Ciência de dados pode tornar o RPA mais inteligente, isso porque a automação facilita a implantação de modelos de ciência de dados na produção
As empresas de automação de processos robóticos (RPA) estão se esforçando para entregar “a empresa totalmente automatizada”, mas mesmo essa promessa pode ser míope. As tendências atuais indicam que há muito mais que pode ser feito com o RPA, especialmente quando combinado com a ciência de dados.
As ferramentas RPA começaram fazendo com que os computadores fizessem a parte repetitiva do que os humanos fazem. O rótulo “robô” aqui é a chave; é uma metáfora que indica que o software não está contido em um sistema, mas sim conectado a todos (ou muitos) sistemas de informação que um trabalhador humano toca.
Uma solução RPA inicial imitaria como um ser humano interage com os sistemas, por exemplo, roteando automaticamente as chamadas que têm a ver com “suporte” para a equipe de tecnologia e as chamadas que têm a ver com “vendas” aos agentes. Ou copiando informações de um site, como o LinkedIn, e adicionando-as a um sistema CRM sempre que necessário.
Quando o RPA conheceu a ciência de dados, isso teve resultados que mudaram o setor. Em vez de os humanos buscarem novas oportunidades para melhorar a automação, as empresas utilizaram a automação de processos “inteligente”. Agora você pode usar o aprendizado de máquina para encontrar padrões em processos da vida real e ajudar a aprimorá-los automaticamente usando uma técnica conhecida como mineração de processo. Este foi o passo em direção à “empresa totalmente automatizada” que muitas ferramentas RPA vinham promovendo.
Mas uma segunda onda de convergência entre RPA e ciência de dados está abrindo novas portas. Desta vez, a ciência de dados não está apenas ajudando a RPA a tornar as tarefas humanas mais eficientes – está ajudando a executar melhor algumas dessas tarefas.
Um número crescente de processos automatizados está lidando com dados. Em muitos casos, os programas RPA estão fazendo menos apontar e clicar para humanos e mais baixar, classificar, combinar e até manipular dados. Nos casos mais avançados, os programas RPA estão invocando modelos de aprendizado de máquina e adicionando as previsões resultantes à automação do processo.
Em vez de simplesmente ajudar a acelerar um processo, a ciência de dados pode ser usada dentro do processo para executar tarefas de forma mais inteligente.
Aqueles que digitalizaram seus processos e tornaram sua força de trabalho mais eficiente com o RPA agora podem dar um passo adiante e integrar técnicas sofisticadas de ciência de dados em seus processos. O resultado é a automação de processos se tornando mais inteligente e a ciência de dados do mundo real se tornando mais automatizada.
Essa tendência está, pelo menos em parte, sendo habilitada por ferramentas de low code ou baixo código – tecnologia que torna os processos técnicos sofisticados legíveis e intuitivos. Isso significa que versões mais avançadas de RPA e ciência de dados podem ser explicadas e endossadas mais facilmente. Em alguns casos, elas podem ser implementadas por pessoal técnico e não técnico.
Plataformas visuais de low code não são novas em nenhum dos domínios. O low code envolve módulos agrupados visualmente em um “fluxo”, normalmente movendo-se da esquerda para a direita. Essa representação visual é autodocumentada e facilmente reutilizável para novos projetos.
A diferença entre como as plataformas visuais são aplicadas aos dois casos de uso é sutil, mas significativa. No RPA, o fluxo representa a ordem de um fluxo de controle – uma série de ações que são executadas, uma após a outra. Algumas dessas ações podem até envolver interação humana, como a aprovação de uma transação específica.
Na ciência de dados, o fluxo representa o que é feito com os dados, como os dados são combinados de diferentes instalações de armazenamento (desde arquivos Excel a bancos de dados de nuvem híbrida), como são transformados e agregados e como podem ser alimentados para um algoritmo de aprendizado de máquina ou outros métodos de análise.
Conforme mencionado acima, no entanto, há sobreposição. Os fluxos de dados não existem apenas em fluxos de controle, mas também vice-versa. Em um ambiente de “programação visual” de ciência de dados profissional, precisamos adicionar mecanismos de controle para otimizar os parâmetros e determinar quais modelos são escolhidos para implantação.
O sucesso do RPA e da ciência de dados depende da integração de várias tecnologias diferentes, e o baixo código pode reduzir significativamente o atrito de sua implementação. Essas implementações podem ser codificadas manualmente, mas isso pode ser um grande esforço em termos de dominar as várias linguagens de codificação necessárias, bem como compartilhar o que você está fazendo com seus parceiros de negócios.
A ciência de dados ainda precisa amadurecer. Embora os modelos de ETL e de aprendizado de máquina tenham se tornado bastante sofisticados, ainda enfrentamos muitos problemas quando tentamos aplicar esses modelos em um ambiente de produção da vida real. Isso é o que chamamos de lacuna – pegar nossos modelos e colocá-los em operação na produção, mantê-los em manutenção e saber quando ajustá-los.
A implantação da ciência de dados na produção é, em essência, um problema de RPA. Como criamos um fluxo de controle entre nossos modelos e a tecnologia com a qual os integramos?
Talvez o maior desafio da ciência de dados já tenha sido resolvido. Só temos que espalhar a notícia. E, em vez de falar sobre “implantação de ciência de dados”, devemos chamá-lo de “automação do processo de dados”.
*Michael Berthold é CEO e cofundador da Knime, uma empresa de análise de dados de código aberto
