Strategia danych, zasoby i ludzie

Wprowadzenie do sztucznej inteligencji

Maarten Van den Broeck

Senior Content Developer at DataCamp

Strategia i zarządzanie danymi

Strategia danych: projektowanie i wdrażanie podejść opartych na danych do ekstrakcji informacji i podejmowania decyzji biznesowych

Etapy strategii danych:

Wyznaczanie celów zorientowanych na dane
Identyfikacja potrzebnych danych
Określenie źródeł i typów danych
Analiza predykcyjna i preskryptywna
Operacjonalizacja procesów opartych na danych

Wyznaczanie celów zorientowanych na dane

Identyfikacja potrzebnych danych

Określenie źródeł i typów danych

Analiza predykcyjna i preskryptywna

Operacjonalizacja procesów opartych na danych

Infrastruktura AI

Infrastruktura AI w chmurze

Skalowalne zasoby obliczeniowe, przechowywanie danych, narzędzia AI i gotowe modele
Elastyczna, na żądanie

Google Cloud, Azure i AWS

Zalety: wysoka skalowalność, opłacalność
Wady: lokalizacja danych, wymagany Internet

Infrastruktura AI on-premises (własna)

Organizacja posiada własny sprzęt, oprogramowanie, dane i zasoby sieciowe

Infrastruktura on-premises

Zalety: lepsza kontrola danych, niskie opóźnienia
Wady: wysokie koszty początkowe, ograniczona skalowalność

Metodologia MLOps

Machine Learning Operations (MLOps): efektywne i niezawodne zarządzanie systemami ML (AI) w przedsiębiorstwie oraz ich obsługa

Metodologia MLOps

Machine Learning Operations (MLOps): efektywne i niezawodne zarządzanie systemami ML (AI) w przedsiębiorstwie oraz ich obsługa

Etapy metodologii MLOps

Role związane z AI

Architekt AI

Architekt AI

Data Scientist

Data scientist

Inżynier ML i danych

Inżynier ML

Inne: Etyk AI, Kierownik projektu

Inne role AI

Budowanie zespołu AI

Przywództwo i zarządzanie

Menedżer / lider zespołu AI
Kierownik(cy) projektów AI

Realizacja

Architekci AI: dobór narzędzi
Data scientists: analiza danych, trenowanie i ocena modeli
Inżynierowie ML i danych: wdrażanie modeli i budowanie potoków danych

Wsparcie

Budowanie zespołu

Budowanie zespołu AI

Przywództwo i zarządzanie

Menedżer / lider zespołu AI
Kierownik(cy) projektów AI

Realizacja

Architekci AI: dobór narzędzi
Data scientists: analiza danych, trenowanie i ocena modeli
Inżynierowie ML i danych: wdrażanie modeli i budowanie potoków danych

Wsparcie: etyk AI; eksperci dziedzinowi

Budowanie zespołu

Czas na ćwiczenia!

Wprowadzenie do sztucznej inteligencji