重燃数据激情：AI Fabric破解数据科学常见难题

编者注：随自动化市场演进，UiPath平台持续更新以最好服务客户自动化需求。文中部分产品名已演变，最新信息请访问AI Center页面。

我热爱数据工作。但它让我沮丧吗？肯定。

担任数据科学家五年多，我深感在数据雄心与运营化局限间平衡之痛。曾因公司缺乏资源将机器学习（ML）模型推向生产而离职。我们极力用数据解决任务，却无机会影响产品。当工作陷入组织与运营挑战泥沼，易灰心丧志，忘却初入数据领域的初心。

本文想聊聊数据科学家的旅程：

为数据之爱 我喜欢做创造性问题解决者，数据赋能创造性解题。

用数据攻克难题、解决影响人们生活的挑战，感觉是天然职业路径。许多数据科学家入行为学习用数据解决问题。我们热衷理解手中数据、探索开发、用ML算法测试数据，再通过构建模型的力量与洞见将新方案落地。

决定做数据科学家时，知晓工作伴随任务与可能头疼事。无论数据类型，您不可避免地将：

数据工作越久，越清醒认知到数据科学在组织桎梏下有多复杂。数据科学家的现实开始遮蔽我入行的初衷。

现实打击时：设定期望与端到端管理数据

许多公司拥抱数据驱动开发，处于探索ML早期。数据科学家角色仍稀缺，常被误解。当我们在公司内运营化数据、用数据解决问题推进时，会面临不同挑战。

设定组织能/不能用ML做什么的期望，是我们花费大量时间之处。教育他人理解数据科学家角色本质、我们愿聚焦何处、项目成功所需，至关重要。

另一挑战：数据科学运营常在组织内孤岛化，限制数据科学项目为组织创造价值。

单独的ML模型不能、也不做任何事——必须与其他团队协同、作为大型项目一部分才能成功。

此外，极难展示模型驱动的投资回报率（ROI）。数据科学家常面临艰难战役为ML在组织中的角色辩护。我们可耗费无数周期为所寻求角色与所需资源立论。

应对数据本身带来独特挑战。我们常花更多时间收集、整合、清洗数据集，而非理解数据构建模型。除非公司已建模型持续集成持续交付（CI/CD）管道，大量时间将耗于从本地机器到预发、生产的可扩展管道建设。这不在职责范围，却夺走我们想投入模型构建测试的时间。

持续模型监控也可能是未雨绸缪不足的挑战。数据漂移随时间实验？生产数据仍同训练数据？输出仍受控？新数据下模型表现是否如基于训练集构建的基准模型？何时需更新ML模型？

为回归所爱，我寻找机会为重视数据科学融入更广泛流程规划的公司工作。今天，我很兴奋为一家不仅内部重视数据科学、更积极助企业运营化消费ML模型驱动更好业务成果的公司工作。

随越来越多组织用RPA精简流程，数据科学家以新方式运营化数据的机遇涌现。

UiPath致力于融合数据科学与RPA，赋能企业用智能自动化驱动新成果。将数据科学与RPA结合，我们旨在缓解数据科学家在自动化世界日常面临的上述挑战。我们用AI Fabric推动这些努力。

相关阅读：Heritage Bank如何使用AI与AI Fabric

我们相信数据科学与RPA协作更好。将数据科学家引入RPA卓越中心（CoE），勾勒用数据与ML增强RPA能力的可能性，至关重要。

通过AI Fabric开发，我们专注于帮助组织将ML视为自动化流程内一步。我们要帮助用户更无缝地整合ML与RPA开发。用AI Fabric与RPA，数据科学家可用聚焦预处理与数据收集的工具简化数据管道构建。能轻松部署模型、监控模型、拥抱让人类与ML模型协作的RPA工作流。

通过整合数据科学与RPA，我们要帮助数据科学家证明模型构建部署的ROI，将大部分时间聚焦探索数据、优化解决现实问题的模型。

亲身经历告诉我：赋能数据科学家专注用数据解决问题、整合数据科学进现有流程，能改变组织演化成长方式。

对我最重要是帮助客户驱动更好成果。在UiPath角色中，我亲见公司如何通过整合数据科学与RPA自动化更复杂流程。看着数据科学家从常见运营化挑战中解放，公司通过AI Fabric等产品将数据科学构建进RPA部署，令人欣慰。

了解更多AI Fabric或加入Insider Preview Program抢先体验AI Fabric新品。

自动化控制系统