Zurück zu dem, was Sie an Daten lieben:Lösung allgemeiner Data-Science-Probleme mit AI Fabric

Anmerkung der Redaktion: Da sich der Automatisierungsmarkt weiter entwickelt, wird auch die UiPath-Plattform aktualisiert, um die Automatisierungsanforderungen unserer Kunden bestmöglich zu erfüllen. Daher haben sich einige der Produktnamen in diesem Artikel seit der ursprünglichen Veröffentlichung des Artikels weiterentwickelt. Aktuelle Informationen erhalten Sie Besuchen Sie unsere KI-Center-Seite .

Ich liebe es, mit Daten zu arbeiten. Aber verursacht es mir etwas Frustration? Darauf können Sie wetten.

Nachdem ich über fünf Jahre als Data Scientist gearbeitet habe, empfand ich den Schmerz beim Versuch, meine Ambitionen für Daten mit den Einschränkungen in Einklang zu bringen, die bei der Operationalisierung von Daten auftreten. Zum Beispiel habe ich eine Stelle in einem Unternehmen aufgegeben, das mir gefiel, weil wir nicht über die Ressourcen verfügten, um ein Modell für maschinelles Lernen (ML) in die Produktion zu bringen. Wir haben sehr hart daran gearbeitet, Aufgaben mithilfe von Daten zu lösen, und hatten am Ende keine Gelegenheit, das Produkt zu beeinflussen. Wenn Ihre Arbeit mit organisatorischen und betrieblichen Herausforderungen ins Stocken gerät, kann es leicht sein, entmutigt zu werden und aus den Augen zu verlieren, warum Sie überhaupt gerne mit Daten gearbeitet haben.

In diesem Blog möchte ich über die Reise eines Datenwissenschaftlers sprechen:

• Was unser Interesse an der Welt der Daten motiviert

• Die Einschränkungen, denen wir begegnen, wenn Erwartungen auf Realitäten treffen

• Die Möglichkeiten, die wir haben, um die Operationalisierung von Daten zu ändern, indem wir Data Science besser in Technologien wie Robotic Process Automation (RPA) integrieren

• Warum ich von AI Fabric begeistert bin, einer Lösung, die künstliche Intelligenz (KI) mit RPA integriert, um neue Möglichkeiten für die optimale Nutzung von Daten zu schaffen

Aus Liebe zu Daten bin ich gerne ein kreativer Problemlöser, und Daten ermöglichen kreative Problemlösungen.

Die Nutzung von Daten zur Bewältigung schwieriger Aufgaben und zur Lösung von Herausforderungen, die sich auf das Leben der Menschen auswirken, erschien mir wie ein natürlicher Karriereweg. Viele der Data Scientists, mit denen ich zusammengearbeitet habe, sind in das Feld eingestiegen, um zu lernen, wie man Daten zur Lösung von Problemen nutzt. Wir sind leidenschaftlich daran interessiert, die Daten, die wir haben, zu verstehen, ML-Algorithmen zu erforschen, zu entwickeln und zu verwenden, um unsere Daten zu testen, und dann Wege zu finden, um neue Lösungen durch die Kraft und die Erkenntnisse, die wir mit den von uns erstellten Modellen vorantreiben, zum Tragen zu bringen.

Als ich mich entschied, Data Scientist zu werden, wusste ich, dass der Job Aufgaben und mögliche Kopfschmerzen mit sich bringt. Unabhängig von der Art der Daten, mit denen Sie arbeiten, werden Sie unweigerlich:

• Verbringen Sie Zeit mit der Verarbeitung und Bereinigung Ihrer Daten

• Warten Sie eine Weile, bis Ihre Modelle trainiert sind

• Verbringen Sie Zeit damit, verschiedene Hyperparameter auszuprobieren

Je mehr ich mit Daten arbeitete, desto bewusster wurde mir, wie kompliziert Data Science innerhalb der Grenzen einer Organisation werden kann. Die Realitäten, die mit dem Beruf eines Datenwissenschaftlers verbunden sind, überschatteten allmählich meine ursprünglichen Beweggründe, in das Feld einzusteigen.

Wenn die Realität zuschlägt:Erwartungen setzen und Daten durchgängig verwalten

Viele Unternehmen verfolgen einen datengesteuerten Entwicklungsansatz und befinden sich in der Anfangsphase der Erforschung von ML. Die Rolle des Datenwissenschaftlers ist immer noch ziemlich selten und wird in vielen Fällen missverstanden. Für Data Scientists können sich verschiedene Herausforderungen ergeben, wenn wir beginnen, Daten innerhalb eines Unternehmens zu operationalisieren und mit der Nutzung von Daten zur Lösung von Problemen fortzufahren.

Das Festlegen von Erwartungen darüber, was ein Unternehmen mit ML tun kann – und was nicht –, ist ein Bereich, in dem wir viel Zeit verbringen. Es ist wichtig, andere über die Art unserer Rollen als Datenwissenschaftler aufzuklären, worauf wir unsere Zeit konzentrieren möchten und was wir brauchen, damit unsere Projekte erfolgreich sind.

Eine weitere Herausforderung ist die Tatsache, dass Data-Science-Operationen oft innerhalb von Organisationen isoliert sind. Dies kann die Fähigkeit von Data-Science-Projekten einschränken, Wert für eine Organisation zu schaffen.

ML-Modelle allein können und tun nichts – sie müssen mit anderen Teams zusammenarbeiten und Teil eines größeren Projekts sein, um erfolgreich zu sein.

Außerdem ist es oft sehr schwierig, den von den Modellen getriebenen Return of Investment (ROI) darzustellen. Datenwissenschaftler stehen oft vor einem harten Kampf, um für die Rolle von ML innerhalb einer Organisation zu plädieren. Datenwissenschaftler können viele Zyklen drehen, um zu argumentieren, welche Rolle wir spielen möchten und was wir brauchen, um etwas zu bewirken.

Die Bewältigung der Daten selbst bringt eine Reihe einzigartiger Herausforderungen mit sich. Wir verbringen oft mehr Zeit damit, Datensätze zu sammeln, zu konsolidieren und zu bereinigen, anstatt daran zu arbeiten, die Daten zu verstehen und Modelle zu erstellen. Sofern in einem Unternehmen nicht bereits eine Pipeline für kontinuierliche Integration und kontinuierliche Bereitstellung (CI/CD) für Ihre Modelle aufgebaut ist, wird ein Großteil unserer Zeit darauf verwendet, eine skalierbare Pipeline zu erstellen, um Ihr Modell von Ihrem lokalen Computer zur Bereitstellung und Produktion zu bringen. Dies liegt nicht nur außerhalb unseres Aufgabenbereichs, sondern nimmt uns auch Zeit weg, die wir für den Modellbau und das Testen aufwenden möchten.

Auch die laufende Modellüberwachung kann eine Herausforderung sein, auf die Sie nicht vorbereitet sind. Experimentieren wir mit Datendrift im Laufe der Zeit? Sind die Daten in der Produktion immer noch die gleichen wie die Daten, die wir für die Schulung verwendet haben? Sind die Ausgänge noch unter Kontrolle? Funktioniert unser Modell mit neuen Daten so gut wie das Basismodell, das mit dem Trainingssatz erstellt wurde? Wann müssen Sie das ML-Modell aktualisieren?

Um auf das zurückzukommen, was ich liebe, habe ich nach Möglichkeiten gesucht, für Unternehmen zu arbeiten, die der Integration von Data Science in umfassendere Prozesse und Planung Priorität einräumen. Heute freue ich mich, für ein Unternehmen zu arbeiten, das Data Science nicht nur intern priorisiert, sondern aktiv daran arbeitet, Unternehmen bei der Operationalisierung und Nutzung von ML-Modellen zu unterstützen, um bessere Geschäftsergebnisse zu erzielen.

Kehren Sie mit AI Fabric zu dem zurück, was Sie lieben

Da immer mehr Organisationen RPA verwenden, um Prozesse zu rationalisieren, ergeben sich Möglichkeiten für Data Scientists, Daten auf neue Weise zu operationalisieren.

Hier bei UiPath setzen wir uns dafür ein, Data Science und RPA zusammenzubringen und Unternehmen in die Lage zu versetzen, mithilfe intelligenter Automatisierung neue Ergebnisse zu erzielen. Indem wir Data Science mit RPA zusammenbringen, wollen wir viele der oben genannten Herausforderungen lindern, denen Data Scientists in der Automatisierungswelt täglich gegenüberstehen. Wir treiben diese Bemühungen mit AI Fabric voran.

Verwandte Lektüre: So verwendet die Heritage Bank KI und KI-Fabric

Wir glauben, dass Data Science und RPA besser sind, wenn sie zusammenarbeiten. Es ist von entscheidender Bedeutung, die Datenwissenschaft zu einem integralen Bestandteil eines RPA-Kompetenzzentrums (CoE) zu machen, indem Datenwissenschaftler hinzugezogen werden, um zu skizzieren, was möglich ist, wenn Daten und ML zur Verbesserung der RPA-Fähigkeiten verwendet werden.

Bei der Entwicklung von AI Fabric konzentrieren wir uns darauf, Unternehmen dabei zu unterstützen, ML als einen Schritt innerhalb des Automatisierungsprozesses zu betrachten. Wir möchten Benutzern dabei helfen, ML nahtloser in die RPA-Entwicklung zu integrieren. Mithilfe von AI Fabric und RPA können Data Scientists den Aufbau von Datenpipelines mit Tools vereinfachen, die sich auf die Vorverarbeitung und Datenerfassung konzentrieren. Sie können Modelle problemlos bereitstellen, Modelle überwachen und einen RPA-Workflow nutzen, der darauf ausgelegt ist, dass Menschen und ML-Modelle zusammenarbeiten.

Durch die Integration von Data Science mit RPA möchten wir Data Scientists helfen, den ROI für die erstellten und bereitgestellten Modelle nachzuweisen, und sich die meiste Zeit auf die Untersuchung von Daten und die Verfeinerung von Modellen konzentrieren, die reale Probleme lösen.

Was würden Sie mit mehr Freiheit tun, um sich auf Ihre Daten zu konzentrieren?

Ich weiß aus eigener Erfahrung, dass die Befähigung von Datenwissenschaftlern, sich auf die Lösung von Problemen mithilfe von Daten zu konzentrieren und die Datenwissenschaft in bestehende Prozesse zu integrieren, die Art und Weise verändern kann, wie sich ein Unternehmen entwickelt und wächst.

Was mir am wichtigsten ist, ist, Kunden dabei zu helfen, bessere Ergebnisse zu erzielen. In meiner Rolle bei UiPath habe ich aus erster Hand gesehen, wie Unternehmen komplexere Prozesse automatisieren können, indem sie Data Science mit RPA integrieren. Es ist lohnend zu sehen, wie Data Scientists von den üblichen Herausforderungen bei der Datenoperationalisierung befreit werden, wenn Unternehmen Data Science durch Produkte wie AI Fabric in RPA-Bereitstellungen integrieren.

Erfahren Sie mehr über AI Fabric oder melden Sie sich bei unserem Insider-Vorschauprogramm an, um frühzeitig auf neue Angebote in AI Fabric zuzugreifen.