Деньги любят техно
VTB Bank
Пока весь мир ждет революции в развитии искусственного интеллекта, мы говорим с теми, кто его создает. Новые сезоны подкаста «Деньги любят техно» посвящены науке о данных, машинному обучению, дата-инженерии и всему, что с этим связано. Говорим с экспертами из науки, исследователями и практиками из компаний различных отраслей – про развитие ML, данные, дата-аналитику и влияние технологий, которые принято называть «искусственным интеллектом», на бизнес.
Категории: технология
Слушане на последния епизод:
Работа Data Science-специалистов в промышленных компаниях строится по своим правилам и требует специфических навыков: нужно не только любить математику, но и дружить с физикой, и разбираться в технологии. Кроме того, работа DS-команд вплотную связана с людьми и процессами на производстве. Есть и особенности в работе с данными: всевозможные промышленные агрегаты оставляют огромный цифровой след в системах, и тем самым создают почву для внедрения ИИ-продуктов. При этом «все, что можно сделать без искусственного интеллекта, надо делать без искусственного интеллекта», – уверен гость выпуска, директор департамента технологий ИИ «Русала» Михаил Граденко. Ищем сходства и различия в задачах DS-команд в финтехе и промышленности, обсуждаем проблемы и решения, выделяем главные направления развития ML в этих сферах. Ведущие выпуска: Юлий Шамаев, начальник управления моделирования партнерств и ИТ-процессов ВТБ, и Марина Эфендиева, технологический обозреватель. Подкаст доступен в видео-версии на платформе VK Видео и на всех популярных аудио-платформах. Подпишитесь, чтобы поддержать нас и не пропустить новые эпизоды сезона Data Science.
Предишни епизоди
-
54 - Где можно и где нельзя без ML в промышленности Mon, 30 Sep 2024
-
53 - Как интересные задачи затягивают в Data Science Thu, 19 Sep 2024
-
52 - Мешают ли дата-сайентистам галлюцинации: подводим итоги года в ML, AI, DS  Wed, 20 Dec 2023
-
51 - MLOps, часть III: критерии выбора инструментов и возможности Open Source  Mon, 04 Dec 2023
-
50 - MLOps, часть II: погружаемся в специфику работы с данными Fri, 15 Sep 2023
-
49 - Нейросети для скоринга: хайп или реальный инструмент Fri, 18 Aug 2023
-
48 - MlOps и управление данными: начинаем с самих данных Fri, 21 Jul 2023
-
47 - Датасеты для ИИ: кому нужны, для чего применять и как монетизировать Fri, 30 Jun 2023
-
46 - Ещё раз о социальной инженерии Thu, 29 Dec 2022
-
45 - Злонамеренные атаки и ошибки обучения Wed, 28 Dec 2022
-
44 - Новое воплощение киберугроз: итоги года в ИБ Mon, 26 Dec 2022
-
43 - Концепция Data Fusion: настоящее и будущее работы с данными Mon, 26 Dec 2022
-
42 - Дата-сайентисты — современные предсказатели? Fri, 23 Dec 2022
-
41 - MLOps: зачем вам всё это надо Tue, 20 Dec 2022
-
40 - Где хранится цифровой рубль и как его потратить Mon, 19 Dec 2022
-
39 - Сколько дата-сайентистов может заменить AutoML Tue, 13 Dec 2022
-
38 - А/В-тестирование и Data Science: как и для чего совместить Fri, 25 Nov 2022
-
37 - Ренессанс веба и альтернативный российский апп-стор Tue, 22 Nov 2022
-
36 - Подводим технологические итоги года Tue, 28 Dec 2021
-
35 - Зачем дата-сайентисту латынь и римское право Mon, 20 Dec 2021
-
34 - Чай без нала Thu, 09 Dec 2021
-
33 - Знать клиента в лицо Fri, 12 Nov 2021
-
32 - Открытые API: новая философия Tue, 02 Nov 2021
-
31 - Цифровая доступность Thu, 14 Oct 2021
-
30 - Рисковые ребята Thu, 30 Sep 2021
-
29 - Удаленка: трансформироваться и не выгореть Thu, 05 Aug 2021
-
28 - Удобство на кончиках пальцев Wed, 21 Jul 2021
-
27 - Лучше голосом Tue, 06 Jul 2021
-
26 - Тревожный звоночек Tue, 22 Jun 2021
-
25 - Банк и Дата Mon, 07 Jun 2021
-
24 - Трейлер первого сезона Sat, 05 Jun 2021