자동화 드림 팀에는 RPA 개발자와 데이터 과학자가 필요합니다.

당신이 최고재무책임자(CFO)이고 다음 분기가 막 시작된다고 상상해 보십시오. 이전 분기는 좋았지만 다음 분기는 더 나을 것이라고 직감합니다.

완벽한 세상에서는 본능적인 낙관주의에서 데이터 기반 예측으로 전환할 것입니다. 분기 말까지 부서에 얼마나 많은 돈이 있는지 첫날부터 알 수 있습니다. 다음 분기에 어떤 예산을 편성할 수 있고 어떤 리소스를 사용할 수 있는지 정확히 알 수 있습니다.

인공 지능(AI) 및 머신 러닝(ML)의 예측 기능을 자동화와 결합하여 이러한 고가치 정보를 손끝으로 가져올 수 있습니다. 그러나 이러한 복잡한 데이터 문제를 해결할 수 있는 두 팀이 일반적으로 협력하지 않는다는 차이가 있습니다. 저는 여러분의 RPA(로봇 프로세스 자동화) 개발자와 데이터 과학자에 대해 이야기하고 있습니다.

데이터 과학자와 RPA 개발자의 기술 세트는 상호 보완적입니다. 올바른 거버넌스를 통해 두 가지를 모두 활용하는 새로운 워크플로를 구성할 수 있습니다. 그렇게 하면 ML을 더 빠르게 확장하고 더 복잡한 작업을 위해 데이터 과학자를 확보하고 RPA 개발자의 기술을 향상하고 비즈니스 결과와 관련하여 두 팀을 최대한 활용할 수 있습니다. 가장 먼저 해결해야 할 과제는 데이터 과학자를 고립된 상태에서 해방시키는 것입니다.

데이터 과학자는 사일로에 격리되어 있습니다.

기업에 AI를 실질적으로 도입하고 자동화를 통해 조직을 혁신하려면 RPA 개발자와 데이터 과학자 팀을 함께 모으는 것이 중요합니다. 사일로는 특히 대기업에서 드문 일이 아니지만 이 두 특정 팀을 하나로 묶는 것은 가장 영향력 있는 변화 중 하나입니다. 두 팀 모두 더 우수하고 스마트한 프로세스와 비즈니스 의사 결정에 도움이 되기를 원하지만 이것이 함께 작업한다는 의미는 아닙니다. 비슷한 목적지에 도달하기 위해 불필요하게 별도의 수단을 사용하게 만드는 팀 간의 조직적 격차가 존재하는 경향이 있습니다.

데이터 과학자를 과소 사용하면 상당한 시간과 리소스를 낭비할 수 있습니다. Glassdoor는 미국의 평균 데이터 과학자 급여가 $113,309라고 보고합니다. 단순한 급여 외에도 데이터 과학자를 낭비하는 기회 비용이 있습니다.

현재 데이터 과학자가 부족하므로 팀이 있다면 최대한 활용하는 것이 가장 좋습니다. 불행히도 이 희귀하고 값비싼 유니콘을 고용하는 조직과 함께 일할 수 있는 RPA 팀 모두에서 종종 오해를 받습니다.

기업이 데이터 과학자를 종종 오해하는 이유

기업이 데이터 과학자의 가치를 과소평가하는 네 가지 주요 이유는 다음과 같습니다.

1. 비즈니스 가치는 표현하기 어렵습니다. 2020년 Anaconda Data Science 설문조사에 따르면 데이터 과학자의 절반 미만(48%)이 데이터 과학이 비즈니스 결과에 미치는 영향을 입증할 수 있다고 생각합니다.

2. ROI가 비싸다. 이미 비용이 많이 드는 데이터 과학자는 기업이 기꺼이 투자할 수 있는 것보다 더 많은 리소스를 필요로 하는 경우가 많습니다. UiPath의 기계 학습 제품 관리자이자 전 데이터 과학자인 Jeremy Tederry는 ML 모델을 프로덕션 환경에 적용할 리소스가 없었기 때문에 한 번 회사를 떠났습니다.

3. 그들의 작업은 협업 없이는 가치를 제공하지 않습니다. 데이터 과학 출력을 비즈니스에 영향을 줄 수 있는 프로덕션 환경으로 가져오는 것이 항상 간단한 것은 아닙니다. 데이터 과학자가 성공하려면 조직 간 지원이 필요합니다. Tederry에 따르면 "ML 모델만으로는 아무것도 할 수 없고 하지도 않습니다. 성공하려면 다른 팀과 함께 작업하고 더 큰 프로젝트의 일부로 포함되어야 합니다."

4. 대부분의 노력은 보이지 않는 일에 사용됩니다. 위에서 언급한 Anaconda의 데이터 과학 설문 조사에 따르면 데이터 과학자의 45%는 데이터 모델이나 시각화에 들어가기 전에 데이터를 준비(로딩 및 정리)하는 데 시간을 보냅니다. 이는 데이터 과학자들에게 매우 실망스러울 수 있습니다(아래 트윗에서 분명히 알 수 있음).

출처

이 네 가지 이유가 결합되면 기업은 데이터 과학자를 과소평가하고 활용하지 못하는 경향이 있습니다. 하지만 한 팀만 있으면 자신의 가치를 실현할 수 있다는 사실을 거의 알지 못합니다.

RPA 개발자도 데이터 과학자를 오해합니다.

RPA 개발자와 데이터 과학자의 사고 방식은 서로 다른 워크플로와 타임라인을 가지고 있기 때문에 다른 경향이 있습니다. 워크플로가 다양해지면 사고 방식도 달라집니다. 이는 자연스러운 일이지만 이러한 팀이 부서 간에 의사소통하기 어렵게 하여 사일로를 만듭니다.

MSD의 데이터 과학자인 Trung Nguyen은 좋은 예를 제공합니다. 지능형 자동화에 대한 기사에서 그는 RPA 및 ML 워크플로를 아래에서 볼 수 있는 고유한 차트로 분류합니다. 특히 RPA 개발자가 규칙 작성에 중점을 두는 반면 데이터 과학자는 ML 모델 교육에 중점을 둡니다.

두 팀 모두 연구를 시작하고 두 팀 모두 솔루션의 오류를 평가, 실행 및 분석합니다. 그 후 RPA 개발자는 일반적으로 환경 변화가 발생하면 전략을 변경하지만 데이터 과학자는 일반적으로 ML 모델을 추가로 훈련하는 데이터에 피드백을 보냅니다.

이는 언뜻 보기에는 작은 차이처럼 보일 수 있지만 축소하고 타임라인을 보면 차이가 커집니다.

복잡한 문제 해결(데이터 과학자가 가장 잘 다룰 수 있는 유형)의 시간 범위는 최소 6개월입니다. 대신 RPA 개발자는 애자일 워크플로를 사용하여 진행 상황을 몇 주 단위로 측정하는 경향이 있습니다. 즉, 더 빠른 워크플로에 몰두하는 RPA 개발자는 빠른 솔루션의 관점에서 생각하는 경향이 있는 반면 데이터 과학자는 더 탐색적인 프로젝트로 이동하는 경향이 있습니다.

RPA 개발자 및 데이터 과학자 기술:다르지만 상호 보완적

리더가 RPA 개발자와 데이터 과학자를 정렬할 때 조직에 제공할 수 있는 이점은 각 부분의 합보다 더 큽니다. RPA 개발자는 혼자 작업하는 것보다 데이터 과학자와 함께 작업하는 훨씬 더 복잡한 프로세스를 자동화할 수 있으며 RPA 개발자와 함께 작업하는 데이터 과학자는 그 어느 때보다 빠르게 작업하고 집중할 수 있습니다.

우리가 설명한 격차에도 불구하고 RPA 개발자와 데이터 과학자는 동일한 언어를 사용하거나 최소한 코딩합니다.

UiPath State of RPA 개발자 보고서 2020에 따르면 RPA 개발자의 90% 이상이 대학 학위를 보유하고 있으며 Python은 이미 RPA 개발자에게 알려진 최고의 언어 중 하나입니다. 지식 격차는 생각보다 크지 않습니다.

이 간극을 넘고 싶은 욕망도 있다. 우리 연구에서 RPA 개발자는 이미 데이터 과학과 관련된 주제에 대해 더 많이 배우고 싶어한다고 표시하고 있습니다. UiPath The Impact of RPA on Employee Experience에서 RPA 개발자의 80% 이상이 AI/ML에 대해 배우고 싶다고 말했습니다. 그리고 UiPath State of RPA 개발자 보고서 2020에서 여러 RPA 개발자는 RPA 외에도 ML 및 데이터 과학 기술 세트를 추가하고 싶다고 말했습니다.

데이터 과학자들에게도 격차가 보이지 않는 것은 아닙니다. 연구에 따르면 데이터 과학자는 RPA 개발자가 더 좋고 빠르게 해결할 수 있는 문제에 거의 절반의 시간을 할애합니다. (위에서 인용한 2020 Anaconda Data Science Survey에 따르면) 평균적으로 45%의 시간이 모델 및 시각화를 개발하는 데 데이터를 사용하기 전에 데이터를 준비하는 데 소비되었음을 기억하십시오.

요약하자면:

1. RPA 개발자와 데이터 과학자는 공통 언어로 커뮤니케이션할 수 있습니다.

2. RPA 개발자는 데이터 과학에 대해 배우고 구현하기를 원합니다.

3. 데이터 과학자는 종종 RPA 개발자가 도울 수 있는 일을 하지 못하고 있습니다.

그래서 우리는 이러한 명확하게 상호 보완적인 팀을 어떻게 하나로 묶을 수 있는지에 대한 질문을 남깁니다.

데이터 과학과 RPA 팀 간의 벽 허물기

리더가 이러한 팀 간의 장벽을 허물 수 있다면 회사에 엄청난 기회를 제공할 수 있습니다. 이를 위해 리더는 데이터 과학자가 RPA 개발자에게 자신의 요구 사항을 전달하고 두 팀을 조정하여 복잡한 문제에 대해 더 나은 결과를 얻을 수 있도록 해야 합니다.

지도자는 협업을 촉진할 수 있습니다.

똑똑한 조직은 C-suite 수준의 리더를 두 팀 모두에 맡깁니다. Heritage Bank의 사례 연구에서 Intelligent Automation 및 Process Excellence의 관리자인 David Johnston은 다음과 같이 말했습니다. “데이터 과학 및 자동화 팀은 종종 연결이 끊어집니다. 그러나 우리 조직에서는 두 팀 모두 CFO에게 보고합니다.” 이것이 바로 Heritage Bank가 UiPath와 협력하여 가장 최근의 ML 모델에서 98%의 정확도를 달성할 수 있었던 큰 이유였습니다.

그것이 항상 가능한 것은 아니지만 조직의 보고 구조가 다른 경우 각 리더는 두 팀이 서로 대화하고 의사 소통이 진정한 양방향임을 확인할 수 있습니다. 이러한 수준의 협업을 촉진하기 위해 리더는 두 팀이 함께 작업할 때의 이점을 강조하는 고가치 사용 사례를 홍보할 수 있습니다. 창의력은 필수입니다. 앞서 설명했듯이 데이터 과학자가 부족하기 때문에 현명한 리더는 데이터 과학자를 고용할 새로운 방법을 찾고 RPA 개발자가 대신 데이터 과학 관련 작업을 맡을 수 있도록 기술을 향상시킬 것입니다.

RPA 개발자는 데이터 과학자를 도울 수 있습니다.

데이터 과학자에게 문제가 발생하면 RPA 개발자가 도움을 줄 수 있습니다.

Inside Big Data는 데이터 과학자가 가지고 있는 경향이 있는 두 가지 주요 문제를 지적합니다.

1. 데이터 과학자는 학습 모델을 가르칠 만큼 레이블이 지정된 학습 데이터가 충분하지 않은 경향이 있습니다.

2. 데이터 과학자는 실제 사용 사례의 데이터 대신 샌드박스 데이터 세트의 이론적인 데이터를 사용해야 하는 경향이 있습니다.

여기에서 RPA 개발자가 필요합니다. RPA 개발자는 다음을 통해 데이터 과학자에게 혜택을 줄 수 있습니다.

• 메타데이터 생성: 소프트웨어 로봇은 특히 프로세스 마이닝으로 보완될 때 작업을 완료할 때 데이터의 흔적을 남기므로 데이터 과학자가 프로세스를 더 쉽게 이해할 수 있습니다.

• 기존 시스템 액세스: 소프트웨어 로봇은 레거시 시스템과 함께 작동하며 이전 도구에 갇혀 있던 데이터에 액세스할 수 있도록 합니다.

• 사용 가능한 데이터 만들기: RPA 개발자는 빅 데이터 세트를 사용 가능한 구성 요소로 분해하고 서로 다른 데이터 조각을 구성, 레이블 지정 및 정리하여 일관된 전체로 만들 수 있습니다.

• 기성 AI 모듈 구현: 많은 ML 및 AI 사용 사례는 새로운 것이 아니며 데이터 과학자가 모델을 처음부터 구축하는 대신 RPA 개발자는 기존 모듈을 배포할 수 있습니다.

• AutoML을 사용하여 시간 절약: RPA 개발자는 AutoML을 사용하여 가장 정확한 예측 모델을 찾을 수 있으므로 데이터 과학자가 주어진 사용 사례에 대해 여러 모델을 만들고 테스트할 필요가 없습니다. 이를 통해 데이터 과학자는 더 어려운 작업을 수행할 수 있습니다.

이러한 이점이 결합되어 데이터 과학자의 삶을 풍요롭게 할 뿐만 아니라 이전보다 더 많은 것을 성취할 수 있습니다. RPA 개발자는 데이터 과학자가 작업을 더 빠르고 더 잘 수행할 수 있도록 하고 최종 솔루션을 더 쉽게 배포할 수 있도록 합니다.

UiPath는 데이터 과학자와 RPA 개발자가 함께 새로운 차원에 도달하도록 도울 수 있습니다.

미래 지향적인 기업의 목표는 종종 서로 다른 두 팀 사이에서 타협점을 찾는 것이 아닙니다. 그것은 그들이 따로 할 수 있는 것보다 함께 더 많은 것을 성취할 수 있도록 그것들을 재정렬하는 것입니다. 데이터 과학에는 정확하고 깨끗하며 검증된 데이터가 필요합니다. RPA 프로세스는 깨끗한 데이터를 생성하고 종종 지저분하고 구조화되지 않은 데이터로 시작합니다.

비즈니스 프로세스 및 자동화 워크플로에 대한 데이터를 표시하는 올바른 도구 세트가 없으면 최고의 리더라도 두 팀이 함께 작업하도록 하는 데 어려움을 겪을 것입니다. UiPath 플랫폼은 기업이 데이터 과학과 RPA 팀을 통합하는 데 필요한 도구를 제공합니다.

UiPath는 데이터 과학자를 도울 수 있습니다.

• 데이터를 하나의 통합된 장소에 수집하는 소프트웨어 로봇 만들기

• UiPath AI Center로 MLOps의 '라스트 마일' 제공 및 프로덕션에 모델 배포

• 구축한 모델에 대한 ROI를 입증하여 실제 문제를 해결하는 데이터 탐색 및 모델 개선에 대부분의 시간을 집중할 수 있습니다.

• UiPath 문서 이해 및 AI 문서 이해와 같은 즉시 사용 가능한 AI 솔루션 활용

UiPath는 RPA 개발자를 지원합니다.

• AI 모델을 빠르게 테스트 및 배포

• 즉시 사용 가능한 AI 모델을 사용하여 데이터 과학자가 처음부터 새로 구축할 필요가 없고 새로운 문제와 솔루션에 계속 집중할 수 있도록 합니다.

• AI Center를 사용하여 간편하게 끌어다 놓기로 AutoML 기능 사용

• UiPath Marketplace를 사용하여 ML을 포함한 재사용 가능한 RPA 구성 요소 배포

마지막 예를 통해 생각해 보겠습니다. 회사에서 감정 분석 사용을 시작하려는 경우 RPA 개발자는 시작 모델 중 하나를 구현하고 작동하는 데 필요한 데이터를 제공할 수 있습니다. 회사에서 감정 분석을 보다 정확하고 강력하게 만들거나 주어진 알고리즘을 조정하려면 데이터 과학자가 필요합니다.

다른 방법은 수학을 사용하여 문제를 해결하는 경우 RPA 개발자의 역할입니다. 수학을 이해하려고 한다면 그것이 데이터 과학자의 역할입니다. UiPath는 두 가지 유형의 작업을 모두 포함하는 플랫폼을 제공합니다.

데이터 과학과 RPA를 결합하면 회사에서 상상한 것보다 훨씬 더 많은 일을 할 수 있습니다. UiPath AI Center를 사용하면 데이터 과학에 대한 배경 지식이 있든 없든 상관없이 AI를 비즈니스 프로세스에 바로 끌어다 놓을 수 있습니다. 실질적인 관점을 얻으려면 지금 UiPath AI Center 평가판을 사용해 보십시오.

UiPath AI Summit에서 AI 리더 및 UiPath 전문가와 함께 하십시오!

가상 이벤트는 2021년 2월 24일부터 4주에 걸쳐 진행됩니다. AI가 처음이시거나 로봇을 강화하려는 숙련된 AI 전문가를 위한 세션이 있습니다.