Доклад Никиты Филиппова “Как сделать роадмап AI продукта”

Доклад Дани Павлюченко “Как мы научились не волноваться и полюбили приоритизацию бэклога”

Подоспела первая записей порция докладов с DataFest:
👉Наше стартовое видео на пару минут чисто рекламного характера, но с веселыми мемами
👉Асхат Уразбаев — короткое вводное видео о Канбане для управления командой
👉Станислав Гафаров с интересным докдадом о нелегкой тимлидской доле и практиках управления “Дважды тимлид, в двое больше проблем, вдвое больше опыта”
👉Евгений Никитин с докладом Dark Side of Scrum о плюсах и минусах Скрам и переходе на LeanDS
👉Артемий Малков о том, как им удается наладить взаимодействие с заказчиком и 5 фреймворках для проектного управления
👉Дмитрий Шостко о том, как им удалось построить Data Mesh в организации

Еще доклады с трека leands @ DataFest

👉Юлия Рубцова рассказывает, как весь проект прозрачно вести на Миро доске
👉Ник Спирин рассказывает, где найти место для ИИ и правильно оценить ROI
👉Игорь Пакин объясняет, как финансовое моделирование помогает оценивать ROI — взгляд со стороны инвестиционного аналитика
👉Даниил Павлюченко расскажет опыт X5 в приоритизацию бэклога методом ICE
👉Даниил Дранга рассказывает о мета-валидации — о комплексной офлайн оценке качества моделей. В конце детальный чеклист!
👉Никита Филиппов с визионерским докладом о том, как сделать роадмап AI продукта

Хороший доклад про управление качеством данных c DataFest. Алексей Ильин в первой половине рассказывает немного о технической составляющей обеспечения качества. Вторая половина доклада — как управленчески его обеспечить (в контексте крупной организации, типа банка). Все как мы любим: роли, ответственности, плюсы-минусы/подводные камни.
👉Алексей Ильин: Качество данных

Константин Грабарь, Product Owner @ Flo и выпускник нашего онлайн-курса LeanDS на Epic Growth выступает с темой “Как Flo тестирует и внедряет ML гипотезы с мультикомандной инициативой ML Gatherings”.

Интересного много:

👉Костя подробно рассказывает, как они доводят продукты до MVP собирая временную команду ML gathering и только потом передают в продуктовые команды.
👉Мне особенно понравилось, что Констатин достаточно строго описывает гипотезы и отдельное спасибо за упоминание Мерседеса как способа декомпозиции 🥰 и нашего сообщества @leands
👉Третья очень интересная тема — демократизация исследований, то есть привлечение к работе с данными (в том числе проверки гипотез) большого количества коллег в организации.

За деталями сюда: https://my.epicgrowth.ru/programs/floml_editedmp4-ca2546?categoryId=42079

Доступ платный, но есть 7-дневный триал 😜

👉Онлайн курс “Управление проектом и продуктом с LeanDS”

3 ноября начинается последний в этом году (и 4 по счету) онлайн-курс Lean Data Science Practitioner.

На курсе мы изучаем методику LeanDS — упакованный опыт управления DS проектами и продуктами.

Проходим весь путь создания ML продукта — от идей, оценки экономической эффективности, проектирования, планирования, оценки до деталей управление проектом ( программа )

✅👀Видео. Курс состоит из небольшого количества обязательных видео по “ядру” LeanDS и множества дополнительных по самым разным аспектам управления DS — от сбора команды до управления ожиданиями заказчика в заказной работе.

✅🤼‍♂️Практика. Раз в неделю совместно решаем реальные кейсы и отвечаем на вопросы.

🎤Ведущие курса Асхат Уразбаев и Алексей Могильников.
🗓Курс пройдет с 3 ноября по 1 декабря. Стоимость 15.980р.
🦸‍♂️Количество мест — 20

Регистрация и подробности: https://scrumtrek.online/leands

У LeanDS будет целый трек на (анти-)конференции ProductCamp. Она бесплатная, пройдет 24 октября в онлайн формате.

От нас будет несколько докладов:

🎙Алексей Могильников проведет воркшоп по использованию AI Canvas. Это некоторый аналог LeanStartupCanvas, но в применении к DS проектам.

🎙Павел Филонов сделает короткий ликбез по DS метрикам для менеджеров на практическом примере и расскажет, как их связать с продуктовыми метриками

🎙Никита Филиппов сделает развитие своего визионерского доклада о том, как проектировать UX сразу с прицелом на ML, а не рассматривать ML просто как способ сэкономить денюжки.

🎙Илья Щиров расскажет о нелегкой доле менеджера продуктов в AI и поделится опытом как избежать основных ошибок на этом поприще.

Будет куча других продуктовых докладов (про OKR, выход за рубеж, качественные исследования и проч.). Организаторы обещают что-то бомбическое с онлайн играми и квизами, тематическими чатами и нетворкингом. Еще одна важная тема конференции — сохранение Mental & Physical Health, как держать свой мозг в форме.

Программа конференции
Регистрация

ProductCamp Live

Начался Product Camp. Хорошая и интересная программа, как мне показалось.

Будет несколько докладов от нас (они отмечены в программе префиксом DS Product)

Программа: https://docs.google.com/spreadsheets/d/1At-zFNwpayAMmddYKKFO3D1Zo3kAMJfQfN-FQrhxWBk/edit#gid=1216259925

Канал конференции: https://www.youtube.com/channel/UCwdZJnP85Ivmkg_y2QB8pQg

Поток 1: https://youtu.be/Nc-nhr9qjkk
Поток 2: https://youtu.be/qhaa_T5qh1E
Поток 3: https://youtu.be/N8Hwed9OLlQ

Как AWS управляет рисками в DS проектах

Том Де Марко в книге “Вальсируя с медведями” утверждал, что “Управление рисками – это управление проектами для взрослых.”

Если вы с таким же пиететом относитесь к риск менеджменту, то подход, описанный в “Managing Machine Learning Projects” вам точно понравится.

Автор — V.M. Megler, PhD, Principal Data Scientist @ AWS. Она придумывает в AWS методы и индустриализирует их в компании.

Подобно Де Марко, Вероника основной упор делает на управлении рисками. Как она предлагает с ними работать?

Для каждого проекта создается Scorecard — список рисков. Это список из заранее определенных рисков (Вероника предлагает этот список в статье).

Риски автор разбивает на 4 группы: project (что-то вроде бизнес-рисков), financial (финансовые риски), Data Quality, project processes (что-то что, можно потерять в процессе разработки).

На фазе старта (Inception) проекта по всем рискам проходятся и отмечают их состояние следующим образом:

• Риска нет — письменно обосновывают и отмечают “does not apply”
• Если риск есть — указывают потенциальное влияние (impact), как риск митигировать и отмечают как does apply. Риск может быть внешним и тогда его нужно эскалировать.

Проводятся регулярные ревью, на которых обновляют статус риска. Быстро проверяют риски из “does not apply” — не всплыл ли старый риск? Статусы (пере)отмечают цветами от red-yellow-green по их критичности .

Потом данные по всем рискам группируют в summary для репортинга руководству.

Документ содержит и другие идеи, в основном достаточно логичные, хотя иногда и не бесспорные. Например, Вероника предлагает разбивать проекты на две фазы:

• research (quick and dirty, кучу методов пробуем)
• development (есть понятный метод решения, фокус на выведении в прод)

Разделение имхо жестковатое (по крайней мере в такой постановке) и замедляет работу над продуктом — иногда может стоит и самый первый бейзлайн вывести в прод. Кажется, автор тоже что-то такое подозревает, так как описывает какие проблемы такое разделение может вызвать.

Не уверен, что описанный подход широко применяется в AWS, никаких указаний на опыт или успехи команд не приводится. Впрочем, документ интересный, список рисков как минимум имеет смысл посмотреть и подумать.

https://d1.awsstatic.com/whitepapers/aws-managing-ml-projects.pdf

4 ноября в 19:00 — онлайн воркшоп “Управление рисками в Data Science проектах”

Том Де Марко вводит такое определение: “Риск – это проблема, которая еще не возникла, а проблема – это риск, который уже материализовался.”

Data Science — сложная техническая и бизнес задача, где вероятность неуспеха выше, чем успеха. Много проблем поджидают проект. Их можно героически преодолевать, а можно заранее предпринимать усилия для их профилактики. Это серьезно увеличивает вероятность успеха.

На воркшопе мы:

• Рассмотрим методы управления рисками
• Совместно сгенерим список типовых рисков для DS проекта
• Пообщаемся и поспорим 😉

Ведущие: Асхат Уразбаев и Алексей Могильников

🗓Регистрация: по этой ссылке
⏰Дата и время: 4 ноября в 19-00 онлайн

В 19-00 по Москве мы проводим воршоп по управлению рисками. Ждем всех! Ссылка на zoom будет в почте у зарегестрировавшихся, также скину в этот канал за час до начала

https://us02web.zoom.us/j/86547742125?pwd=Y2lHRGlFcWVEeXRpM25wVTBpMGF1QT09

Идентификатор конференции: 865 4774 2125
Код доступа: 300537

Начнем в 19-00

МИТАП LeanDS#11. Убийцы плохих идей: визуализация, приоритезация и AI Canvas

На этом онлайн-митапе поговорим о том, как убивать плохие идеи. Темы митапа: визуализация данных, приоритезация и AI Canvas!

👉Зачем и как нужно визуализировать данные перед внедрением DS
Павел Логинов, Руководитель продуктов Big Data Beeline по развитию конвергентного бизнеса.
👉Приоритизация DS бэклога: модифицированный ICE для крупных компаний, Бакунин, лидер кластера Data Science, исполнительный директор, Сбербанк
👉 Как мы используем AI Канвас в БигДате МТС, Мария Ракитина, менеджер продуктов МТС

🗓: Четверг 3 декабря в 19-00 по Московскому времени

РЕГИСТРАЦИЯ

МИТАП: LeanDS#11. Убийцы плохих идей: визуализация, приоритезация и AI Canvas (ПРОГРАММА УТОЧНЕНА)

Подробнее о том, что будет на митапе.

‼️❗️‼️NB: пожалуйста, зарегистрируйтесь, ссылку высылать не будем!‼️❗️‼️

👉Зачем и как нужно визуализировать данные перед внедрением DS
Павел Логинов, Руководитель продуктов Big Data Beeline по развитию конвергентного бизнеса.

Начиная реализовывать поставленную бизнесом задачу с помощью DS, Product Owner может столкнуться с множеством проблем. Наиболее популярная их причина - неумение работать с уже имеющимися данными. В докладе я расскажу, как с помощью визуализации данных можно избежать значительной части проблем и
улучшить эффективность продуктов.


👉Приоритизация DS бэклога: модифицированный ICE для крупных компаний, Бакунин, лидер кластера Data Science, исполнительный директор, Сбербанк

В выступлении будет предложен вариант приоритизации DS задач в крупной компании. Будут представлены основные критерии приоритизации с методами их оцифровки. Дополнительно поговорим о подводных камнях на пути приоритизации с методами их преодоления.

👉 Как мы используем AI Канвас в БигДате МТС, Мария Ракитина, менеджер продуктов МТС
По сути канвас - это табличка на один лист про то, как бизнес идея в принципе будет работать: какую проблему решаем на входе, с помощью чего решаем, чего полезного ожидаем на выходе, какое получится соотношение затрат и профита — плюс небольшие, но критично важные детали.

Мы поговорим о том что такое AI Canvas:
• Какие задачи он драйвит?
• Когда Канвас скорее мешает?
• Как понять, что пора начинать задавать вопросы-бомбы?

🗓: Четверг 3 декабря в 19-00 по Московскому времени

РЕГИСТРАЦИЯ

Через 2 часа в 19-00 начнем митап! Регестрируйтесь по ссылке выше 🙂

Презентация Зачем и как нужно визуализировать данные перед внедрением DS Павла Логинова

Доклад Приоритизация DS бэклога: модифицированный ICE для крупных компаний, Никита Бакунин, лидер кластера Data Science, исполнительный директор, Сбербанк