Su equipo de ciencia de datos puede ayudar a varios departamentos, utilizando un conjunto variado de herramientas y técnicas disponibles en IBM Data Science Platform. En esta demostración, verá cómo la ciencia de datos ayuda a escalar modelos predictivos, con predicciones sobre el despliegue de ajustadores y reclamaciones fraudulentas.

Aprenda de Gartner cómo la ciencia de datos y machine learning pueden ofrecer resultados de negocio

Obtendrá:

  • Consejos sobre cómo dirigir proyectos de ciencia de datos con éxito
  • Mayor retorno de la inversión gracias a machine learning
  • Formas de capacitar a los analistas de datos con poca experiencia en matemáticas o estadísticas
  • Potentes casos de uso de analítica predictiva

Funciones

Analítica predictiva

Prevea con seguridad lo que va a ocurrir para poder tomar decisiones más inteligentes para su organización. IBM es líder en plataformas de ciencia de datos.

Machine Learning

IBM cuenta con una de las plataformas de ciencia de datos líder, que le permite colaborar fácilmente entre equipos, utilizar las herramientas de código abierto y escalar a la velocidad que requiere su negocio.

Analítica prescriptiva

Ayude a las organizaciones a tomar mejores decisiones solucionando problemas de optimización complejos que implican concesiones entre objetivos de negocio y restricciones.

Dirigiendo a equipos de ciencia de datos modernos

Por Carlo Appugliese
@CAppugliese

Mientras que la ciencia de datos y la inteligencia artificial son relativamente nuevas en el mercado, el concepto de extraer valor de los datos ya está más asentado. Pero el tiempo ha cambiado las cosas, y los líderes ahora están tratando con una gran variedad de herramientas (opciones de código abierto con Rand Python y paquetes de propiedad, como SAS y SPSS), habilidades y técnicas (machine learning, optimización, estadísticas y más) y diversas opciones de carga de trabajo que manejan grandes cantidades de datos (EDW, Hadoop y más). Dirigir equipos de ciencia de datos no es fácil, y muchos se están cuestionando cómo pueden maximizar su valor de negocio. Carlo Appugliese comparte información clave de las experiencias de su equipo, ayudando a cientos de empresas a mejorar sus prácticas de ciencia de datos, que van desde cómo reducir el tiempo hasta obtener resultados a cómo extraer la máxima productividad de su equipo.

Carlo comparte seis pasos para dirigir un equipo de DS efectivo:

  1. Lo primero y más importante, centrarse en los objetivos de negocio y el problema; no quedarse atascados con la tecnología. No aplique la tecnología en pro de la tecnología.
  2. No sobreanalice lo que intenta hacer. Algunos de los proyectos de mayor éxito se consiguen simplemente poniéndolos en práctica. Identifique su problema/caso de uso de negocio, junte al equipo de trabajo y póngase en marcha.
  3. No limite los datos que su equipo tiene a su disposición. Los científicos de datos tienen que explorar y a veces su enfoque cambiará en función de las conclusiones. Otorgue a su científico acceso a todos los datos.
  4. Piense en cómo poner en práctica su proyecto al principio. No codifique toda una solución y luego vuelva a escribir el modelo en una aplicación digital. Cree la solución en una tecnología que pueda poner en práctica.
  5. No tenga miedo de utilizar las infraestructuras de Python más recientes. Las infraestructuras abiertas están desarrolladas por la comunidad y ofrecen un rendimiento superior a los enfoques tradicionales. Explore algunos de los ganadores de Kaggle - Python es el líder indiscutible, así que no tenga miedo al código abierto.→ Conozca a los ganadores de Kaggle (enlace externo a ibm.com)
  6. Capacite a su equipo, de modo que incluso los científicos con menos experiencia puedan utilizar infraestructuras abiertas para resolver sus problemas de negocio. Algunos de los miembros más productivos de mi equipo justo han finalizado sus programas de postgrado.
Foto de perfil de Carlo Appugliese

Obtenga su copia gratuita de Machine learning for dummies

Los capítulos incluyen:

  • Poner machine learning en contexto
  • Implementar enfoques de machine learning
  • Cómo empezar con una estrategia
  • Comprender las técnicas de machine learning
  • Vincular los métodos de machine learning a los resultados
  • Aplicar machine learning a las necesidades de negocio
Dallas Crawford

¿La ciencia de datos está generando valor para el negocio?

Escuche a los líderes de ciencia de datos, analítica y negocios de Revelwood, QueBit y Liberty Seguros en este vídeo.

Éxitos de cliente

Enghouse Interactive

Un gran proveedor de tecnología de centro de atención telefónica utiliza el equipo de IBM Data Science y AI Elite para reimaginar la experiencia del centro de atención telefónica y obtener información valiosa de los clientes.

Geisinger Health System

Una clínica de urgencias de Pensilvania, Estados Unidos, recurrió a los científicos de datos de IBM para desarrollar un modelo predictivo que identifica biomarcadores de mortalidad por sepsis y recopila la investigación clínica más reciente para ayudar a los proveedores a supervisar activamente y tomar medias preventivas para mejorar la supervivencia de los pacientes.

JPMC

Los bancos actuales utilizan modelos financieros para prever el rendimiento y realizar juicios de mercado con base en datos históricos y financieros, pero ¿qué sucede si el modelo es inexacto? JPMC se asoció con los científicos de datos de IBM para realizar mejoras clave en su plataforma de mitigación de riesgos con la tecnología de machine learning, que ayuda a gestionar el riesgo de los modelos.