Менеджмент AI- и BigData-продуктов

С помощью этого курса Вы научитесь:

• Определять пользовательские проблемы, решаемые с помощью AI/ML
• Управлять командой AI/BigData-инженеров, грамотно ставить для них цели и описывать задачи
• Понимать, какие данные необходимо собирать
• Проектировать пользовательские решения с помощью собранных данных

Программа курса:

Занятие 1

Определение бизнесовых точек роста компании, в которых может помочь ML.
Формирование концепции функциональности, требующей AI/BigData

• AI-продукты и тренды их внедрения.
• Обзор продуктов, которые используют AI.
• Объясняем, зачем компаниям нужен AI/ML.
• Детальный разбор 1-2 продуктов и необходимости использования ML в них.
• Учимся разбираться, в каких случаях поможет ML, а в каких нет.
• Учимся понимать, какие проблемы проще решить с помощью AI/ML, а какие сложно.
• Постановка чётких целей для AI/BigData-проектов.

+ домашнее практическое задание

Занятие 2

Чеклист внедрения ML-задач в компании и команде

• AI для ваших задач. Построение AI-стратегии.
• Оценка профита от внедрения AI/ML-функциональности.
• Оценка трудоёмкости AI/ML-задач для правильного планирования.
• Как снизить риски неудачного завершения AI/ML-проектов.
• Разбор кейсов внедрения и оценки AI-задач.

+ домашнее практическое задание

Занятие 3

Лучшие практики работы с BigData/ML-командой

• Разбираем, какие нюансы (новые типы принимаемых решений) приходится принимать менеджеру по продукту при общении с AI/ML-командой.
• Достаточно ли обучена выборка? Чистые ли данные? Выбрали ли мы правильный набор данных? В чём могу быть проблемы на продакшене?
• Глоссарий основных терминов (learning, unsupervised learning, neural networks).
• Построение правильной культуры в команде. Как тестировать ML-продукты.

+ домашнее практическое задание

Занятие 4

Работа с датасетами и моделями. Выбор фичей

• В чём сила и нюансы датасетов. Как происходит сбор и очистка данных и что об этом должен знать менеджер.
• Юридические стороны вопроса.
• Что такое «фичи» в ML и как их правильно выбирать.
• Выбор и составление модели. Как выбирают и обучают модель.
• Реальный пример с использованием инструмента Google's AutoML.
• Описание стандартных кейсов: обработка видео, эмоции, работа с изображениями, вытаскивание параметров.

+ домашнее практическое задание

Занятие 5

Workshop: создание и запуск датасета

• Практическая работа с инструментами Яндекс.Толока и Google's AutoML.
• Создаём датасет, выбираем фичи, получаем первый результат и сами понимаем как работает ML-команда.

+ домашнее практическое задание

Занятие 6

Валидация бизнес-результатов запуска AI/ML-функциональности.
Разбор дипломных работ

● Разбираемся, как измерять профит и принимать решения по собранным моделям.
● В каких случаях не стоит выкатывать в продакшен полученные модели.
● Поддержка внедренных ML- и BigData-решений.
+ домашнее практическое задание

Перспективы:

• Цифровой сертификат - Выпускники получают сертификат об успешном прохождении курса — что, вместе с дипломным проектом, будет хорошим аргументом при трудоустройстве
• Средняя зарплата от 150 000 ₽
• Помощь с трудоустройством и стажировкой