Hidupkan Kembali Semangat Data Anda: AI Fabric Mengatasi Tantangan Data Science
Catatan Editor: Seiring pasar otomatisasi terus berkembang, Platform UiPath juga diperbarui untuk melayani kebutuhan otomatisasi pelanggan kami dengan baik. Karena itu, beberapa nama produk dalam artikel ini telah berevolusi sejak artikel awalnya diterbitkan. Untuk informasi terbaru, silakan kunjungi halaman AI Center kami.
Saya suka bekerja dengan data. Tapi apakah itu menyebabkan saya frustrasi? Tentu saja.
Setelah bekerja sebagai data scientist selama lebih dari lima tahun, saya telah merasakan rasa sakit mencoba menyeimbangkan ambisi data saya dengan keterbatasan yang datang saat mengoperasionalkan data. Misalnya, saya meninggalkan posisi di perusahaan yang saya sukai karena kami tidak memiliki sumber daya untuk memasukkan model pembelajaran mesin (ML) ke produksi. Kami bekerja sangat keras untuk menyelesaikan tugas menggunakan data dan akhirnya tidak memiliki kesempatan untuk memberikan dampak pada produk. Saat pekerjaan Anda terhambat dengan tantangan organisasi dan operasional, mudah untuk menjadi kecewa dan kehilangan pandangan mengapa Anda suka bekerja dengan data pada awalnya.
Dalam blog ini, saya ingin berbicara tentang perjalanan seorang data scientist:
Apa yang memotivasi minat kita pada dunia data
Keterbatasan yang kita hadapi saat harapan bertemu kenyataan
Kemungkinan yang kita miliki untuk mengubah cara kita mengoperasionalkan data dengan mengintegrasikan data science ke dalam teknologi seperti Otomatisasi Proses Robotik (RPA)
Mengapa saya antusias tentang AI Fabric, solusi yang mengintegrasikan kecerdasan buatan (AI) dengan RPA, untuk mendorong peluang baru untuk memaksimalkan data
Untuk kasih sayang data Saya suka menjadi pemecah masalah kreatif, dan data memberdayakan pemecahan masalah kreatif.
Menggunakan data untuk menangani tugas yang sulit dan menyelesaikan tantangan yang mempengaruhi kehidupan orang terasa seperti jalur karir yang alami bagi saya. Banyak data scientist yang saya kerjakan masuk ke bidang ini untuk belajar cara menggunakan data untuk menyelesaikan masalah. Kami sangat antusias untuk memahami data yang kita miliki, menjelajahi, mengembangkan, dan menggunakan algoritma ML untuk diuji pada data kita, dan kemudian menemukan cara untuk membawa solusi baru menjadi kenyataan melalui kekuatan dan wawasan yang kita dorong dengan model yang kita bangun.
Saat saya memutuskan untuk menjadi data scientist, saya tahu ada tugas dan kemungkinan pusing yang datang dengan pekerjaan ini. Terlepas dari tipe data yang Anda kerjakan, Anda tak terbencil akan:
Menghabiskan waktu untuk memproses dan membersihkan data Anda
Menunggu beberapa saat untuk model Anda dilatih
Menghabiskan waktu untuk mencoba berbagai hyperparameter
Semakin banyak saya bekerja dengan data, semakin sadar saya tentang betapa rumitnya data science dapat menjadi dalam batasan organisasi. Kenyataan yang terkait dengan menjadi seorang data scientist mulai meliputi motivasi asli saya untuk masuk ke bidang ini.
Saat kenyataan tiba: Menetapkan harapan dan mengelola data secara menyeluruh
Banyak perusahaan menerapkan pendekatan berbasis data untuk pengembangan dan berada di tahap awal menjelajahi ML. Peran data scientist masih cukup langka, dan dalam banyak kasus, disalahpahami. Berbagai tantangan dapat timbul bagi data scientist saat kita mulai mengoperasionalkan data dalam perusahaan dan bergerak maju menggunakan data untuk menyelesaikan masalah.
Menetapkan harapan tentang apa yang dapat—dan tidak dapat—dilakukan organisasi dengan ML adalah salah satu area di mana kami menghabiskan banyak waktu. Penting untuk mendidik orang lain tentang sifat peran kita sebagai data scientist, di mana kita ingin fokus waktu kita, dan apa yang kita butuhkan untuk proyek kita berhasil.
Tantangan lain adalah fakta bahwa operasi data science sering terisolasi dalam organisasi. Ini dapat membatasi kemampuan proyek data science untuk memberikan manfaat bagi organisasi.
Model ML sendiri tidak dapat, dan tidak, melakukan apa pun—mereka harus bekerja bersama dengan tim lain dan dimasukkan sebagai bagian dari proyek yang lebih besar untuk berhasil.
Selain itu, sering kali sangat sulit untuk menunjukkan return of investment (ROI) yang dihasilkan oleh model. Data scientist sering menghadapi perjuangan berat untuk memberikan kasus untuk peran ML dalam organisasi. Data scientist dapat menghabiskan banyak siklus untuk memberikan kasus untuk peran yang kita cari dan apa yang kita butuhkan untuk memberikan dampak.
Menangani data itu sendiri membawa serangkaian tantangan unik. Kami sering menghabiskan lebih banyak waktu untuk mengumpulkan, mengkonsolidasikan, dan membersihkan kumpulan data, daripada bekerja untuk memahami data dan membangun model. Kecuali suatu pipeline integrasi berkelanjutan dan pengiriman berkelanjutan (CI/CD) untuk model Anda sudah dibangun dalam perusahaan, banyak waktu kita menjadi selia untuk menciptakan pipeline yang dapat diskala untuk membawa model Anda dari mesin lokal Anda ke staging dan produksi. Ini tidak hanya di luar cakupan pekerjaan kita tetapi mengambil waktu dari kita yang ingin kita gunakan untuk membangun dan menguji model.
Pemantauan model yang berkelanjutan juga dapat menjadi tantangan yang belum Anda siapkan. Apakah kita bereksperimen dengan drift data seiring waktu? Apakah data di produksi masih sama dengan data yang kita gunakan untuk pelatihan? Apakah output masih terkendali? Dengan data baru, apakah model kita berperforma sama baiknya dengan model dasar, yang dibangun dengan set pelatihan? Kapan Anda perlu memperbarui model ML?
Untuk kembali pada apa yang saya sukai, saya telah mencari peluang untuk bekerja untuk perusahaan yang memprioritaskan integrasi data science ke dalam proses dan perencanaan yang lebih luas. Saat ini, saya senang bekerja untuk perusahaan yang tidak hanya memprioritaskan data science secara internal tetapi secara aktif bekerja untuk membantu perusahaan mengoperasionalkan dan mengonsumsi model ML untuk menghasilkan hasil bisnis yang lebih baik.
Kembali pada apa yang Anda sukai dengan AI Fabric
Semakin banyak organisasi menggunakan RPA untuk menyederhanakan proses, peluang muncul bagi data scientist untuk mengoperasionalkan data dengan cara baru.
Di sini di UiPath, kami berkomitmen untuk menyatukan data science dan RPA dan memberdayakan bisnis untuk mendorong hasil baru menggunakan otomatisasi cerdas. Dengan menyatukan data science bersama dengan RPA, kami ingin mengurangi banyak tantangan di atas yang dihadapi data scientist sehari-hari di dunia otomatisasi. Kami mendorong upaya ini dengan AI Fabric.
Baca terkait: How Heritage Bank is Using AI and AI Fabric
Kami percaya bahwa data science dan RPA lebih baik saat bekerja sama. Penting untuk menjadikan data science sebagai bagian integral dari RPA Center of Excellence (CoE) dengan membawa data scientist untuk merumuskan apa yang mungkin saat menggunakan data dan ML untuk meningkatkan kemampuan RPA.
Melalui pengembangan AI Fabric, kami berfokus pada membantu organisasi memikirkan ML sebagai langkah di dalam proses otomatisasi. Kami ingin membantu pengguna mengintegrasikan ML dengan pengembangan RPA dengan lebih mulus. Dengan menggunakan AI Fabric dan RPA, data scientist dapat menyederhanakan pembangunan pipeline data dengan alat yang berfokus pada pra-pemrosesan dan pengumpulan data. Mereka dapat men-deploy model dengan mudah, memantau model, dan merangkai alur kerja RPA yang dirancang untuk membuat manusia dan model ML bekerja sama.
Dengan mengintegrasikan data science dengan RPA, kami ingin membantu data scientist membuktikan ROI untuk model yang dibangun dan di-deploy, dan fokus sebagian besar waktu pada menjelajahi data dan menyempurnakan model yang menyelesaikan masalah dunia nyata.
Apa yang akan Anda lakukan dengan lebih banyak kebebasan untuk fokus pada data Anda?
Saya tahu dari pengalaman pribadi bahwa memberdayakan data scientist untuk fokus pada menyelesaikan masalah menggunakan data dan mengintegrasikan data science ke dalam proses yang ada dapat mengubah cara organisasi berkembang dan tumbuh.
Yang paling penting bagi saya adalah membantu pelanggan mendorong hasil yang lebih baik. Dalam peran saya di UiPath, saya telah secara langsung melihat bagaimana perusahaan dapat mengotomatiskan proses yang lebih kompleks dengan mengintegrasikan data science dengan RPA. Itu mengasyikkan untuk melihat data scientist menjadi terbebas dari tantangan operasional data umum saat perusahaan membangun data science ke dalam penerapan RPA melalui produk seperti AI Fabric.
Pelajari lebih lanjut tentang AI Fabric atau daftar dengan Program Pratinjau Insider kami untuk akses awal ke penawaran baru di AI Fabric.
