La poderosa sinergia entre la RPA y la ciencia de datos

La ciencia de datos puede hacer que la automatización de procesos robóticos sea más inteligente. La automatización robótica de procesos facilita la implementación de modelos de ciencia de datos en producción.

Con la automatización robótica de procesos las empresas se esfuerzan por ofrecer “la empresa totalmente automatizada”, pero incluso esa promesa puede ser miope. Las tendencias actuales indican que se puede hacer mucho más con RPA, especialmente cuando se combina con la ciencia de datos.

Las herramientas de RPA comenzaron haciendo que las computadoras hicieran la parte repetitiva de lo que hacen los humanos. La etiqueta “robot” aquí es clave; es una metáfora que indica que el software no está contenido en un sistema, sino que está conectado con todos (o muchos) de los sistemas de información que un trabajador humano toca.

Una de las primeras soluciones de RPA imitaría la forma en que un ser humano interactúa con los sistemas, por ejemplo, enrutando automáticamente las llamadas que tienen que ver con el “soporte” al equipo técnico y enrutando las llamadas que tienen que ver con las “ventas” a los agentes. O extrayendo información de un sitio web, como LinkedIn, y agregándola a un sistema CRM cuando sea necesario.

Cuando RPA conoció la ciencia de datos, esto tuvo resultados que cambiaron la industria. En lugar de que los humanos buscaran nuevas oportunidades para mejorar la automatización, las empresas utilizaron la automatización de procesos “inteligente”. Ahora puede utilizar el aprendizaje automático para encontrar patrones en procesos de la vida real y ayudar a mejorarlos automáticamente mediante una técnica conocida como minería de procesos. Este fue el paso hacia “la empresa totalmente automatizada” que muchas herramientas de RPA habían estado promocionando.

Pero una segunda ola de convergencia entre RPA y ciencia de datos está abriendo nuevas puertas. Esta vez, la ciencia de datos no solo está ayudando a RPA a hacer que las tareas humanas sean más eficientes, sino que está ayudando a ejecutar mejor algunas de estas tareas.

RPA y ciencia de datos se vuelven a encontrar

Un número cada vez mayor de procesos automatizados se ocupan de los datos. En muchos casos, los programas de RPA están haciendo menos apuntar y hacer clic para los humanos y más descarga, clasificación, combinación e incluso manipulación de datos. En los casos más avanzados, los programas de RPA invocan modelos de aprendizaje automático y agregan las predicciones resultantes a la automatización del proceso.

En lugar de simplemente ayudar a acelerar un proceso, la ciencia de datos se puede utilizar dentro del proceso para ejecutar tareas de manera más inteligente.

Aquellos que han digitalizado sus procesos y han hecho que su fuerza laboral sea más eficiente con RPA ahora pueden ir un paso más allá e integrar sofisticadas técnicas de ciencia de datos en sus procesos. El resultado es que la automatización de procesos se vuelve más inteligente y la ciencia de datos del mundo real se vuelve más automatizada.

Las herramientas de bajo código facilitan el camino

Esta tendencia, al menos en parte, está siendo habilitada por herramientas de bajo código, tecnología que hace que los sofisticados procesos técnicos sean legibles e intuitivos. Esto significa que las versiones más avanzadas de RPA y ciencia de datos se pueden explicar y respaldar más fácilmente. En algunos casos, pueden ser implementados tanto por personal técnico como no técnico.

Las plataformas visuales de código bajo no son nuevas en ninguno de los dominios. El código bajo implica módulos encadenados visualmente en un “flujo”, que normalmente se mueve de izquierda a derecha. Esta representación visual se autodocumenta y se puede reutilizar fácilmente para nuevos proyectos.

La diferencia entre cómo se aplican las plataformas visuales a los dos casos de uso es sutil pero significativa. En RPA, el flujo representa el orden de un flujo de control: una serie de acciones que se realizan, una tras otra. Algunas de estas acciones pueden incluso involucrar interacción humana, como aprobar una transacción específica.

En la ciencia de datos, el flujo representa lo que se hace con los datos, cómo se combinan los datos de diferentes instalaciones de almacenamiento (cualquier cosa, desde archivos de Excel hasta bases de Sin embargo, como se mencionó anteriormente, existe una superposición. Los flujos de datos no solo existen en los flujos de control sino también viceversa. En un entorno de “programación visual” de ciencia de datos profesional, necesitamos agregar mecanismos de control para optimizar los parámetros y determinar qué modelos se eligen para la implementación.

El éxito tanto de la RPA como de la ciencia de datos se basa en la integración de varias tecnologías diferentes, y el código bajo puede reducir significativamente la fricción de implementarlas. Estas implementaciones se pueden codificar manualmente, pero esto puede suponer un gran esfuerzo en términos de dominar los diversos lenguajes de codificación necesarios, así como compartir lo que está haciendo con sus contrapartes comerciales.datos en la nube híbrida), cómo se transforman y se agregan, y cómo se pueden alimentar a un algoritmo de aprendizaje automático o otros métodos de análisis.

RPA y automatización de procesos de datos

La ciencia de datos todavía tiene algo que madurar. Si bien los modelos de aprendizaje automático y ETL se han vuelto bastante sofisticados, todavía nos encontramos con muchos problemas cuando intentamos aplicar estos modelos en un entorno de producción de la vida real. Esto es lo que llamamos la brecha: tomar nuestros modelos y hacer que funcionen en producción, mantenerlos en mantenimiento y saber cuándo ajustarlos.

La implementación de la ciencia de datos en producción es, en esencia, un problema de RPA. ¿Cómo creamos un flujo de control entre nuestros modelos y la tecnología con la que los hemos integrado?

Quizás el mayor desafío en la ciencia de datos ya se haya resuelto. Solo tenemos que difundir la noticia. Y en lugar de hablar de “implementar ciencia de datos”, deberíamos llamarlo “automatización del proceso de datos”.

Michael Berthold es CEO y cofundador de KNIME , una empresa de análisis de datos de código abierto. Tiene más de 25 años de experiencia en ciencia de datos, trabajando en el mundo académico, más recientemente como profesor titular en la Universidad de Konstanz (Alemania) y anteriormente en la Universidad de California (Berkeley) y Carnegie Mellon, y en la industria en el Grupo de redes neuronales de Intel. Utopía y Tripos. Michael ha publicado extensamente sobre análisis de datos, aprendizaje automático e inteligencia artificial. Siga a Michael en Twitter , LinkedIn y el blog KNIME .

–