데이터 사이언스 팀에서 IBM Data Science Platform이 제공하는 다양한 툴과 기술 세트를 사용하여 여러 부서를 지원할 수 있습니다. 이 데모에서 데이터 사이언스를 사용하여 예측 모델을 확장하여 조정 프로그램 배치와 사기성 클레임을 예측하는 방법에 대해 알아보세요.

Gartner에서 데이터 사이언스와 머신 러닝으로 비즈니스 성과를 달성하는 방법에 대해 알려줍니다.

다음 내용을 보실 수 있습니다.

  • 데이터 사이언스 프로젝트를 성공적으로 추진하는 방법
  • 머신 러닝으로 ROI 입증
  • 수학 또는 통계 관련 전문 지식이 거의 없는 데이터 분석가의 역량을 강화하는 방법
  • 강력한 예측 분석 유스케이스

기능

예측 분석

더욱 안정적으로 미래를 예측할 수 있으므로 조직을 위해 더 나은 결정을 내릴 수 있습니다. IBM은 데이터 사이언스 플랫폼 분야의 리더입니다.

머신 러닝

IBM의 우수한 데이터 사이언스 플랫폼을 사용하여 팀 간에 원활하게 협업하고, 오픈 소스 도구를 사용하며, 비즈니스에 필요한 속도로 확장할 수 있습니다.

처방 분석

비즈니스 목적과 제약조건 간의 균형을 포함하여 복잡한 최적화 관련 문제점을 해결함으로써 조직에서 더 나은 의사결정을 할 수 있게 지원합니다.

현대적인 데이터 사이언스 팀 운영

Carlo Appugliese
@CAppugliese

데이터 사이언스와 AI는 시장에서 상대적으로 새로운 개념이지만, 데이터에서 가치를 추출한다는 아이디어는 그전부터 논의되어온 주제입니다. 그러나 시간은 모든 것을 변화시켰습니다. 리더들은 다양한 도구(SAS 및 SPSS 등의 전용 패키지와 Rand Python의 오픈 소스 옵션), 스킬과 기술(머신 러닝, 최적화, stats 등) 및 대규모 데이터를 처리하는 다양한 워크로드 옵션(EDW, Hadoop 등)을 다루고 있습니다. 데이터 사이언스 팀을 운영하는 것은 쉬운 일이 아닙니다. 많은 사람이 현재 비즈니스 가치를 최대화하는 방법에 대해 끊임없이 질문하고 있습니다. Carlo Appugliese는 팀을 직접 운영하면서 얻은 주요 인사이트를 공유하여 데이터 사이언스의 적용 시간을 단축하는 방법부터 팀에서 최상의 업무 성과를 끌어내는 방법에 이르기까지 수백 곳에 달하는 회사에서 데이터 사이언스 관련 관행을 개선했습니다.

Carlo는 아래의 6단계를 이용하여 효율적인 데이터 사이언스 팀을 운영하는 방법에 대해 이야기합니다.

  1. 그 중 첫 번째인 동시에 가장 중요한 단계는 기술에 연연하지 않고 조직의 비즈니스 목표와 문제점에 초점을 맞추는 것입니다. 기술을 사용하는 목적이 기술 그 자체여서는 안 됩니다.
  2. 하려고 하는 일에 대해 지나치게 깊이 분석하지 마세요. 그저 시도해 봄으로써 프로젝트의 성과가 극대화되는 경우가 종종 있습니다. 조직의 비즈니스 문제점/유스케이스를 파악하고 효율적인 팀을 구성하여 운영하세요.
  3. 데이터 사이언티스트들이 사용할 수 있는 데이터를 제한하지 마세요. 그들은 데이터를 깊이 파고들어야 하며, 때로는 찾은 결과에 따라 접근 방식을 변경할 수도 있습니다. 데이터 사이언티스트는 모든 데이터에 액세스할 수 있어야 합니다.
  4. 프로젝트 시작 시점에 해당 프로젝트를 효과적으로 운영하는 방법에 대해 생각하세요. 전체 솔루션을 코드화한 후에 디지털 애플리케이션에 모델을 다시 쓰지 마세요. 활용할 수 있는 기술을 사용하여 솔루션을 개발하세요.
  5. 최신 Python 프레임워크를 사용하는 데 대해 주저하지 마세요. 오픈 프레임워크는 커뮤니티 기반으로 개발되어 기존 방식보다 성능이 더 우수합니다. Kaggle 우승자를 한번 확인해 보세요. -분명 Python이 리더입니다. 그러니 오픈 소스를 두려워하지 마세요.→ Kaggle 우승자 보기(ibm.com 외부 링크)
  6. 가장 경력이 짧은 데이터 사이언티스트도 오픈 프레임워크를 사용하여 비즈니스 문제점을 해결할 수 있도록 팀의 권한을 강화하세요. 제가 경험한 가장 생산적인 팀 중에는 문제를 매우 훌륭하게 해결한 대학원생 팀도 있었습니다.
Carlo Appugliese 프로필 사진

'초심자를 위한 머신 러닝' 무료로 받기

책은 다음과 같은 장으로 구성되어 있습니다.

  • 머신 러닝을 상황에 적용
  • 머신 러닝 접근 방식의 구현
  • 전략 시작하기
  • 머신 러닝 기법에 대한 이해
  • 머신 러닝 방법을 성과에 연계
  • 비즈니스 요구사항에 머신 러닝 적용
Dallas Crawford

데이터 사이언스가 비즈니스 가치 향상의 동인인가요?

이 소개 동영상에서 데이터 사이언스, 분석 및 비즈니스의 선도업체인 Revelwood, QueBit, Liberty Seguros의 이야기를 들어보세요.

고객 성공 사례

고객 성공 사례

Enghouse Interactive

한 대형 콜 센터 기술업체는 IBM 데이터 사이언스 및 AI 엘리트 팀을 이용하여 콜센터 경험을 재해석하고 고객으로부터 소중한 인사이트를 얻습니다.

Geisinger Health System

Pennsylvania 응급진료 클리닉은 제공업체가 적극적으로 모니터링하고 예방 조치를 취하여 환자의 생존률을 높일 수 있도록 IBM 데이터 사이언티스트의 도움을 받아 패혈증 사망률 바이오 지표를 식별하고 최신 임상 연구 결과를 수집하는 예측 모델을 개발했습니다.

JPMC

오늘날의 은행들은 재무 모델을 사용하여 성과를 예측하고 과거의 재무 데이터를 기반으로 시장 판단을 내립니다. 그러나 모델이 부정확하다면 어떻게 될까요?JPMC는 IBM 데이터 사이언티스트들과 팀을 이루어 모델 위험 관리에 도움이 되는 머신 러닝 기술을 사용하여 위험 경감 플랫폼을 혁신적으로 개선했습니다.