Онлайн митап: Lean Data Science

Начинаем новый сезон бесплатных онлайн митапов. В этот раз представим текущую версию LeanDS и новый кейс использования, а также поговорим о практиках ML Ops

ПРОГРАММА
Lean Data Science 1.0 (SOTA)
Асхат Уразбаев, основатель LeanDS
За последний год подход LeanDS эволюционировал благодаря вашей обратной связи и внедрениям в различных командах. Мы рады представить вам текущую версию LeanDS.
На докладе мы кратко покроем следующие темы:
– AI Canvas или как составить ТЗ на задачу
– AI Story Mapping или как спроектировать продукт с AI составляющей
– Product Hypothesis или как сформулировать продуктовую гипотезу
– ICE/RICE или как приоритезировать работы
– Metrics Cascading или как рассчитать ROI для AI продукта
– Merсedes Decomposition или как разбить гипотезу на небольшие работы
– Kanban или как управлять работами в DS командно
Все участники получат методичку по внедрению LeanDS.
LeanDS в консалтинге в пустыне, или как мы перестали бояться и полюбили бэклог
Павел Голубев, ex-Principal Data Scientist, Reaktor Dubai / Head of Fraud Analytics, The Beat Research, Amsterdam
В этом докладе Павел расскажет, как два не в меру оптимистичных дата саентиста решили внедрить LeanDS на первом же после курса проекте, и что из этого вышло. А именно:
– Попытки перевести клиента с “запили мне AI”- мышления к продуктовому и гипотезному
– Эволюция Канбан доски — от “сделали по учебнику и ничего не работает” до “о, а это, оказывается, удобно”
– Как команда полюбила декомпозицию и построение бэклога
– Роль политик в Канбан-доске
– Выводы и общие размышления о зрелости рынков и применимости LeanDS в консультационной практике

MLOps: жизненный цикл ML-моделей от идеи до продакшна
Евгений Никитин, Head of AI, АО Калуга Астрал
Все ML-системы проживают долгую и богатую на события жизнь. Ещё перед “рождением” нужно оценить, имеет ли смысл вообще разрабатывать такую систему, и насколько она технически осуществима. Затем нужно собрать, очистить и разметить данные, поставить множество экспериментов, выбрать лучшую модель, всесторонне оценить её качество, устойчивость, воспроизводимость и безопасность, и наконец развернуть её в продакшн. На этом история не заканчивается — без качественного автоматического мониторинга есть все шансы пропустить деградацию модели. В этом докладе я расскажу, как и с помощью каких инструментов мы помогаем нашим медицинским ML-системам не умереть на этом долгом пути.
Начало 3 февраля в 19:00 онлайн в зум