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.