«Иннодата» и «ДатаКаталог» рассказали, как снизить стоимость внедрения и повысить эффективность ИИ-сервисов

02.04.2024 |

«Иннодата» и «ДатаКаталог» рассказали, как снизить стоимость внедрения и повысить эффективность ИИ-сервисов

Эксперты компаний «Иннодата» и «ДатаКаталог» рассказали в формате вебинара о том, как эффективно управлять качеством данных и жизненным циклом моделей машинного обучения для ускорения реализации бизнес-проектов с применением ИИ при совместном использовании решений Arenadata Catalog (ADC) и ML Фаб.

В мероприятии, состоявшемся 19 марта, приняли участие руководители компаний, директора по цифровой трансформации, руководители аналитических подразделений, владельцы Data-продуктов и ИИ-сервисов, для которых актуален вопрос минимизации затрат на реализацию и сопровождение ML-проектов и повышения их эффективности.

Артем Нестерчук, product owner Arenadata Catalog, рассказал об ADC и его основных компонентах, которые позволяют анализировать качество поступающих данных, управлять единой моделью данных в рамках всей компании, а также подготовить данные для использования в ML Фаб.

Руководитель направления Data Science компании «Иннодата» Александр Борисов представил концепцию D/MLOps, объединяющую инструменты управления качеством данных и средства автоматизации жизненного цикла ML-моделей, отметив технологические и бизнес-преимущества данного подхода, в числе которых повышение качества моделей и снижение time-to-market за счет быстрого поиска нужных данных и обмена результатами анализа.

Далее была проведена демонстрация применения концепции D/MLOps на базе продуктов Arenadata Catalog и ML Фаб. На примере компании – инновационного производителя газированных напитков эксперт продемонстрировал пошаговый процесс поиска необходимых данных специалистом Data Scientist и последующий анализ лабораторных данных о составе образцов, позволяющий получить ожидаемые оценки потребителей новых видов напитка до начала их продажи и выпуска на рынок.

«Единый подход к пониманию данных и моделей позволяет, по нашей оценке, в 5-7 раз снизить time-to-market, минимизировать затраты на реализацию и поддержку ML-проектов, уменьшать количество инцидентов, а также использовать накопленный опыт в дальнейшем развитии проекта», – подытожил Александр Борисов.

В конце вебинара эксперты ответили на вопросы участников, рассказали о планах развития продуктов и предложили желающим пройти бесплатный аудит процессов MLOps или провести более развернутую демонстрацию с учетом специфики индустрий.