RPA 開発者とデータサイエンティストの連携で自動化戦略を高める

データサイエンティストはサイロの中で孤立している

CFO（最高財務責任者）だと想像してください。次四半期が始まろうとしています。前四半期は良かったが、直感では次四半期はさらに良くなると感じています。

理想的な世界では、直感的な楽観主義からデータに裏打ちされた予測へシフトしたいものです。四半期初日から、四半期末に部門がいくらの資金を手元に持っているかを知りたい。次の四半期に何を予算化し、どのリソースを割り当てられるかを正確に知りたい。

人工知能 (AI) と機械学習 (ML) の予測能力と自動化を組み合わせれば、この高価値情報を指先で得られます。しかし、分断が存在します：これらの複雑なデータ課題に取り組める 2 つのチームが、通常は一緒に働いていません。ロボティック プロセス オートメーション (RPA) 開発者とデータサイエンティストのチームです。

データサイエンティストと RPA 開発者のスキルセットは補完的です。適切なガバナンスがあれば、両方を活かす新しいワークフローを構成できます。そうすれば、ML をより速くスケールし、データサイエンティストをより複雑な仕事に解放し、RPA 開発者をスキルアップし、両チームをビジネス成果の観点からフル活用できます。最初に取り組むべき課題は、データサイエンティストをサイロから解放することです。

なぜ企業はしばしばデータサイエンティストを誤解するのか

企業がデータサイエンティストの価値を過小評価する主な 4 つの理由があります：

1. ビジネス価値を明確に伝えるのが難しい。 2020 年 Anaconda データサイエンス調査によると、データサイエンティストの半数未満（48%）しか、データサイエンスがビジネス成果に与える影響を実証できていると感じていません。
2. ROI が高コスト。 データサイエンティストはすでに高コストなのに、企業が投資したがらない追加リソースを必要とすることが多い。UiPath の機械学習プロダクトマネージャーで元データサイエンティストのジェレミー・テデリー氏は、ML モデルを本番環境に導入するリソースがなかったため、ある会社を去った経験があります。
3. コラボレーションなしでは価値を届けられない。 データサイエンスのアウトプットを、ビジネスにインパクトを与える本番環境に持っていくのは必ずしも簡単ではありません。データサイエンティストは組織横断的なサポートが必要です。テデリー氏によると、「ML モデルだけでは何もしないし、できない—他のチームと連携し、より大きなプロジェクトの一部として組み込まれなければ成功しない。」
4. 多くの労力が「見えない仕事」に費やされる。 上述の Anaconda データサイエンス調査によると、データサイエンティストの 45% が、データモデルや可視化に使用する前にデータの準備（ロードとクレンジング）に時間を費やしています。これはデータサイエンティストにとって非常にフラストレーションのたまることです（下のツイート参照）。

出典

これら 4 つの理由が重なると、企業はデータサイエンティストを過小評価し、過少活用しがちです。しかし、彼らの価値を解き放つ鍵は、わずか 1 チーム先にあります。

RPA 開発者もデータサイエンティストを誤解している

RPA 開発者とデータサイエンティストのマインドセットは、ワークフローとタイムラインが異なるため、異なりがちです。ワークフローが分岐すればマインドセットも分岐します。これは自然ですが、これらのチームが部門横断的にコミュニケーションするのを難しくし、サイロを生みます。

MSD のデータサイエンティスト、チュン・グエン氏が好例です。インテリジェント オートメーションに関する記事で、RPA と ML のワークフローを明確なチャートに分解しています（下図参照）。特に、RPA 開発者がルール記述に焦点を当てるのに対し、データサイエンティストが ML モデルの訓練に焦点を当てる点に注目してください。

両チームは学習から始め、両方ともソリューションを評価、ローンチ、エラー分析します。その後、RPA 開発者は環境変化に遭遇すると戦略を変更しがちですが、データサイエンティストはフィードバックをデータに還元し、ML モデルをさらに訓練する傾向があります。

最初は小さな違像に見えますが、タイムラインをズームアウトすると違いがカスケードします。

データサイエンティストが最も得意とする複雑な問題解決のタイムホライズンは最低 6 ヶ月です。一方、RPA 開発者はアジャイルワークフローを使い、進捗を週単位で測ります。つまり、RPA 開発者はこれらの高速ワークフローに浸っているため、クイックな解決策を考えがちですが、データサイエンティストはより探索的なプロジェクトに傾きます。

RPA 開発者とデータサイエンティストのスキルセット：異なるが補完的

リーダーが RPA 開発者とデータサイエンティストを統合すると、組織にもたらせるメリットは部分の総和より大きくなります。RPA 開発者はデータサイエンティストと組むことで、単独よりはるかに複雑なプロセスを自動化でき、データサイエンティストは RPA 開発者と組むことで、これまで以上に速く、より集中して仕事ができます。

私たちが説明したギャップにもかかわらず、RPA 開発者とデータサイエンティストは同じ言語を話す—少なくともコードでは。

UiPath State of RPA Developers Report 2020 によると、RPA 開発者の 90% 以上が大学卒業で、Python はすでに RPA 開発者が知っているトップ言語の一つです。知識のギャップは恐れるほど広くありません。

このギャップを埋めたいという願望もあります。私たちの調査では、RPA 開発者がすでにデータサイエンス関連トピックを学びたいと示しています。UiPath The Impact of RPA on Employee Experience では、RPA 開発者の 80% 以上が AI/ML について学びたいと回答。UiPath State of RPA Developers Report 2020 でも、複数の RPA 開発者が RPA に加えて ML とデータサイエンスのスキルセットを追加したいと述べています。

ギャップがデータサイエンティストから見えないわけでもありません。研究によると、データサイエンティストは時間のほぼ半分を、RPA 開発者がより良く、より速く解決できる問題に費やしています。（前述の 2020 年 Anaconda データサイエンス調査によると、平均 45% の時間を、モデルと可視化の開発に使う前にデータを準備するために費やしています。）

まとめると：

1. RPA 開発者とデータサイエンティストは共通言語でコミュニケーションできる。
2. RPA 開発者はデータサイエンスを学び、実装したいと考えている。
3. データサイエンティストはしばしば、RPA 開発者が助けられる仕事で立ち往生している。

これで、明らかに補完的なこれらのチームをどう一緒にするかという疑問が残ります。

データサイエンスチームと RPA チームの間の壁を壊す

リーダーがこれらのチーム間の障壁を壊せば、企業に莫大な機会を解き放てます。そのためには、リーダーがデータサイエンティストのニーズを RPA 開発者に伝えさせ、両チームを調整して複雑な問題でより大きな成果を達成できるようにしなければなりません。

リーダーがコラボレーションを促進できる

賢い組織は、C-suite レベルのリーダーを両チームの責任者に置きます。Heritage Bank とのケーススタディで、インテリジェント オートメーションおよびプロセス エクセレンス マネージャーのデビッド・ジョンストン氏は、「データサイエンスと自動化チームはしばしば分断されています。しかし、私たちの組織では、両チームが CFO にレポートしています。」と述べました。これが、Heritage Bank が UiPath と協働し、最新の ML モデルで 98% の精度を達成できた大きな理由でした。

これが常に可能とは限らず、組織の報告構造が異なる場合、それぞれのリーダーが両チームに互いに話させ、コミュニケーションが真に双方向になるよう確保できます。そのレベルのコラボレーションを促進するため、リーダーは両チームが協力するメリットを強調する高価値ユースケースを推進できます。創造性が不可欠です。データサイエンティスト不足を説明した通り、賢いリーダーはデータサイエンティスト採用の新しい方法を見つけ、RPA 開発者をアップスキルしてデータサイエンス隣接業務を任せます。

RPA 開発者がデータサイエンティストを助けられる

データサイエンティストが問題を抱えたとき、RPA 開発者が救援に来れます。

Inside Big Data が指摘する、データサイエンティストが抱えがちな 2 つの主要な問題：

1. データサイエンティストは、学習モデルを教えるための十分なラベル付きトレーニングデータを持っていない傾向がある。
2. データサイエンティストは、実際のユースケースからのデータではなく、サンドボックスデータセットからの理論的データを使わざるを得ない傾向がある。

ここで RPA 開発者が活躍します。RPA 開発者がデータサイエンティストを助ける方法：

• メタデータの作成： ソフトウェアロボット、特にプロセスマイニングと組み合わせると、タスク完了時にデータの痕跡を残し、プロセスをデータサイエンティストにとってより理解しやすくする。
• レガシーシステムへのアクセス： ソフトウェアロボットはレガシーシステムと連携し、古いツールに閉じ込められていたデータにアクセス可能にする。
• データを使用可能にする： RPA 開発者はビッグデータセットを使用可能なコンポーネントに分解し、断片的なデータを整理、ラベリング、クレンジングして一貫した全体にする。
• すぐに使える AI モジュールの実装： 多くの ML と AI ユースケースは新規ではなく、データサイエンティストがゼロからモデルを構築する代わりに、RPA 開発者が既存モジュールを導入できる。
• AutoML で時間を節約： RPA 開発者は AutoML を使って、与えられたユースケースで最も精度の高い予測モデルを見つけ、データサイエンティストが複数のモデルを作成・テストする必要をなくす。これによりデータサイエンティストはより挑戦的なタスクに集中できる。

これらのメリットの組み合わせは、データサイエンティストの生活を楽にするだけでなく、以前より多くのことを達成できるように助けます。RPA 開発者はデータサイエンティストが仕事をより速く、より良くこなせるようにし、最終ソリューションの導入をより容易にします。

UiPath でデータサイエンティストと RPA 開発者を共に新たな高みへ

前向きな企業の目標は、しばしば分岐する 2 つのチームの間で妥協点を見つけることではなく、両者を再調整し、別々より共に多くを成し遂げられるようにすることです。データサイエンスには正確でクリーン、検証済みのデータが必要です。RPA プロセスはクリーンなデータを生み出し、多くの場合、乱雑で非構造化されたデータから始まります。

ビジネスプロセスと自動化ワークフローに関するデータを浮き彫りにする適切なツールセットがなければ、最高のリーダーでも 2 つのチームを連携させるのは困難です。UiPath プラットフォームは、企業がデータサイエンスチームと RPA チームを統合するために必要なツールを提供します。

UiPath がデータサイエンティストを支援：

• データを 1 か所に集約するソフトウェアロボットを作成
• UiPath AI Center で MLOps の「ラストマイル」を実現し、モデルを本番環境にデプロイ
• 構築したモデルの ROI を証明し、データ探索と現実的な問題を解決するモデル改善に大半の時間を集中できるようにする
• UiPath Document Understanding や AI Document Understanding などの Out-of-the-box AI ソリューションを活用

UiPath が RPA 開発者を支援：

• AI モデルを迅速にテスト・デプロイ
• Out-of-the-box AI モデルを使用し、データサイエンティストがゼロから構築する必要をなくし、新規問題とソリューションに集中できるようにする
• AI Center でドラッグアンドドロップの簡単さで AutoML 機能を使用
• ML を含む再利用可能な RPA コンポーネントを UiPath Marketplace でデプロイ

最後の例を考えてみましょう：貴社がセンチメント分析を始めたい場合、RPA 開発者がスターターモデルの一つを実装し、動作に必要なデータを与えられます。その後、センチメント分析をより精度高く、より堅牢にしたり、与えられたアルゴリズムを調整したりしたい場合、データサイエンティストが必要です。

別の考え方：数学を使って問題を解くのが RPA 開発者の役割、数学そのものを考え出すのがデータサイエンティストの役割。UiPath は両方のタイプの仕事を含むプラットフォームを提供します。

データサイエンスと RPA を組み合わせれば、貴社は想像以上に多くのことができます。UiPath AI Center なら、データサイエンスバックグラウンドの有無にかかわらず、AI をビジネスプロセスにドラッグアンドドロップできます。実践的な視点を得るには、UiPath AI Center のトライアルを今すぐお試しください。

UiPath AI Summit で AI リーダーと UiPath エキスパートに参加しよう！

バーチャルイベントは 2021 年 2 月 24 日から 4 週間にわたり開催されます。AI 初心者から経験豊富な AI 実践者まで、ロボットをスーパーチャージしたいすべての方にセッションがあります。