Machine Learning в бизнесе: мода или драйвер прибыли?

Зарегистрироваться

20 ноября

12:00-13:30

Только прямой эфир

Участие бесплатно

Бесплатный вебинар в рамках курса «Цифровая трансформация»

Бесплатный вебинар

За один день вы узнаете, что такое машинное обучение и как эта технология может оптимизировать бизнес-процессы. На базовом уровне разберётесь в сборе и хранении данных. Узнаете, стоит ли нанимать ML-специалистов в штат. Поймёте, из чего складывается бюджет ML-проекта и как сделать так, чтобы он запустился, а не ушёл в стол. Познакомитесь с реальными кейсами, когда машинное обучение принесло компаниям пользу.

Машинное обучение, или Machine Learning, — инновационный метод анализа данных. Программы, разработанные с помощью ML, умеют предугадывать поведение клиентов, строить финансовые прогнозы, предсказывать поломки на производстве и не только. Они принимают решения почти как люди. С той разницей, что человек просто не может анализировать такое же количество информации и находить настолько глубокие корреляции.

Что такое Машинное обучение?

Machine Learning используют в промышленности, ритейле, финтех-проектах, рекрутинге, медицине, маркетинге и других сферах.

По данным MMC Ventures, каждая 10-я крупная компания уже внедрила машинное обучение в бизнес-процессы.

Согласно Salesforce Research, 83% IT-компаний считают, что машинное обучение улучшает клиентский опыт.

Кому полезен вебинар

HiPO-сотрудникам

Получите базовые знания о перспективной технологии машинного обучения. Познакомитесь с успешными кейсами на российском и зарубежном рынке. Поймёте, как запустить ML-проекты в своей компании и сможете сделать следующий шаг в карьере.

Предпринимателям и руководителям

Узнаете, как устроены ML-проекты, сколько стоят и какую пользу приносят бизнесу. Оцените, нужно ли вашей компании машинное обучение. Сможете избежать ошибок при запуске ML-проектов и сделаете первые шаги к цифровой трансформации бизнеса.

Программа

Что такое Machine Learning.

Оценки аналитиков: как и почему растёт рынок ML.

Как операционализация сменяет тренд на пилотные проекты.

4 основных блока проблем при внедрении ML-проектов.

Как правильно собирать данные.

Почему для реализации ML-проекта требуются не только IT-специалисты. Кейс MIT.

Сложности в найме специалистов по Data Science.

Инфраструктура для хранения и обработки данных.

Бюджет ML-проекта и оптимизация затрат.

Как посчитать эффективность ML-проекта. Удачные кейсы.