Tematika – AI & Data-driven Képzés

Képzés tematikája

AI stratégia & Data-Driven Leadership (START: 2019 március)


1. ALKALOM

Data kontextus:

Big Data ökoszisztéma

Alapfogalmak mélyebb megértése

Miért fontos? 

Mit várhatunk tőle?

Hol tart a világ?

 

Idea – Hipotézis – Probléma:

Mi az, ami megvalósítható ezekkel a megoldásokkal? Milyen
valós elvárásokat támaszhatunk?

Mik a reális eredmények, amiket várhatunk?

Mi az, ami egyelőre csak sci-fi?

Milyen struktúrák kellene a szervezet oldaláról ahhoz, hogy
ez működőképes legyen a szervezetben?

 A módszertan Design Thinking alapra épített szemléletmódja

 Definiálás: Mi az a probléma, amit meg akarunk oldani?

 Stratégiai kérdések    

Szakmai kérdések

Adatok hasznosítása 2 megközelítésben:

A) nem tudjuk mit
keresünk az adatokban (nem abban segít, hogy hogyan kell megoldani, hanem abban,
hogy a problémát sikerüljön azonosítani)
B) konkrét problémára keresünk megoldást

 Experimetation culture – kísérletezés, validálás, tesztelés


2. ALKALOM

 

Adathasznosítás:

Small Data vs. Big Data
Az adat tulajdonságai
Adatstratégia és bevezetésének lépései
Adatkompetenciák
Adatgyűjtés és adattárolás
Adatkezelés, GDPR, anonimizálás
Adathasznosítási esettanulmányok

Esettanulmány

Bevált gyakorlatok a Telekomnál az adatvezérelt vállalati működés területén

Adatelemzés

Data Scientist, a 21.sz. legszexibb foglalkozása
Adattárolási és feldolgozási technológiák
Intelligens adatelemzési módszerek
Klasszikus analtikai és Big Data analitikai problémák
Kell-e mindenkinek adatokat elemezni?

 

 3. ALKALOM

Data Exploration

A kíséreletezés szabályai

 Adathalmaz szeletelése

Korrelációk és Data Exploration alapvetések



Data-driven döntéshozás    

Adatelemzés

Adatvizualizáció

Milyen az a riport, aminek van értelme?

Mi az a 3 metrika, amit figyelni kell?

Dara driven – human based decision making

 Low hanging fruits – egyszerű minták felismerése

AB tesztelés

A loop bezáródása a data a data-driven decision makingben     

    

Esettanulmány

Hogyan lehet Big data projektet bevezetni cloud
segítségével? Milyen buktatói és jó gyakorlatai léteznek?
(Doctusoft)

 


4. ALKALOM

Machine mased decision making

Váltás a human-based és machine-based döntéshozás között

  

AI és Machine Learning kontextusai

Horizontális kontextus: Hogyan jutottunk el az AI
megoldásokig? Manapság miért él az AI más világot, mit korábban?

A buzzworddé vált foglamak mélyebb megismerése: AI, Gépi
tanulás (Machine Learning), Deep Learning, Reinforcment learning, Neurális
hálózatok  

Mire jó az AI? Mit lehet vele kiváltani, mint nem?

 

AI startégia

Hogyan építsünk fel egy machine learning projektet?

Milyen tudás kell a szervezetbe bevezetéséhez?

Milyen eszközrendszer szükséges hozzá?

Melyek a bevált Machine Learning alkalmazások?

 Mik a legnagyobb
korlátai és limitációi ezeknek a technológiáknak?

Fejlődési irányok, lehetőségek az AI területén (mit tud ma,
mit fog tudni a következő 5 évben?)

Felmerült kérdések megbeszélése, tapasztalatcsere

 

5. ALKALOM

A te vállalatod és az AI/Machine Learning kapcsolata

Te már gyűjtöd az adatokat? Van elegendő muníciód az
elemzéshez?

Adatkezelési stratégia: Mik a legjobban működő módszerek az
adatok rendszerezésére. 

Létezik egy jó módszer AI projektek bevezetésére? És ha
igen, hogy néz ez ki a gyarkorlatban?

Miért ütközhet az agilis projekt management AI projektekkel?

Az AI bevezetése új szabályokat hoz egy szervezet életébe?

Milyen problémákat lehet megoldani mesterséges
intelligenciával és miket nem?

Házon belüli és kihelyezett (outsource) együttműködések
startupokkal és tanácsadó cégekkel AI projektek megvalósításakor

Hatékony együttműködés ember és gép (vagy humanoid gép =
robot) között

AI projekt megvalósítási szakaszai

Mit várhatunk el ezektől a technológiáktól? Mikben lesznek
segítségünkre? Élőnyelv-feldolgozás, Beszédfelismerés, prediktív analízis,
computer vision

Tipikus AI projekt életciklus megértése és bevett
gyakorlatok

AI megoldás teljesítményének mérése, mikor hihetünk az
eredményeknek?

Az AI modellek működtetése és fenntartása

Esettanulmány   

Konkrét AI megoldás használata vállalati környezetben –
hogyan épül fel egy AI project?     


6. ALKALOM

Ismerd meg a már
piacon lévő konkrét AI alkalmazásokat

Google, Amazon, Microsoft és IBM esettanulmányi példák

Melyik AI megoldást válaszd?

AI projektek büdzséje felhőszolgáltatások esetén

End-to-End és SaaS megoldások gyakori problémákra

Gyakorlat

Saját AI projekt fejlesztése

Esettanulmány

Probléma-orientált megközelítés bemutatva Philips globális
digitális transzformációs esettanulmányon keresztül: Szeretnénk javítani a sales
konverziókat – milyen adatokat kell néznünk ehhez? Hogyan automatizálhatjuk
folyamatainkat? Mik a legjobban működő könnyen megvalósítható céges gyakorlatok?


7. ALKALOM

Gyakorlat

Hallgatói mini projektek prezentálása

Összegzés

Tudásmegosztó és tapasztalatcserélő beszélgetések,
Tisztázatlan kérdések megvilágítása

Zárás

Zárás, értékelés 

Spark Institute at IBS fenntartja a jogot a változtatási
jogot a témák és az előadók tekintetében.

Képzések időpontja: 2019 március