Data Science zum Erfolg führen – Machine Learning Operations (ML Ops) in Praxis und Forschung
Description
Fragen:
Wie haben sich die Anforderungen an Data-Science-Teams im Rahmen der methodischen Entwicklung der letzten Jahre verändert?
Welche Rollen haben sich in den jeweiligen Teams dabei etabliert? Ist die Evolution der Rollen bereits beendet oder zeigt sich darüber hinaus ein Trend der Spezialisierung hin zu neuen Rollen?
Wie messen Data-Science-Teams den Erfolg ihrer Projekte? Gibt es Metriken, die diesen Erfolg mit der Strategie und den Zielen des Unternehmens verknüpfen?
Wie stellen Unternehmen sicher, dass relevante Projekte ausgewählt und umgesetzt werden? Wie hoch muss der Anteil erfolgreicher Projekte dabei sein?
Wo werden Data-Science-Teams heute häufig organisatorisch verankert? Wo sollten sie idealerweise verankert werden bzw. Unterstützung durch weitere Funktionen, wie IT und Controlling, erhalten?
Wie vermeidet man eine Überlastung der Data-Science-Teams nach der erfolgreichen Erarbeitung einer Lösung? Wie skaliert die Organisation die Outputs von Data-Science-Projekten?
Welche Schlagworte sind für die Umsetzung einer „demokratischen" Bereitstellung von Daten relevant? Welche Themen, bspw. in der Data Governance, sind in diesem Kontext für nachhaltigen Erfolg wichtig?
Verändern die aufkommenden KI- bzw. vor allem GenAI-Lösungen erneut die Anforderungen an die Data Science und die Unternehmen insgesamt? Was ist dabei zu beachten?
Weiterführende Links:
United States
