien que le modèle de base, qui a été construit avec l'ensemble d'entraînement ? Quand devez-vous mettre à jour le modèle ML ?

Pour revenir à ce que j'aime, j'ai cherché des opportunités de travailler pour des entreprises qui priorisent l'intégration de la data science dans des processus et une planification plus larges. Aujourd'hui, je suis ravi de travailler pour une entreprise qui non seulement priorise la data science en interne, mais travaille activement à aider les entreprises à opérationnaliser et consommer des modèles ML pour générer de meilleurs résultats métier.

Retrouver ce que vous aimez avec AI Fabric

À mesure que de plus en plus d'organisations utilisent la RPA pour rationaliser les processus, des opportunités se présentent pour les data scientists d'opérationnaliser les données de nouvelles manières.

Chez UiPath, nous nous engageons à réunir la data science et la RPA et à donner aux entreprises les moyens de générer de nouveaux résultats en utilisant l'automatisation intelligente. En réunissant la data science et la RPA, nous voulons alléger de nombreux défis quotidiens auxquels les data scientists font face dans le monde de l'automatisation. Nous pilotons ces efforts avec AI Fabric.

Lecture connexe : Comment Heritage Bank utilise l'IA et AI Fabric

Nous croyons que la data science et la RPA sont meilleures quand elles travaillent ensemble. Il est crucial de faire de la data science une partie intégrante d'un Centre d'Excellence (CoE) RPA en y intégrant des data scientists pour définir ce qui est possible en utilisant les données et le ML pour améliorer les capacités RPA.

Grâce au développement d'AI Fabric, nous nous concentrons sur l'aide aux organisations pour penser au ML comme une étape à l'intérieur du processus d'automatisation. Nous voulons aider les utilisateurs à intégrer le ML avec le développement RPA de manière plus fluide. En utilisant AI Fabric et la RPA, les data scientists peuvent simplifier la construction de pipelines de données avec des outils qui se concentrent sur le prétraitement et la collecte de données. Ils peuvent déployer des modèles facilement, surveiller les modèles, et adopter un flux de travail RPA conçu pour faire travailler ensemble humains et modèles ML.

En intégrant la data science avec la RPA, nous voulons aider les data scientists à prouver le ROI des modèles construits et déployés, et à concentrer la majorité de leur temps sur l'exploration des données et l'affinage de modèles qui résolvent des problèmes réels.

Que feriez-vous avec plus de liberté pour vous concentrer sur vos données ?

Je sais par expérience personnelle que donner aux data scientists les moyens de se concentrer sur la résolution de problèmes en utilisant les données et d'intégrer la data science dans les processus existants peut changer la façon dont une organisation évolue et grandit.

Ce qui compte le plus pour moi, c'est d'aider les clients à générer de meilleurs résultats. Dans mon rôle chez UiPath, j'ai vu de première main comment les entreprises peuvent automatiser des processus plus complexes en intégrant la data science avec la RPA. C'est gratifiant de voir les data scientists se libérer des défis courants d'opérationnalisation des données alors que les entreprises intègrent la data science dans les déploiements RPA via des produits comme AI Fabric.

En savoir plus sur AI Fabric ou inscrivez-vous à notre Programme Insider Preview pour un accès anticipé aux nouvelles offres dans AI Fabric.