Три 🐳 успешного внедрения Data Science
Сейчас многие компании пытаются внедрить исключительно генеративный ИИ во всех свои процессы, однако часто он там не нужен от слова совсем: где- то можно обойтись без генеративных сеток, где-то классическим ml, а где-то достаточно написать регулярной выражение. Как показывает эмпирический опыт, даже внедрение более простых решений не всегда заканчивается успехом. Разберем три ключевых фактора успеха, которые подробнее можно прочитать в статье на futurebanking.
🐳 Технологическая и экономическая целесообразность. В первую очередь, нужно выбирать оптимальный ml-design системы. После выбора дизайна, следует рассчитать все косты, которые принесет внедрения. Далее, сравнить косты с бенефитами и внедрять если вы, в итоге, будете в плюсе.
🐳 Готовность инфраструктуры и данных. Без накопленных в достаточном объеме и с достаточной историчностью данных, которые объясняют целевую переменную и доступны в промышленном режиме у вас не получится сделать эффективное внедрение. Увы, модели машинного обучения без данных в прод не поедут. Вы конечно, можете разработать легковесные модели на мощностях вашего ноутбука, но внедрить в бизнес-процесс вам вряд ли это удастся без мощного ИБП. Другими словами, нужно позаботиться о необходимой инфраструктуре для изолированных контуров разработки и исполнения моделей.
🐳 Готовность бизнес-процесса. Внедрение DS в бизнес-процесс может привести к существенным изменениям как технической среды, где взаимодействуют программные средства, так и физической среды, в которой работают люди. Качество дизайна нового процесса может стать определяющим фактором в успехе внедрения принятия решений на основе данных. В статье приведены истории неудач: каноническая проблема задачи оттока и "светофор продаж".
💬 Мне казалось, что три 🐳 всеми воспринимаются однозначно. Однако, недавно я провел панельную дискуссию в рамках Data Day 2024, в которой у всех пяти участников были разные мнения по этому вопросу. А какие три кита успешного внедрения Data Science выделите вы?
Сейчас многие компании пытаются внедрить исключительно генеративный ИИ во всех свои процессы, однако часто он там не нужен от слова совсем: где- то можно обойтись без генеративных сеток, где-то классическим ml, а где-то достаточно написать регулярной выражение. Как показывает эмпирический опыт, даже внедрение более простых решений не всегда заканчивается успехом. Разберем три ключевых фактора успеха, которые подробнее можно прочитать в статье на futurebanking.
🐳 Технологическая и экономическая целесообразность. В первую очередь, нужно выбирать оптимальный ml-design системы. После выбора дизайна, следует рассчитать все косты, которые принесет внедрения. Далее, сравнить косты с бенефитами и внедрять если вы, в итоге, будете в плюсе.
🐳 Готовность инфраструктуры и данных. Без накопленных в достаточном объеме и с достаточной историчностью данных, которые объясняют целевую переменную и доступны в промышленном режиме у вас не получится сделать эффективное внедрение. Увы, модели машинного обучения без данных в прод не поедут. Вы конечно, можете разработать легковесные модели на мощностях вашего ноутбука, но внедрить в бизнес-процесс вам вряд ли это удастся без мощного ИБП. Другими словами, нужно позаботиться о необходимой инфраструктуре для изолированных контуров разработки и исполнения моделей.
🐳 Готовность бизнес-процесса. Внедрение DS в бизнес-процесс может привести к существенным изменениям как технической среды, где взаимодействуют программные средства, так и физической среды, в которой работают люди. Качество дизайна нового процесса может стать определяющим фактором в успехе внедрения принятия решений на основе данных. В статье приведены истории неудач: каноническая проблема задачи оттока и "светофор продаж".
💬 Мне казалось, что три 🐳 всеми воспринимаются однозначно. Однако, недавно я провел панельную дискуссию в рамках Data Day 2024, в которой у всех пяти участников были разные мнения по этому вопросу. А какие три кита успешного внедрения Data Science выделите вы?