Самая первая в Кении встреча deeplearning.ai Pie и AI была проведена в Сельскохозяйственном и технологическом университете Джомо Кеньятты (JKUAT) при поддержке Клуба студентов-разработчиков JKUAT. В мероприятии приняли участие университетские ученые; Представлены 14 кенийских университетов, эксперты, новички и начинающие специалисты по данным. Тема была названа «Формирование карьерного пути в науке о данных». Работая вместе с удивительной командой из шести человек, которые так усердно трудились, чтобы мероприятие состоялось, вот некоторые из мероприятий, которые произошли незадолго до этого и в тот же день.

Учитывая, что до встречи было распродано четыреста билетов, мы, безусловно, ожидали огромное количество активных учеников. В общей сложности триста два участника пришли на мероприятие, жаждущие поучиться у участников дискуссии с набором животрепещущих вопросов под рукой. Панель состояла из местных ведущих прорывных лидеров отрасли в пространстве данных, и вот предварительный просмотр их профилей:

Сэмюэл Кимани — инженер по машинному обучению и ведущий специалист по данным Duara Analytics. Он защитил магистерскую диссертацию по статистике и науке о данных в престижном Массачусетском технологическом институте. Билли Одера — старший специалист по данным в NCBA Bank. Он является экспертом по кредитному скорингу и мозгом «Фулизы» и М-Швари. Мули Асумпта — инженер по обработке данных в Safaricom PLC. Она является экспертом в области корпоративных хранилищ данных и больших данных. Каманде Вамбуи — руководитель отдела обработки данных AJua, компании, которая специализируется на предоставлении решений в области обработки данных для комплексного обслуживания клиентов. Эмма Окере — ведущий специалист по данным Kenbright Holdings LTD. Она закончила актуарную науку с отличием, записалась на онлайн-курсы по науке о данных, чтобы отточить свои технические навыки, и активно помогает молодым женщинам пройти курсы STEM.

Сессия началась с видео-приветствия от доктора Эндрю Н.Г., который показал студентам офисы deeplearning.ai в Калифорнии и то, чем занимаются некоторые сотрудники. Он также призвал студентов эффективно использовать свое время на мероприятии, чтобы извлечь максимальную пользу из пленарных дискуссий и возможностей для общения с коллегами по глубокому обучению. На мгновение мне показалось, что я уже в офисе deeplearning.ai. Я надеюсь быть там когда-нибудь!

Мы получили извинения от основного докладчика Мутони Ваниоике, который не смог присутствовать на мероприятии из-за непредвиденных обстоятельств.

Забегая вперед, мы перешли к пленарному заседанию, где участники дискуссии должны были сначала ответить на заранее заданные организаторами вопросы. Вопросы касались конфиденциальности и безопасности данных, причин, по которым модели терпят неудачу в производстве, процесса найма на должности специалистов по обработке и анализу данных, преодоления предвзятости моделей, количественной оценки достаточного количества данных в обучающих моделях, будущего автоматического машинного обучения и автоматического ИИ, мифов об ИИ и как их преодолеть, наставничество, сотрудничество и карьерные возможности в кенийской сфере искусственного интеллекта и как их монетизировать, и, наконец, действенные планы, тактики и стратегии для продвижения и достижения успеха в мире данных при создании впечатляющих портфолио.

Возьмите домой пункты из заранее заданных вопросов:

При разработке решений для бизнеса важно управлять ожиданиями. Не обещайте выполнить задачи, которые в противном случае были бы невозможны с имеющимися данными.

Работодатели рассматривают критическое мышление и способность решать проблемы для роли науки о данных. Ваш мыслительный процесс и подход к проблемам являются первостепенными навыками. К сожалению, вас можно научить только тому, как программировать, но не тому, как думать. Так что тренируйтесь, тренируйтесь и еще раз тренируйтесь!

Важно понимать контекст, из которого извлекаются обучающие данные, чтобы избежать сбоев при отправке моделей. Поэтому важно сотрудничать с экспертами в предметной области, чтобы понять тенденции и закономерности в ваших данных во время исследовательского анализа.

У вас никогда не может быть слишком много данных. Чем больше данных, тем лучше. Однако специалисту по данным важно понимать компромисс между данными и затратами, связанными с обработкой и хранением огромных объемов данных.

На сессии вопросов и ответов с аудиторией обсуждались следующие вопросы:

Какова точка пересечения общественных ожиданий и этики при развертывании моделей?

-Узнайте, какое влияние ваша модель намерена оказать на сообщество. У вас есть технические знания, но вам приходится сотрудничать с другими людьми; найдите кого-то, кто понимает культуру лучше, чем вы, чтобы обеспечить успех вашей модели при отправке.

Стоит ли получать степень магистра или доктора наук в области науки о данных?

-Это все зависит от человека или компаний, которые нанимают, например. Google и IBM требуют, чтобы вы получили степень магистра или доктора наук, чтобы вас наняли в качестве специалиста по данным. Наличие четырех или более проектов в вашем портфолио, выполненных в комплексе, намного лучше, чем двухгодичная программа магистратуры или докторантуры.

Как вы продемонстрируете влияние в корпоративной среде обработки данных, учитывая, что полученные данные в основном неструктурированы?

- Зависит от проблемы и области, в которой вы работаете. Метрики оценки для каждого проекта имеют наибольшее значение. Следите за своим продуктом на рынке, чтобы знать, какая функция лучше всего подходит для пользователей.

Как закон о защите данных повлияет на ваши компании?

  • Он душит конкуренцию, а не оправдывает ожидания тех, кто разработал закон, что может быть как хорошо, так и плохо. Данные первой стороны становятся всем, компании должны стремиться владеть данными; таково было бы общее воздействие закона на компании. Например. Facebook будет контролировать большую часть рекламы в социальном пространстве через Instagram, WhatsApp и Facebook.

Все участники получили достаточную дозу во всем, что касается начала карьеры в науке о данных. Теперь все они были полностью обоснованы с чувством цели и направления для масштабирования, инноваций и принятия ролей в сфере данных. Уволен и готов к работе!

Видеозапись панельной дискуссии будет размещена на YouTube. Вот ссылка на канал Скорпион. Подпишитесь и следите за обновлениями, чтобы не пропустить более эффективную серию мероприятий по науке о данных и машинному обучению.

Благодарность Kennedy Wangari, Keith Martin, Stephany Wanjiru, Mugoh, Nic Msau, вместе с которыми мы работали для обеспечения успеха мероприятия. Большое спасибо DSC JKUAT под руководством Velda Kiara за проведение такой стоящей встречи.