Время: 19:00-21-30

Место: Онлайн

ПРОГРАММА

24 сентября

Дважды тимлид, в двое больше проблем, вдвое больше опыта., 
Станислав Гафаров, DS Team lead, X5 retail group
Расскажу об опыте работы в двух различных организациях, с двумя различными системами управления процессами.

Мы год пилили DL-модельки по Scrum and THIS is what happened, 
Евгений Никитин, Head of AI, АО Калуга Астрал
Год назад при создании AI-отдела мы выбрали Scrum в качестве методологии разработки. За это время мы испытали кучу позитивных и негативных эмоций, успешно запустили в прод более пяти проектов, выпили много пива и потратили кучу нервов на планерках, и в целом набрались опыта в организации процесса DS-разработки. В этом докладе мы этим опытом хотим поделиться и высказать наше мнение по поводу совместимости Скрама и ML/DL.

Как порадовать заказчика: 5 новых фреймворков для успешного управления проектами в DS: QUEST, RAID, DRAGONS, TREASURE, APPLAUSE, 
Артемий Малков, Founder Data Monsters / центр ИИ МФТИ, PhD
За 15 лет я руководил более 50 ML/DS/AI проектами в 8 странах разного масштаба — от академических проектов до многомиллионных ($) проектов внедрения ИИ. Почти всегда сложности одни и те же: данные «кривые», заказчик не знает чего хочет, но ждет чудес, исполнители делают что-то свое неведомое, молодые специалисты требуют микро (а иногда нано)- менеджмента, сроки плывут, метрики не сходятся, и когда в проекте явно не достигнуты цели, возникает вопрос как объяснить боссу/заказчику/спонсору/инвестору/грантодателю чем это мы таким столько времени занимались и почему все так плохо с результатами. Добро пожаловать в мир исследовательских проектов. Да они такие, и в этом нет ничего плохого. Просто надо уметь из готовить, и мы поговорим о том как наладить четкую работу discovery команды и какие новые agile/product фишки использовать для таких проектов.

1 октября

Как построить Data Mesh в организации, 
Дмитрий Шостко, CDO Leroy Merlin
Рассказ о том, как мы не знали что такое data mesh, но руководствуясь здравой логикой и рационализмом пришли к нему, ставя во главе угла T2M развития data driven культуры. Как мы наломали дров, изменили организационную структуру компании, обнаружили что data mesh не только про организацию, процессы и ответственность команд, но и про технологический стек. Также о том какие боли есть у Data Mesh и что он не решает — и про то, что в конце концов Data Mesh — это про русских людей: долго запрягаешь, да быстро едешь.

Мета-валидация: как произвести комплексную офлайн оценку качества моделей 
Даниил Дранга, Expert Data Scientist @ Raiffeisenbank
Оценка качества моделей машинного обучения является неотъемлемой фазой любого Data Science проекта. Но что должна включать качественная валидация? О чем стоит позаботиться до внедрения? Почему недостаточно просто измерить метрики на тестовой выборке (и как это сделать правильно)? Обсудим эти вопросы, полезные практики и частые ошибки в процессе офлайн валидации моделей.

Карта miro одного DS проекта, 
Юлия Рубцова, DS PM
Опыт внедрения инструментов гибкой разработки в научном коллективе Data Scientists. Если вы работали с умными и творческими людьми, вы знаете как тяжело удерживать фокус их внимания. Очень хочется попробовать новые алгоритмы SOTA, а не доводить до финала исследование, запланированное 2-4 недели назад. Часто над проектом работает коллектив ученых из разных лабораторий, проекту уделяется часть рабочего времени (иногда не более 5-10 часов в неделю), у проекта нет жестких дедлайнов и отсутствует финансово-заинтересованный заказчик. В условиях карантина нельзя было собираться пить чай обсуждать и накидывать гипотезы! Я расскажу как мы преодолеваем эти ограничения и покажу технические возможности miro для ведения DS проекта.

8 октября

Финансовое моделирование и экономика AI-продуктов. Управление добавленной стоимостью для бизнеса., 
Игорь Пакин, R&D Innovation Product Manager
ML проектах профит (экономический эффект) и метрики если и считают, то ad-hoc — применительно к конкретно выбранной бизнес-задаче. Выбор самой бизнес-задачи происходит без анализа полной системы бизнеса и обоснованного выявления ее узких мест. При этом, для привлечения финансирования и управления большими сложными длительными проектами и развитием продуктов, качество расчетов, с точки зрения финансовых законов, требует уровня полноценного финансового и процессного моделирования. Предлагается через адаптированный фреймворк бизнес моделирования и финансового моделирования делать выбор задачи обоснованно и финансово доказуемо, в привязке ко всей модели бизнеса. На базе этого делать качественный CustDev и выводить глубину понимания задач бизнеса и качество взаимодействия с бизнесом на новый системный уровень. То есть понимать потребности своих заказчиков лучше, чем они сами. И добиваться максимальной удовлетворенности и на базе этого взаимодействия, получать не разовые проекты, а наладить системную поставку решений под потребности клиента. Это уже совсем другой уровень синергии с клиентом и совсем другие деньги.

Как найти реальные возможности для внедрения ИИ и правильно оценить ROI?, 
Dr. Nik Spirin, Founder and CEO at Neuroinfra
На данный момент ИИ — это самая мощная технология и инструмент цифровой трансформации. Однако, несмотря на это 87% проектов по ИИ не доходят до ввода в промышленную эксплуатацию. Причина кроется в самом ИИ, а именно, в отличие от типичного SaaS, ИИ характеризуется более сложной структурой переменных затрат, которые могут негативно влиять на экономику бизнес-кейса при масштабировании. Руководителям и менеджерам продуктов нужно понимать, где внедрение ИИ возможно и экономически обоснованно, а где экономика проекта “не сойдется”. В докладе я расскажу как найти правильные возможности для внедрения ИИ, используя авторские фреймворки AI Taxonomy Canvas, AI Process Mapping, AI ROI Calculator, а также покажу как применять эти фреймворки на примере двух реальных кейсов: (1) NeuroRetouch — продукт по ретуши товарных фотографий на базе ИИ для ритейла, производителей и D2C брендов; (2) клиентский кейс компании Neuroinfra по мониторингу сотрудников на производстве с помощью компьютерного зрения.

Как мы научились не волноваться и полюбили приоритизацию бэклога, 
Даниил Павлюченко, product manager @X5retail
Расскажу про подходы к приоритизации, какой из них и почему выбираем уже в нескольких продуктах подряд и какие полезные сайд-эффекты можно получить от приоритизации.