Инструменты CJM и CustDev от ProductStar

Урок 1: "Определение бизнесовых точек роста компании, в которых может помочь ML"

● 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.

Урок 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.

Урок 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.

Урок 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.

Урок 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.

Урок 6: "Валидация бизнес-результатов запуска AI/ML-функциональности"

● 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.