データへの情熱を再燃させる：AI Fabricが解決するデータサイエンスの常識的課題

編集注： 自動化市場の進化に伴い、UiPathプラットフォームもお客様の自動化ニーズに最適に応えられるよう更新され続けています。したがって、この記事の一部製品名は初版公開以降変更されています。最新情報はAI Centerのページをご覧ください。

私はデータを扱うのが好きです。でも、フラストレーションを感じることはありますか？もちろんです。

5年以上データサイエンティストとして働いてきた中で、データへの野心と、データを運用化する際の制約とのバランスを取る苦しみを味わってきました。例えば、気に入っていた会社を辞めたことがあります。ML（機械学習）モデルを本番環境に導入するリソースがなかったからです。データを使ってタスクを解決するために一生懸命働いたのに、プロダクトにインパクトを与える機会が得られませんでした。組織的・運用的な課題で仕事が滞ると、なぜデータを扱うのが好きだったのかを見失い、意気消沈しやすくなります。

このブログでは、データサイエンティストの旅について語りたいと思います：

• データの世界への関心を駆り立てるものは何か

• 期待と現実がぶつかったときに直面する制約

• データサイエンスをRPA（ロボティックプロセスオートメーション）のような技術により良く統合することで、データの運用化をどう変えられるか

• なぜAI Fabric（RPAとAIを統合するソリューション）に熱狂しているのか──データを最大限に活用する新たな機会を生み出すからです

データへの愛 私はクリエイティブな問題解決者であり、データはクリエイティブな問題解決を支えます。

データを用いて困難なタスクに取り組み、人々の生活に影響を与える課題を解決することは、私にとって自然なキャリアパスでした。私が一緒に働いた多くのデータサイエンティストも、データを使って問題を解決する方法を学ぶためにこの分野に入りました。私たちは、手元のデータを理解し、探索し、MLアルゴリズムを開発・テストし、構築したモデルの力とインサイトを通じて新しいソリューションを実現する方法を見つけることに情熱を注いでいます。

データサイエンティストになると決めたとき、仕事にはタスクとあり得る頭痛の種があることは分かっていました。扱うデータの種類に関わらず、避けられないことがあります：

• データの処理とクリーニングに時間を費やす

• モデルの訓練完了を待つ

• 様々なハイパーパラメータを試すのに時間を費やす

データを扱えば扱うほど、組織という枠組みの中でデータサイエンスがいかに複雑になり得るかを痛感するようになりました。データサイエンティストとしての現実が、この分野に入った本来の動機を覆い隠すようになりました。

現実が襲うとき：期待値設定とデータのエンドツーエンド管理

多くの企業がデータ駆動型開発を採用し、MLの探求を始めています。データサイエンティストの役割はまだ比較的珍しく、多くの場合誤解されています。データを組織内で運用化し、データを用いて問題解決を前進させようとすると、データサイエンティストには様々な課題が生じます。

組織がMLで何ができて、何ができないかについて期待値を設定することは、私たちが多くの時間を費やす領域の一つです。データサイエンティストとしての役割の性質、どこに時間を集中させたいか、プロジェクトを成功させるために何が必要かを、他者に教育することは重要です。

もう一つの課題は、データサイエンス運用が組織内でサイロ化しがちなことです。これにより、データサイエンスプロジェクトが組織にもたらす価値が制限されます。

MLモデル単体では、何もしませんし、何もしない──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ません。

さらに、モデルがもたらすROI（投資対効果）を示すのは非常に困難です。データサイエンティストは、組織におけるMLの役割を訴えるのに苦労することがよくあります。私たちが担いたい役割と、インパクトを出すために必要なことを訴えるために、多くのサイクルを費やします。

データそのものに取り組むことも、独自の課題をもたらします。データを理解し、モデルを構築するよりも、データセットの収集、統合、クリーニングにより多くの時間を費やすことがよくあります。モデルのためのCI/CD（継続的インテグレーション/継続的デリバリー）パイプラインが社内に構築されていない限り、ローカルマシンからステージング、本番へモデルを持っていくためのスケーラブルなパイプライン構築に多くの時間を割かれます。これは私たちの職務範囲外であるだけでなく、モデル構築とテストに充てたい時間を奪います。

継続的なモデル監視も、準備していない課題になり得ます。時間の経過とともにデータドリフトを実験すべきか？本番のデータは訓練時に使ったデータと同じか？出力はまだ制御下にあるか？新しいデータで、ベースモデル（訓練セットで構築されたモデル）と同等の性能が出るか？いつMLモデルを更新すべきか？

私が好きなことに立ち戻るため、データサイエンスをより広範なプロセスと計画に統合することを優先する企業で働く機会を求めました。今日、データサイエンスを社内で優先するだけでなく、企業がMLモデルを運用化・活用し、より良いビジネス成果を導くのを積極的に支援する会社で働けて、私は興奮しています。

AI Fabricで、好きなことに立ち戻る

ますます多くの組織がRPAでプロセスを効率化する中、データサイエンティストがデータを新しい形で運用化する機会が生まれています。

UiPathでは、データサイエンスとRPAを融合し、インテリジェントオートメーションを用いて企業が新たな成果を導き出せるようコミットしています。データサイエンスとRPAを融合することで、自動化の世界でデータサイエンティストが日々直面する上記の課題の多くを軽減したいと考えています。この取り組みをAI Fabricで推進しています。

関連記事：Heritage BankがAIとAI Fabricをどう活用しているか

データサイエンスとRPAは、一緒に働くときにより良くなると私たちは信じています。データサイエンティストをRPA CoE（センターオブエクセレンス）に迎え入れ、データとMLを用いてRPA能力を拡張する際に何が可能かを示してもらうことで、データサイエンスをRPA CoEの不可欠な一部にすることが重要です。

AI Fabricの開発を通じて、組織がMLを自動化プロセスの一ステップとして考えられるよう支援することに注力しています。ユーザーがMLをRPA開発によりシームレスに統合できるよう支援したいのです。AI FabricとRPAを用いれば、データサイエンティストは、前処理とデータ収集に焦点を当てたツールでデータパイプライン構築を簡素化できます。モデルを容易に展開し、監視し、人間とMLモデルが協働するよう設計されたRPAワークフローを採用できます。

データサイエンスをRPAと統合することで、データサイエンティストが構築・展開したモデルのROIを証明し、大半の時間をデータ探索と、実世界の問題を解決するモデルの改良に集中できるよう支援したいと考えています。

データに集中する自由があったら、何をしますか？

データを用いて問題を解決し、データサイエンスを既存プロセスに統合することでデータサイエンティストをエンパワーすれば、組織の進化と成長の在り方を変えられることを、私は個人的経験から知っています。

私にとって最も重要なのは、お客様がより良い成果を導き出せるよう支援することです。UiPathでの役割を通じて、データサイエンスをRPAと統合することで、企業がいかにより複雑なプロセスを自動化できるかを目の当たりにしてきました。AI Fabricのような製品を通じてデータサイエンスをRPA導入に組み込むことで、データサイエンティストが一般的なデータ運用化の課題から解放される様子を見るのは、やりがいがあります。

AI Fabricについてさらに学ぶか、Insider Preview Programに登録してAI Fabricの新機能への早期アクセスを得てください。