Tim Impian Otomasi Anda Membutuhkan Pengembang RPA dan Ilmuwan Data

Bayangkan Anda adalah seorang chief financial officer (CFO), dan kuartal berikutnya akan segera dimulai. Kuartal sebelumnya bagus, tapi firasatmu mengatakan kuartal berikutnya akan lebih baik.

Di dunia yang sempurna, Anda akan beralih dari optimisme naluriah ke prediksi yang didukung data. Anda akan tahu sejak hari pertama berapa banyak uang yang akan dimiliki departemen Anda pada akhir kuartal. Anda akan tahu persis apa yang dapat Anda anggarkan dan sumber daya apa yang dapat Anda dedikasikan pada kuartal berikutnya.

Dengan menggabungkan kemampuan prediktif kecerdasan buatan (AI) dan pembelajaran mesin (ML) dengan otomatisasi, Anda dapat membawa informasi bernilai tinggi ini ke ujung jari Anda. Namun, ada perbedaan:dua tim yang dapat mengatasi tantangan data yang kompleks ini biasanya tidak bekerja sama. Saya berbicara tentang pengembang otomatisasi proses robot (RPA) dan ilmuwan data Anda.

Keahlian ilmuwan data dan pengembang RPA Anda saling melengkapi. Dengan tata kelola yang tepat, Anda dapat mengonfigurasi alur kerja baru yang memanfaatkan keduanya. Saat melakukannya, Anda dapat menskalakan ML lebih cepat, membebaskan ilmuwan data Anda untuk pekerjaan yang lebih kompleks, meningkatkan keterampilan developer RPA, dan memanfaatkan sepenuhnya kedua tim terkait hasil bisnis. Tantangan pertama yang harus dihadapi adalah membebaskan ilmuwan data Anda dari silo mereka.

Ilmuwan data diisolasi dalam silo

Untuk memperkenalkan AI secara praktis di perusahaan dan mengubah organisasi Anda dengan otomatisasi, menyatukan tim pengembang RPA dan ilmuwan data adalah kuncinya. Silo tidak jarang, terutama di perusahaan besar, tetapi menyatukan dua tim khusus ini adalah salah satu perubahan paling berdampak yang dapat Anda lakukan. Kedua tim ingin membantu menginformasikan proses dan keputusan bisnis yang lebih baik dan lebih cerdas, tetapi itu tidak berarti mereka bekerja sama. Cenderung ada kesenjangan organisasi antara tim yang menyebabkan mereka menggunakan cara terpisah yang tidak perlu untuk mencapai tujuan yang sama.

Kurang menggunakan ilmuwan data Anda dapat membuang waktu dan sumber daya yang signifikan. Glassdoor melaporkan bahwa gaji rata-rata ilmuwan data di Amerika Serikat adalah $ 113.309. Di luar gaji semata, ada juga biaya peluang untuk menyia-nyiakan ilmuwan data Anda.

Saat ini ada kekurangan ilmuwan data, jadi jika Anda memiliki tim, sebaiknya gunakan mereka secara maksimal. Sayangnya, unicorn yang langka dan mahal ini sering disalahpahami baik oleh organisasi yang mempekerjakan mereka maupun oleh tim RPA tempat mereka bekerja.

Mengapa perusahaan sering salah memahami ilmuwan data

Ada empat alasan utama perusahaan meremehkan nilai ilmuwan data:

1. Nilai bisnis mereka sulit untuk diungkapkan. Menurut survei Ilmu Data Anaconda tahun 2020, kurang dari setengah (48%) ilmuwan data merasa mereka dapat menunjukkan dampak ilmu data terhadap hasil bisnis.

2. ROI mahal. Ilmuwan data—yang sudah mahal—seringkali membutuhkan lebih banyak sumber daya daripada yang bersedia diinvestasikan oleh perusahaan. Jeremy Tederry kami sendiri, Manajer Produk pembelajaran mesin di UiPath dan mantan ilmuwan data, pernah meninggalkan perusahaan karena tidak memiliki sumber daya untuk memasukkan model ML ke dalam produksi.

3. Pekerjaan mereka tidak memberikan nilai tanpa kolaborasi. Mendapatkan output ilmu data ke dalam produksi, di mana mereka dapat berdampak pada bisnis, tidak selalu mudah. Ilmuwan data membutuhkan dukungan lintas organisasi untuk berhasil. Menurut Tederry, “Model ML saja tidak dapat, dan tidak dapat, melakukan apa pun—mereka harus bekerja sama dengan tim lain dan dimasukkan sebagai bagian dari proyek yang lebih besar agar berhasil.”

4. Sebagian besar upaya mereka ditujukan untuk pekerjaan yang tidak terlihat. Menurut survei ilmu data dari Anaconda yang kami sebutkan di atas, 45% ilmuwan data menghabiskan waktu mereka untuk menyiapkan data (memuat dan membersihkan) sebelum masuk ke model atau visualisasi data. Ini bisa sangat membuat frustasi para ilmuwan data (seperti terlihat pada tweet di bawah).

Sumber

Ketika keempat alasan ini digabungkan, perusahaan cenderung meremehkan dan kurang memanfaatkan ilmuwan data mereka. Namun, sedikit yang mereka ketahui bahwa membuka nilai mereka hanya berjarak satu tim.

Pengembang RPA juga salah memahami ilmuwan data

Pola pikir pengembang RPA dan ilmuwan data cenderung berbeda karena mereka memiliki alur kerja dan garis waktu yang berbeda. Ketika alur kerja Anda menyimpang, pola pikir Anda juga akan berbeda. Ini wajar, tetapi juga menyulitkan tim ini untuk berkomunikasi lintas departemen, menciptakan silo.

Trung Nguyen, ilmuwan data di MSD, memberikan contoh yang bagus. Dalam sebuah artikel tentang otomatisasi cerdas, ia memecah alur kerja RPA dan ML ke dalam bagan yang berbeda, yang dapat Anda lihat di bawah. Lihat, khususnya, bagaimana developer RPA berfokus pada penulisan aturan, sedangkan ilmuwan data berfokus pada pelatihan model ML.

Kedua tim memulai dengan mempelajari, dan keduanya akan mengevaluasi, meluncurkan, dan menganalisis kesalahan dalam solusi mereka. Setelah itu, pengembang RPA biasanya mengubah strategi mereka begitu mereka menghadapi perubahan lingkungan, sedangkan ilmuwan data biasanya menyalurkan masukan ke dalam data yang selanjutnya melatih model ML mereka.

Ini mungkin tampak seperti perbedaan kecil pada pandangan pertama, tetapi perbedaannya terlihat setelah Anda memperkecil dan melihat garis waktu.

Cakrawala waktu untuk pemecahan masalah yang kompleks—jenis data yang paling cocok untuk ditangani oleh para ilmuwan—paling tidak enam bulan. Pengembang RPA malah cenderung menggunakan alur kerja yang gesit, mengukur kemajuan dalam hitungan minggu. Ini berarti pengembang RPA, yang tenggelam dalam alur kerja yang lebih cepat ini, cenderung berpikir dalam kerangka solusi cepat, sedangkan ilmuwan data cenderung beralih ke proyek yang lebih eksplorasi.

Keahlian pengembang RPA dan ilmuwan data:berbeda tetapi saling melengkapi

Ketika para pemimpin menyelaraskan pengembang RPA dan ilmuwan data, manfaat yang dapat mereka berikan kepada organisasi lebih besar daripada jumlah bagian mereka. Pengembang RPA dapat mengotomatiskan proses yang jauh lebih kompleks saat bekerja dengan ilmuwan data daripada bekerja sendiri, dan ilmuwan data yang bekerja dengan pengembang RPA dapat bekerja lebih cepat dan fokus lebih baik daripada sebelumnya.

Terlepas dari kesenjangan yang telah kami jelaskan, pengembang RPA dan ilmuwan data berbicara dalam bahasa yang sama—atau setidaknya mengkodekannya.

UiPath State of RPA Developers Report 2020 menunjukkan bahwa lebih dari 90% pengembang RPA memiliki gelar sarjana dan Python sudah menjadi salah satu bahasa teratas yang dikenal oleh pengembang RPA. Kesenjangan pengetahuan tidak seluas yang Anda takutkan.

Ada keinginan untuk melewati celah ini juga. Dalam penelitian kami, pengembang RPA sudah menunjukkan bahwa mereka ingin mempelajari lebih lanjut tentang ilmu data – topik yang berdekatan. Di UiPath The Impact of RPA on Employee Experience, lebih dari 80% pengembang RPA menyatakan ingin belajar tentang AI/ML. Dan dalam UiPath State of RPA Developers Report 2020, beberapa pengembang RPA mengatakan bahwa selain RPA, mereka ingin menambahkan keahlian ML dan ilmu data.

Ini tidak seperti kesenjangan yang tidak terlihat oleh ilmuwan data. Penelitian menunjukkan bahwa ilmuwan data menghabiskan hampir separuh waktunya untuk masalah yang dapat diselesaikan oleh pengembang RPA dengan lebih baik dan lebih cepat. Ingat (menurut Survei Ilmu Data Anaconda 2020 yang kami kutip di atas), rata-rata, 45% waktu mereka dihabiskan untuk menyiapkan data sebelum mereka dapat menggunakannya untuk mengembangkan model dan visualisasi.

Mari kita simpulkan ini:

1. Pengembang RPA dan ilmuwan data dapat berkomunikasi dalam bahasa yang sama.

2. Pengembang RPA ingin mempelajari dan menerapkan ilmu data.

3. Ilmuwan data sering terjebak melakukan pekerjaan yang dapat dibantu oleh pengembang RPA.

Sehingga menyisakan pertanyaan bagi kita:bagaimana kita bisa menyatukan tim yang saling melengkapi ini?

Mendobrak tembok antara ilmu data dan tim RPA

Jika para pemimpin dapat meruntuhkan penghalang di antara tim-tim ini, mereka dapat membuka peluang besar bagi perusahaan mereka. Untuk melakukannya, para pemimpin harus memungkinkan ilmuwan data untuk mengomunikasikan kebutuhan mereka kepada pengembang RPA dan mengoordinasikan kedua tim untuk mencapai hasil yang lebih baik pada masalah yang kompleks.

Pemimpin dapat memfasilitasi kolaborasi

Organisasi yang cerdas menempatkan pemimpin tingkat C-suite yang bertanggung jawab atas kedua tim. Dalam studi kasus kami dengan Heritage Bank, David Johnston, Manager of Intelligent Automation and Process Excellence, mengatakan, “Tim ilmu data dan otomasi sering terputus. Namun, di organisasi kami, kedua tim tersebut melapor ke CFO kami.” Ini adalah sebagian besar alasan mengapa Heritage Bank, bekerja dengan UiPath, dapat mencapai akurasi 98% di seluruh model ML terbaru mereka.

Meskipun hal itu mungkin tidak selalu dapat dilakukan dan jika struktur pelaporan organisasi berbeda, masing-masing pemimpin dapat memastikan bahwa kedua tim saling berbicara dan bahwa komunikasi benar-benar dua arah. Untuk memfasilitasi tingkat kolaborasi tersebut, para pemimpin dapat mempromosikan kasus penggunaan bernilai tinggi yang menekankan manfaat dari kedua tim yang bekerja sama. Kreativitas adalah keharusan. Seperti yang kami jelaskan, ada kekurangan ilmuwan data, jadi pemimpin yang cerdas akan menemukan cara baru untuk merekrut ilmuwan data dan meningkatkan keterampilan pengembang RPA untuk mengambil pekerjaan yang berhubungan dengan ilmu data sebagai gantinya.

Pengembang RPA dapat membantu ilmuwan data

Saat ilmuwan data mengalami masalah, pengembang RPA dapat membantu.

Inside Big Data menunjukkan dua masalah utama yang cenderung dimiliki oleh para ilmuwan data:

1. Ilmuwan data cenderung tidak memiliki cukup data pelatihan berlabel untuk mengajarkan model pembelajaran mereka.

2. Ilmuwan data cenderung harus menggunakan data teoretis dari kumpulan data kotak pasir, bukan data dari kasus penggunaan nyata.

Di sinilah pengembang RPA masuk. Pengembang RPA dapat menguntungkan ilmuwan data dengan:

• Membuat metadata: Robot perangkat lunak, terutama jika dilengkapi dengan penambangan proses, meninggalkan jejak data saat mereka menyelesaikan tugas, membuat proses lebih mudah dipahami oleh ilmuwan data.

• Mengakses sistem lama: Robot perangkat lunak bekerja dengan sistem lama dan membuat data yang dulunya terperangkap di alat lama dapat diakses.

• Membuat data dapat digunakan: Pengembang RPA dapat menguraikan kumpulan data besar menjadi komponen yang dapat digunakan dan mengatur, memberi label, dan membersihkan bagian data yang berbeda menjadi satu kesatuan yang koheren.

• Menerapkan modul AI yang sudah jadi: Banyak kasus penggunaan ML dan AI bukanlah hal baru, dan alih-alih ilmuwan data membangun model dari awal, developer RPA dapat menerapkan modul yang sudah ada sebelumnya.

• Menggunakan AutoML untuk menghemat waktu: Pengembang RPA dapat menggunakan AutoML untuk menemukan model prediktif mana yang paling akurat, memastikan ilmuwan data tidak perlu membuat dan menguji beberapa model untuk kasus penggunaan tertentu. Ini membebaskan ilmuwan data untuk mengerjakan tugas yang lebih menantang.

Gabungan manfaat ini tidak hanya membuat kehidupan para ilmuwan data, tetapi juga membantu mereka mencapai lebih dari yang bisa mereka lakukan sebelumnya. Pengembang RPA memungkinkan ilmuwan data melakukan pekerjaan mereka lebih cepat dan lebih baik, serta membuat solusi akhir lebih mudah diterapkan.

UiPath dapat membantu ilmuwan data dan pengembang RPA Anda mencapai tingkat yang baru—bersama-sama

Tujuan dari perusahaan yang berpikiran maju bukanlah untuk menemukan kompromi antara dua tim yang sering berbeda; itu untuk menyelaraskan kembali mereka berdua sehingga mereka dapat mencapai lebih banyak bersama daripada yang bisa mereka lakukan terpisah. Ilmu data membutuhkan data yang akurat, bersih, dan terverifikasi. Proses RPA menghasilkan data yang bersih dan sering kali dimulai dengan data yang berantakan dan tidak terstruktur.

Tanpa set alat yang tepat yang menampilkan data tentang proses bisnis dan alur kerja otomatisasi, bahkan pemimpin terbaik pun akan berjuang untuk membuat kedua tim bekerja bersama. Platform UiPath menyediakan alat yang dibutuhkan perusahaan untuk menyatukan ilmu data dan tim RPA mereka.

UiPath dapat membantu ilmuwan data:

• Buat robot perangkat lunak yang mengumpulkan data ke dalam satu tempat yang terkonsolidasi

• Berikan "jarak terakhir" MLOps dengan UiPath AI Center dan terapkan model ke dalam produksi

• Buktikan ROI untuk model yang mereka buat, dengan lebih baik memungkinkan mereka untuk memfokuskan sebagian besar waktu dalam menjelajahi data dan menyempurnakan model yang memecahkan masalah dunia nyata

• Manfaatkan solusi AI yang siap pakai seperti UiPath Document Understanding dan AI Document Understanding

UiPath membantu pengembang RPA:

• Uji dan terapkan model AI dengan cepat

• Gunakan model AI yang siap pakai sehingga ilmuwan data tidak perlu membangun apa pun dari awal dan dapat tetap fokus pada masalah dan solusi baru

• Gunakan kemampuan AutoML dengan kemudahan drag-and-drop menggunakan AI Center

• Terapkan komponen RPA yang dapat digunakan kembali, termasuk ML, dengan UiPath Marketplace

Mari kita pikirkan satu contoh terakhir:jika perusahaan Anda ingin mulai menggunakan analisis sentimen, pengembang RPA Anda dapat menerapkan salah satu model awal kami dan memberikan data yang dibutuhkannya agar berfungsi. Jika perusahaan Anda kemudian ingin membuat analisis sentimen lebih akurat dan lebih kuat—atau mengubah algoritme yang diberikan—maka Anda memerlukan ilmuwan data.

Cara lain untuk memikirkannya adalah jika Anda menggunakan matematika untuk memecahkan masalah, itulah peran pengembang RPA; jika Anda mencoba mencari tahu matematika, itulah peran ilmuwan data. UiPath menyediakan platform yang mencakup kedua jenis pekerjaan.

Perusahaan Anda dapat melakukan lebih dari yang Anda bayangkan, setelah Anda menggabungkan ilmu data dan RPA. UiPath AI Center memungkinkan Anda––baik Anda memiliki latar belakang ilmu data atau tidak––untuk menarik dan melepaskan AI langsung ke dalam proses bisnis Anda. Untuk mendapatkan perspektif langsung, coba uji coba UiPath AI Center hari ini.

Bergabunglah dengan para pemimpin AI dan pakar UiPath di UiPath AI Summit!

Acara virtual akan diadakan selama empat minggu, mulai 24 Februari 2021. Baik Anda baru mengenal AI atau praktisi AI berpengalaman yang ingin meningkatkan robot Anda, ada sesi untuk Anda.