Datenleidenschaft neu entfachen: AI Fabric löst gängige Data-Science-Herausforderungen

Hinweis der Redaktion: Da sich der Automatisierungsmarkt weiterentwickelt, aktualisiert sich die UiPath-Plattform kontinuierlich, um die Automatisierungsbedürfnisse unserer Kunden bestmöglich zu bedienen. Daher haben sich einige Produktnamen in diesem Artikel seit der ursprünglichen Veröffentlichung weiterentwickelt. Für aktuelle Informationen besuchen Sie bitte unsere AI Center Seite.

Ich liebe die Arbeit mit Daten. Verursacht sie mir Frustration? Absolut.

Als Data Scientist mit über fünf Jahren Erfahrung habe ich den Schmerz gespürt, meine Ambitionen für Daten mit den Limitations in Einklang zu bringen, die bei der Operationalisierung von Daten auftreten. Beispielsweise verließ ich eine Position in einem Unternehmen, das mir gefiel, weil wir nicht die Ressourcen hatten, ein Machine-Learning-Modell (ML) in Produktion zu bringen. Wir arbeiteten sehr hart, um Aufgaben mit Daten zu lösen, und hatten am Ende nicht die Möglichkeit, das Produkt zu beeinflussen. Wenn der Job durch organisatorische und operative Herausforderungen blockiert wird, ist es leicht, entmutigt zu werden und aus den Augen zu verlieren, warum man ursprünglich gerne mit Daten arbeitete.

In diesem Blog möchte ich über die Reise eines Data Scientists sprechen:

• Was unser Interesse an der Welt der Daten motiviert

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

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

• Warum ich begeistert bin von AI Fabric, einer Lösung, die künstliche Intelligenz (KI) mit RPA integriert, um neue Möglichkeiten zu schaffen, das Beste aus Daten herauszuholen

Aus Liebe zu Daten Ich mag es, ein kreativer Problemlöser zu sein, und Daten befähigen kreatives Problemlösen.

Daten zu nutzen, um schwierige Aufgaben zu bewältigen und Herausforderungen zu lösen, die das Leben von Menschen beeinflussen, fühlte sich wie ein natürlicher Karriereweg an. Viele Data Scientists, mit denen ich gearbeitet habe, stiegen in das Feld ein, um zu lernen, wie man Daten nutzt, um Probleme zu lösen. Wir sind leidenschaftlich darin, die Daten, die wir haben, zu verstehen, zu erforschen, ML-Algorithmen zu entwickeln und an unseren Daten zu testen, und dann Wege zu finden, neue Lösungen durch die Kraft und Erkenntnisse, die wir mit den Modellen, die wir bauen, antreiben, zur Frucht zu bringen.

Als ich beschloss, Data Scientist zu werden, wusste ich, dass Aufgaben und mögliche Kopfschmerzen mit dem Job einhergehen. Unabhängig von der Art der Daten, mit denen Sie arbeiten, werden Sie unweigerlich:

• Zeit damit verbringen, Ihre Daten zu verarbeiten und zu bereinigen

• Eine Weile warten, bis Ihre Modelle trainiert sind

• Zeit damit verbringen, verschiedene Hyperparameter auszuprobieren

Je mehr ich mit Daten arbeitete, desto bewusster wurde ich mir darüber, wie kompliziert Data Science innerhalb der Grenzen einer Organisation werden kann. Die Realitäten, die mit dem Data-Scientist-Sein verbunden sind, begannen, meine ursprünglichen Motivationen für den Einstieg in das Feld zu überschatten.

Wenn die Realität zuschlägt: Erwartungen setzen und Daten End-to-End managen

Viele Unternehmen verfolgen einen datengesteuerten Entwicklungsansatz und befinden sich in den Anfangsphasen der Erkundung von ML. Die Rolle des Data Scientists ist noch ziemlich selten und in vielen Fällen missverstanden. Verschiedene Herausforderungen können für Data Scientists entstehen, wenn wir beginnen, Daten innerhalb eines Unternehmens zu operationalisieren und voranzuschreiten, indem wir Daten nutzen, um Probleme zu lösen.

Erwartungen darüber zu setzen, was eine Organisation mit ML kann – und was nicht –, ist ein Bereich, in dem wir viel Zeit verbringen. Es ist wichtig, andere über die Natur unserer Rollen als Data Scientists aufzuklären, worauf wir unsere Zeit fokussieren möchten und was wir für den Erfolg unserer Projekte brauchen.

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

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

Außerdem ist es oft sehr schwer, den Return on Investment (ROI) zu zeigen, der durch die Modelle getrieben wird. Data Scientists stehen oft vor einem steilen Kampf, einen Fall für die Rolle von ML innerhalb einer Organisation zu machen. Data Scientists können viele Zyklen damit verbringen, den Teil zu vertreten, den wir spielen wollen, und was wir brauchen, um Wirkung zu erzielen.

Die Daten selbst anzugehen, bringt seine eigenen einzigartigen Herausforderungen mit sich. Wir verbringen oft mehr Zeit damit, Datensätze zu sammeln, zu konsolidieren und zu bereinigen, als sie zu verstehen und Modelle zu bauen. Es sei denn, eine Continuous Integration und Continuous Delivery (CI/CD) Pipeline für Ihre Modelle ist bereits im Unternehmen aufgebaut, wird viel unserer Zeit darauf verwendet, eine skalierbare Pipeline zu erstellen, um Ihr Modell von Ihrer lokalen Maschine zu Staging und Produktion zu bringen. Das liegt nicht nur außerhalb unseres Aufgabenbereichs, sondern nimmt uns Zeit, die wir in Modellbau und -test investieren möchten.

Laufende Modellüberwachung kann auch eine Herausforderung sein, auf die man nicht vorbereitet ist. Experimentieren wir mit Data Drift über die Zeit? Sind die Daten in der Produktion noch dieselben wie die, die wir fürs Training genutzt haben? Sind die Outputs noch unter Kontrolle? Mit neuen Daten performt unser Modell noch so gut wie das Basismodell, das mit dem Trainingsset gebaut wurde? Wann müssen Sie das ML-Modell aktualisieren?

Um zu dem zurückzukehren, was ich liebe, habe ich nach Möglichkeiten gesucht, für Unternehmen zu arbeiten, die die Integration von Data Science in breitere Prozesse und Planungen priorisieren. Heute bin ich begeistert, für ein Unternehmen zu arbeiten, das nicht nur Data Science intern priorisiert, sondern aktiv daran arbeitet, Unternehmen dabei zu helfen, ML-Modelle zu operationalisieren und zu konsumieren, um bessere Geschäftsergebnisse zu erzielen.

Zurück zu dem, was Sie lieben, mit AI Fabric

Da immer mehr Organisationen RPA nutzen, um Prozesse zu straffen, entstehen Möglichkeiten für Data Scientists, Daten auf neue Weise zu operationalisieren.

Hier bei UiPath sind wir verpflichtet, Data Science und RPA zusammenzubringen und Unternehmen zu befähigen, neue Ergebnisse durch intelligente Automatisierung zu erzielen. Indem wir Data Science mit RPA zusammenbringen, wollen wir viele der oben genannten Herausforderungen lindern, denen Data Scientists tagtäglich in der Automatisierungswelt begegnen. Wir treiben diese Bemühungen mit AI Fabric voran.

Verwandte Lektüre: Wie Heritage Bank KI und AI Fabric nutzt

Wir glauben, dass Data Science und RPA besser sind, wenn sie zusammenarbeiten. Es ist entscheidend, Data Science zu einem integralen Bestandteil eines RPA Center of Excellence (CoE) zu machen, indem Data Scientists hinzugezogen werden, um zu skizzieren, was möglich ist, wenn man Daten und ML nutzt, um RPA-Fähigkeiten zu erweitern.

Durch die Entwicklung von AI Fabric konzentrieren wir uns darauf, Organisationen dabei zu helfen, ML als Schritt im Automatisierungsprozess zu betrachten. Wir wollen Nutzern helfen, ML nahtloser in die RPA-Entwicklung zu integrieren. Mit AI Fabric und RPA können Data Scientists den Bau von Datenpipelines mit Tooling vereinfachen, das sich auf Preprocessing und Datensammlung konzentriert. Sie können Modelle einfach bereitstellen, Modelle überwachen und einen RPA-Workflow annehmen, der darauf ausgelegt ist, Menschen und ML-Modelle zusammenarbeiten zu lassen.

Indem wir Data Science mit RPA integrieren, wollen wir Data Scientists helfen, den ROI für die gebauten und bereitgestellten Modelle zu beweisen, und den Großteil der Zeit darauf zu fokussieren, Daten zu erforschen und Modelle zu verfeinern, die reale Probleme lösen.

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

Ich weiß aus persönlicher Erfahrung, dass die Ermächtigung von Data Scientists, sich auf das Lösen von Problemen mit Daten zu konzentrieren und Data Science in bestehende Prozesse zu integrieren, die Art und Weise verändern kann, wie eine Organisation sich 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 beobachten, wie Data Scientists von gängigen Operationalisierungsherausforderungen befreit werden, während Unternehmen Data Science in RPA-Deployments durch Produkte wie AI Fabric einbauen.

Erfahren Sie mehr über AI Fabric oder melden Sie sich für unser Insider Preview Program an, um frühen Zugang zu neuen Angeboten in AI Fabric zu erhalten.