automatizáció

"A versenytársainknak semmiképpen sem ajánlanám a képzést, nehogy elhúzzanak tőlünk :D Viccet félretéve, olyan embereknek ajánlom ezt a képzést, akik szívesen foglalkoznak vagy foglalkoznának adatelemzéssel, de eddig még nem voltak benne biztosak, hogyan és miként kezdjenek hozzá ennek a szerteágazó területnek a felfedezéséhez."...

Elolvasom

Automatizálás és Machine Learning

Olvasási idő: ~ 3 perc

A machine learning (magyarul gépi tanulás) előszobájában az automatizálásról beszélgettünk az AI Strategy & Data-driven Leadership Képzés 4. alkalmán. Egy sikeres gyakorlati példát hozott el nekünk a GE-től Hegyesi Gábor, melyben a következő kérdésekre kaptunk választ:

  • Vajon mit válthatunk ki mesterséges intelligencia megoldásokkal? Hogy történt ez a GE-nél?
  • Hogyan automatizáljuk üzleti folyamatainkat és tesszük hatékonyabbá mindennapi munkánkat?
  • Miként lehet olyan IT megoldásokat bevezetni, amik tényleg működnek a napi operációban.
  • Mi hogyan fejlesztjük a saját tehetségeinket, hogy a napi operációs folyamat ismerete mellé, felépítsék a robotizáláshoz szükséges IT ismereteket is?

 

“Cross-Industry Standard Process for Data Mining” modell – Kulcs az adatvezérelt döntéshozáshoz

Olvasási idő: ~ 5 perc

Az adatelemzés és adatvezérelt döntéshozás témakörét vettük át mélyebb részletekbe merülve az AI Strategy & Data-Driven Leadership képzés harmadik kurzusán, melybe Szalai Ferenc, Tóth C. Zoltán, Szatmári Tamás és Byssz Róbert kalauzolt el minket.

Ahogyan gazdaságunk napjainkban egyre inkább válik tudásvezéreltté, fontos szerepük van a nem kézzelfogható erőforrásoknak, így például a tudásnak. A tudás egyik explicit forrása lehet az adatok rendelkezése állása. A rendelkezésre álló vállalati adatvagyon hasonlóan kezelhető. Az adatelemzés lépéseit az ún. “CRISP-DM” modell (Cross-Industry Standard Process for Data Mining), ma már iparági standard folyamat hat ciklusán vezethetjük végig, melyek a következők:

  1. Szervezeti megértés (ötlet, feltételezés, probléma definiálása)
  2. Adatmegértés (adattisztítás, adattranszformáció)
  3. Adatelőkészítés
  4. Modellezés
  5. Kiértékelés (hitelesítés, eredmények bemutatása, döntés)
  6. Alkalmazás