„A zatem stworzyłeś model ML, ale co dalej?” MLOps w pigułce

Praktyka zawodowa pokazuje, że praca osoby zajmującej się uczeniem maszynowym (ang. machine learning, w skrócie – ML) nie kończy się na stworzeniu modelu. Zatem co należy jeszcze zrobić i o co chodzi z „Opsem”? Na te i wiele innych pytań, podczas spotkania otwartego, odpowiedział Jacek Jankowiak, jeden z założycieli SKN Data Science, obecnie pracujący jako Konsultant Data Science i Engineeringu.

Podczas prezentacji można było się dowiedzieć więcej o cyklu życia modelu uczenia maszynowego w biznesie, zrozumieć modeli ML w przedsiębiorstwach oraz metody, które zdobyły szczególną popularność w praktyce zawodowej. Studenci mogli się dowiedzieć, jak tłumaczyć czasem zawiłe szczegóły uczenia maszynowego osobom nietechnicznym, aby wszyscy w przedsiębiorstwie mogli korzystać z tych rozwiązań. Jacek, opierając się na własnych doświadczeniach, podzielił się również radami dotyczącymi efektywnej pracy w roli Data Scientista i tego, co zrobić, aby być docenianym.

W obecnych czasach, kiedy technologie takie jak uczenie maszynowe oraz sztuczna inteligencja rewolucjonizują sposób prowadzenia biznesu, ważne jest, aby studenci rozumieli, jak te technologie są wykorzystywane w praktyce. Poznając cykl życia modelu ML, studenci mogli lepiej zrozumieć, jak te narzędzia mogą być wykorzystywane do analizy danych, przewidywania trendów rynkowych i automatyzacji procesów biznesowych.

Poznanie metod, które zdobyły popularność w praktyce zawodowej, pozwala studentom na lepsze zrozumienie aktualnych trendów w branży i przygotowanie się do przyszłej pracy. Wiedza o najnowszych technikach i narzędziach jest nieoceniona na rynku pracy, gdzie konkurencja jest coraz większa. Dodatkowo, zrozumienie roli data scientista w przedsiębiorstwie jest kluczowe dla studentów, którzy mogą rozważać karierę w tej dziedzinie. Wiedza o tym, jak efektywnie pracować w tej roli i co zrobić, aby być docenianym w firmie, jest niezwykle cenna. Może to obejmować umiejętności zarządzania projektami, komunikację z innymi działami oraz sposoby prezentacji wyników analiz.

Spotkanie odbyło się w dniu 16 stycznia 2024 roku. Organizatorem spotkania jest SKN Data Science.