IBM Data Science Platform

Su equipo de ciencia de datos puede ayudar a varios departamentos, utilizando un conjunto diverso de herramientas y técnicas disponibles en IBM Data Science Platform. En esta demostración, descubra cómo la ciencia de datos ayuda a escalar modelos predictivos, prediciendo la implementación de los ajustadores y las reclamaciones fraudulentas.

Aprenda de Gartner cómo la ciencia de datos y el machine learning pueden entregar resultados empresariales

Usted obtendrá:

  • Consejos para impulsar proyectos exitosos de ciencia de datos
  • Probando ROI desde el machine learning
  • Formas de capacitar a analistas de datos con poca experiencia en matemáticas o estadística
  • Casos impactantes de utilización de la analítica predictiva

Capacidades

Analítica predictiva

Prediga con confianza lo que sucederá a continuación para lograr decisiones más inteligentes para su organización. IBM es líder en plataformas de ciencia de datos.

Machine learning

IBM tiene una de las plataformas líderes en ciencia de datos, permitiéndole colaborar fácilmente entre equipos, utilizar las herramientas de código abierto y escalar a la velocidad que su empresa necesita.

Analítica prescriptiva

Ayude a las organizaciones a tomar mejores decisiones resolviendo problemas complejos de optimización que impliquen concesiones entre los objetivos del 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 están lidiando con una variedad de herramientas (opciones de código abierto con Rand Python y paquetes patentados, como SAS y SPSS), habilidades y técnicas (machine learning, optimización, estadísticas y más) y una variedad de opciones de cargas de trabajo que tratan con grandes volúmenes de datos (EDW, Hadoop y mucho más). Dirigir equipos de ciencia de datos no es una tarea fácil y muchos se preguntan cómo pueden maximizar su valor comercial actualmente. Carlo Appugliese comparte los insights clave de las experiencias de su equipo para ayudar a cientos de compañías a mejorar sus prácticas de la ciencia de datos, desde cómo reducir el tiempo al impacto hasta cómo conseguir la máxima productividad de su equipo.

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

  1. Primero y más importante, enfóquese en sus objetivos y problemas empresariales; no deje que la tecnología lo atrape. No utilice tecnología por el bien de la tecnología.
  2. No analice demasiado lo que está tratando de hacer. Algunos de los proyectos más exitosos se entregan simplemente poniéndolos en práctica. Identifique su problema empresarial/caso de uso, forme un equipo de trabajo y comience.
  3. No limite los datos que su equipo tiene a su disposición. Los científicos de datos necesitan explorar y, a veces, su enfoque cambiará según los hallazgos. Dele a su científico acceso a todos los datos.
  4. Piense en cómo pondrá en operación su proyecto al inicio. No escriba el código de una solución completa y luego vuelva a escribir el modelo en una aplicación digital. Desarrolle la solución con una tecnología que pueda poner en operación.
  5. No tenga miedo de usar las estructuras más recientes de Python. Las estructuras abiertas son desarrolladas por la comunidad y han superado en rendimiento a los enfoques tradicionales. Simplemente analice algunos de los ganadores de Kaggle - Python es el líder indiscutible, así que no tenga miedo del código abierto. → Vea los ganadores de Kaggle (enlace externo a ibm.com)
  6. Faculte a su equipo, para que incluso los científicos más jóvenes puedan usar estructuras abiertas para resolver sus problemas empresariales. Algunos de los miembros más productivos de mi equipo lo están haciendo excepcionalmente bien, recién salidos de los programas de posgrado.
Foto de perfil de Carlo Appugliese

Obtenga su copia gratuita del Machine Learning For Dummies

Los capítulos incluyen:

  • Poniendo el machine learning en contexto
  • Implementando enfoques de machine learning
  • Iniciando con una estrategia
  • Entendiendo las técnicas de machine learning
  • Enlazando los métodos de machine learning a los resultados
  • Aplicación de machine learning a las necesidades empresariales
Dallas Crawford

¿Está la ciencia de datos impulsando valor para su empresa?

Escuche a los directores de ciencia de datos, analítica y negocios en Revelwood, QueBit y Liberty Seguros en este video de muestra.

Éxitos de cliente

Éxitos de cliente

Enghouse Interactive

Un proveedor grande de tecnología de centro de llamadas utiliza el IBM Data Science y al equipo de AI Elite para rediseñar la experiencia del centro de llamadas y obtener insights valiosos para los clientes.

Geisinger Health System

Una clínica de urgencias de Pensilvania acudió a los científicos de datos de IBM para desarrollar un modelo predictivo para identificar biomarcadores de mortalidad sepsis y recopilar la última investigación clínica para ayudar a los proveedores a supervisar activamente y emprender acciones preventivas para aumentar el índice de recuperación de los pacientes.

JPMC

Los bancos de hoy utilizan modelos financieros para predecir el desempeño y hacer juicios de mercado basados en datos históricos y financieros, pero ¿qué sucede si el modal 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 para ayudar a gestionar el riesgo de modelos.