 Hai, nama saya Julin dan saya bersiap-siap bercakap untuk beberapa konferensi sebenarnya. Kenapa saya bercakap tentang AJAWI? Kerana saya seorang kron master dan saya seorang data scientist. Jadi, saya mengambil perniagaan AI sekitar 3 bulan lalu dan mereka perlukan seseorang untuk membuat prosesor mereka lebih agar kerana mereka akan bermula dan mereka memang perlukan bantuan, projek dan sebagainya. Jadi, mari kita lihat. Jadi, sedikit tentang AI dan sedikit tentang AJAWI. AI bermula lama lalu. Sejak 1945. Sebelumnya, mereka ada konferensi pada tahun 1950. Mereka ada konferensi untuk AI. Sebelumnya, seseorang kron master berjumpa dengan sebagainya. Mereka berjumpa dengan sebagainya. Sebelumnya, mereka berjumpa dengan sebagainya. Sebelumnya, mereka berjumpa dengan sebagainya. Kita semua tahu tentang Alan Turing dan sebagainya. Mereka adalah sebagainya. Jadi, ia tidak baru. Sebabnya sekarang, sebabnya teknologi telah membuatkan sebagainya. Sekarang, kita ada teknologi untuk membantu apa yang AI boleh lakukan. Apa yang sebagainya boleh lakukan. Jadi, untuk AJAWI, AJAWI berulang pada tahun 1990. Ini adalah apabila software menjadi menjadi sesuatu yang orang akan membeli dan membeli. Sebelum tahun 1990, ini adalah apabila orang percaya bahawa software sebagai produk boleh menjadi begitu besar, begitu berkembang, terlalu lama untuk membuat bahawa ia tidak menjadi kecepatan. Itu menjadi sesuatu yang orang tidak mahu membeli. Jadi, apabila AJAWI datang dan membuatnya menjadi untuk membuatnya menjadi produk yang lebih kecil, yang lebih kecil, orang akan membeli. Jadi, sebagainya membuat software untuk membuatnya lebih kecil. Okey, jadi, hanya untuk melihat perjalanan masa. Jadi, dengan cepat, selama 5 tahun, semua perjalanan ini mempunyai AI dalam sistem mereka. Sebelum tahun 2016, mereka membuat perjalanan untuk meminta perjalanan untuk semua perjalanan, dan sebagainya 60% perjalanan sebenarnya berkata bahawa mereka mahu menggunakan AI pada tahun 2018. Sekarang tahun 2018, tidak pasti bagaimana-bagaimana perjalanan sebagainya mempunyai AI yang berkata, tapi ya, ada dia. Dan perkara yang sama dengan perjalanan AJAWI. Sebelum tahun 2005, mereka hampir tidak mendengar. Sekarang, ini adalah semua perjalanan yang mempunyai perjalanan AJAWI dalam perjalanan mereka. Jadi, jika anda melihat sekarang, 30% perjalanan perjalanan AJAWI membutuhkan perjalanan AJAWI. Jadi, untuk perjalanan AJAWI, ini adalah perkara yang menurut saya perjalanan AJAWI adalah sederhana, tetapi secara sebenar, itu yang perjalanan AJAWI. Ia sangat kelihatan. Ia ada 4 perjalanan, dan 12 perjalanan. Apa-apa pun yang ada 12 perjalanan ialah tidak sederhana dalam perjalanan saya. 12! Dan saya hanya ada 10 perjalanan. Okey. Untuk perjalanan AJAWI, ini adalah perkara yang kita ingin mengambil. Ini adalah perkara yang kita ingin mengambil apabila kita mengambil perjalanan AJAWI. Jadi, kita ingin mempunyai kualiti data, kita ingin mempunyai performa yang baik, kita ingin mempunyai kualiti model, kualiti pertahanan perjalanan AJAWI dan perjalanan AJAWI. Mereka melihat akurasi, perjalanan dan segala-galanya. Dan menyebabkan jika ada perjalanan, apabila ada perjalanan, dan perjalanan dan perjalanan adalah terakhir. Tapi tidak terlepas. Jadi, ya. Tiga perkara yang akan saya bercakap dalam perjalanan yang datang saya, yang sebenarnya adalah 3 perjalanan dari SCRUM. Jika anda berhati-hati, anda akan menyebabkan di mana ia datang. Tiga perkara yang akan saya bercakap adalah menyebabkan menyebabkan perjalanan perjalanan dan perjalanan dan perjalanan. Menyebabkan perjalanan dan perjalanan dan perjalanan perjalanan anda. Ya. Ini perkara yang akan saya bercakap. Baiklah. Jadi, sebuah perjalanan. Okey. Jadi, ini perjalanan dan perjalanan darah sebuah perjalanan. Ini perkara yang berlaku yang berlaku. Soal perkara yang berlaku, anda memiliki perjalanan yang berlaku. Berlaku. Kemudian anda membuat perjalanan darah, membuat perjalanan, perjalanan dan pekerjaan. Anda bisa melihatlah perkara yang berlaku didalamnya. Jika anda boleh memperbesar perjalanan berlaku menjadi perjalanan ramai, kita boleh membuat yang sama untuk perjalanan darah di luar seseorang. Okey, jadi, ini sangat Ini hanya sebuah contoh, maaf, ia bukan sebuah contoh. Ini sebuah contoh dari sistem AI. Oleh itu, di mana saya menggunakan model MBC, maaf, struktur di sini. Jadi perkara-perkara, apapun yang anda keluar dengan, anda melakukan data, anda melakukan kemahiran, anda melakukan model, anda keluar dengan model AI. Ini, mari kita katakan, ini adalah kemahiran, anda keluar dengan kemahiran 1, kemahiran 3. Model AI yang anda keluar dengan, sebenarnya, ia hanya mengambil sebuah segmen dari sebuah seluruh architektur, sebuah seluruh architektur. Tidak bermakna mereka tidak melakukan banyak kerja, ada banyak kerja di belakang, tetapi output model ini, ia adalah sebuah kemahiran ke sebuah seluruh architektur. Dan sama sekali, ia boleh berada di model, ia boleh berada di controller. Ia bergantung pada sistem anda. Okey. Jadi, masalah dengan mempunyai model kris-diam tradisional, anda mempunyai kemahiran belakang, kemahiran belakang, ia adalah kemahiran kemahiran. Sebenarnya, anda hanya mengambil kemahiran ke software, dan itu ia. Anda melakukan apa-apa pun yang anda perlukan dengan model ini. Baiklah, saya mungkin beri anda api dan itu ia. Fajar untuk mengintirkan. Jadi, ini adalah perkara-perkara yang yang paling terkenal pada model kris-diam tradisional. Ia adalah sempurna pada model kris-diam water 4. Okey. Jadi, mari kita lihat kemahiran kemahiran kemahiran kemahiran. Jadi, ini adalah perkara-perkara kemahiran kemahiran kemahiran kemahiran kemahiran. Kita lihat bahawa, dalam kemahiran kemahiran, anda harus mempunyai semua ini. Anda harus mempunyai mesyuarat, untuk mempunyai, mempunyai, kemahiran, dan anda mencoba, anda melihat, dan kemudian anda mengambil. Itu adalah pengalaman hidup kemahiran thumbt, okey. Jadi, ia sangat penting untuk mempunyai. Baiklah, jika anda tidak mempunyai, anda hanya mencinta perkara-perkara. Ada apa-apa yang anda tidak mempunyai, ia akan terlalu susah untuk men influential project. Jadi, mempunyai ini sangat penting. Jadi, apabila kami mempunyai Surat AI, apa kita akan lakukan dengan untuk mengisi harapan ? Ianya sangat penting. Jadi, ia berkawal sekarang dengan keadaan yang lebih awal Mereka ingin menikmati hekaton, mereka ingin mengambil sebuah kagak data Apa yang mereka lakukan? Mereka tidak ingin mengambil hekaton Mereka mengambil sebuah kagak dan mereka bermain dengan ia Mereka akan keluar dan itu saja Tetapi, apabila anda ingin mempunyai sistem, ia menjadi sangat penting Sebenarnya anda akan mengambil hekaton Pastikan anda sebenarnya bergerak kepada hal yang betul Anda mengubah keadaan yang sepatutnya untuk dibuat Untuk membuat keadaan dan mengambil hekaton dan mengambil hekaton Ini adalah mengambil keadaan yang pertama yang adalah apa yang kita nampak TDD yang mengambil hekaton untuk AI Mereka pertama mengambil keadaan sebelum anda sebenarnya mengambil model anda Membuat keadaan untuk anda Itu membuat anda membuat keadaan mengikuti keadaan yang menggunakan keadaan yang lebih berguna Membuat keadaan yang mengambil keadaan Itu adalah perkara penting yang saya fikir sangat penting Saya akan menunjukkan bagaimana apa yang saya bermakna nanti dalam keadaan keadaan yang sepatutnya Okey Jadi, apabila kita bercakap tentang M.V.P Pada tahun ini, ini adalah dua definisi yang berbeda dengan M.V.P Jadi, sebuah keadaan yang sepatutnya saya mengambil keadaan M.V.P adalah keadaan kedua M.V.P adalah keadaan keadaan yang paling kecil untuk anda dapat mengambil keadaan dan mengambil keadaan anda untuk mengambil keadaan yang menggunakan keadaan yang menggunakan keadaan Jadi, itu adalah keadaan keadaan M.V.P Sekarang, keadaan keadaan yang lebih awal adalah dari Robinson Dan itu adalah pada tahun 2001 apabila software masih keluar daripada keadaan ia bukan menggunakan keadaan internet ia tidak menggunakan keadaan software menggunakan keadaan internet ia adalah sebabnya anda perlu membeli CD untuk dapat menggunakan software anda Dan kemudian, ia bermaksud anda perlu pastikan bahawa produk yang anda datang dengan ia membeli yang orang sebenarnya ingin Jadi, bagi dia M.V.P adalah produk yang betul-betul besar yang cukup besar untuk membantu untuk menggunakan keadaan software untuk mempunyai keadaan yang menggunakan keadaan dan keadaan yang paling penting untuk mempunyai keadaan untuk dapat menggantikan keadaan yang anda membuat keadaan software Jadi, jika anda melihat keadaan ini ini bermaksud saya melihat keadaan yang lebih kecil anda dapat menggunakan keadaan M.V.P dan untuk keadaan besar di sini pastikan anda melihat keadaan M.V.P berdua adalah sangat penting terutamanya apabila ia datang ke projek AI apabila anda melihat keadaan yang lebih kecil anda melihat keadaan yang lebih kecil Jadi, apa yang saya mahu lakukan adalah saya mahu memutuskan model ini keadaan tradisional menjadi sesuatu yang sedikit berbeza Jadi, kita mengambil keadaan yang penting keadaan data keadaan data, keadaan model dan keadaan kita mengambil keadaan dan kita mengambil keadaan perniagaan dan perniagaan di setiap keadaan Selain itu, kita mengambil keadaan dan perniagaan di setiap keadaan Ini memutuskan kita memastikan kita mempunyai mempunyai perniagaan dan apa yang kita mahu lakukan mempunyai perniagaan dan setiap keadaan ini adalah apabila kita dapat mengambil keadaan tanpa ini, kita tidak akan tahu kita tidak membuat perniagaan, kita tidak dapat mengambil keadaan di setiap keadaan Jadi, jika ada perubahan di data ada perubahan ke perniagaan kita dapat menjawab keadaan Sama-sama kita mengambil keadaan kita juga perlu pastikan kita membuat perniagaan, perniagaan, perniagaan perniagaan, perniagaan dan perniagaan di setiap keadaan Jadi, apa yang saya lihat? Lihat ini sebagai perniagaan kecil Jadi, pertama, jangan berat Jangan lakukan perniagaan di satu perniagaan Tidak Pertama, berat dengan perniagaan kecil perniagaan kecil dan kemudian membuat model-model perniagaan dan kemudian memperkenalkan Apa yang bermakna ini adalah Jangan berat untuk perniagaan kecil 90% pada kelas pertama Setiap perniagaan Pastikan ini adalah perniagaan yang dapat diperkenalkan sejauh sejauh sejauh sejauh perniagaan kecil Selepas anda melakukannya Selepas itu, hanya anda membuat perniagaan kecil Selepas itu, hanya anda membuat perniagaan model dan perniagaan Dan kemudian Pastikan anda mempunyai perniagaan model-model anda Jadi, apa yang ini buat adalah bahawa ia memperkenalkan dan pastikan anda tidak membuat semua perkara ini pada satu perniagaan Anda melakukannya dalam perniagaan Selepas itu, kita mahu melihat perniagaan Jadi, ini adalah perkara yang anda dapat melihat pada setiap perniagaan Selalu memperkenalkan perniagaan dan perkenalkan antara perniagaan dan memberi feedback pelajaran perniagaan dan perniagaan Terutamanya perniagaan selalu memperkenalkan perniagaan dan mengubah perniagaan anda Dan perniagaan sangat penting Perkenalkan perniagaan anda Jika anda tidak menggunakan perniagaan pada perniagaan pertama, mungkin pada perniagaan kedua anda anda dapat memperkenalkan perniagaan So, salah satu perniagaan yang saya menemukan seperti yang anda menyebut anda bercakap tentang perniagaan Jadi, perniagaan untuk AI agrarian stipli bermaksud anda perlu memperkenalkan perniagaan anda perlu memperkenalkan perniagaan supaya semua perniagaan yang berbeza akan menggunakan perniagaan yang sama untuk memperkenalkan perniagaan yang sama Dan saya percaya ada beberapa perniagaan pipeline yang saya nampak perniagaan pipeline dan beberapa lain seperti pipeline AI dan sebagainya Pada beberapa pula mereka membantu anda adalah mem telah menggabungkan semua metri yang berbeza dari perniagaan yang berbeza jadi anda perlu hanya memperkenalkan beberapa pilihan untuk anda memperkenalkan sebuah pilihan keadaan saya, yang dimulai untuk menggunakan sebuah tukang dan keadaan saya yang mungkin dimulai awak boleh melihat keadaan untuk perniagaan yang berbeza And other tools of course make sure that you have all your different machine learning framework tools RStudio is great, I love RStudio especially if you're just doing initial exploration Just go with a simple tool like that Do your exploration first Make sure that you're aligned with your customer Align with the business before you direct it And really there's tons of tools out there It's still in the early stages So all these tools may not be mature But it's very promising And that's where we evaluate our tools We come in and evaluate our tools as well Okay So next When you put engineers and data scientists together What do you get? Anybody? What? Okay Sebenarnya, ya Mereka tak bercakap Dan itu perkara yang teruk Jadi Ini penting untuk jalan jalan Berkongsi Enjir anda perlu bercakap dengan pelajar anda Dan pelajar anda perlu bercakap dengan pelajar anda Ini berkongsi untuk jalan jalan Jalan metallologi di sana Ia sangat penting untuk pelajar untuk faham Untuk pelajar untuk faham Dan apa yang pelajar anda dapat menerima Dan hanya anda dapat mempunyai projek AI yang berjaya Okay Jadi itu tentangnya Saya akan tinggalkan dengan anda yang terakhir Pelajar dan pelajar Jadi kita perlukan pelajar dan pelajar Dan yang terbaik adalah Jadi pelajar perlu belajar dari pelajar Dan pelajar perlu belajar dari pelajar Dan yang terbaik adalah Pelajar mereka menjadi pelajar yang terbaik Dan pelajar mereka sebenarnya menjadi pelajar yang terbaik di luar sana Saya akan tinggalkan Terima kasih Perkara? Ya Ya, semuanya Ada banyak pelajar yang lain Ada banyak cara yang anda boleh lakukannya Tapi ya, apabila kita telah melakukannya Kita telah melakukannya Kita melakukannya sepenuhnya Jadi sebenarnya Semua pelajar yang anda lihat di sana Sehingga kita boleh melakukannya dengan cepat Ada apa-apa pertanyaan? Ada beberapa pertanyaan yang anda patut melihat Apabila anda melakukannya Apabila anda melakukannya Apabila anda melakukannya Pertanyaan adalah sebenarnya Sangat sama dengan Apabila anda melakukannya Pertanyaan atau pasukan Pertanyaan atau pasukan Pertanyaan Jadi Pertanyaan anda Pertanyaan Pertanyaan Pertanyaan untuk berubah Pertanyaan untuk mengadakan proses Ya, mereka sangat biasa Itu tidak ada perubahan Pertanyaan Anda membuat banyak projek yang tidak ada atau fokus pada projek yang tidak ada? Anda bermakna Pertanyaan atau pasukan? Semua orang memperkenalkan Semua orang memperkenalkan Ya, jadi fokus adalah salah satu yang mempunyai fokus Jadi itu bermakna satu projek pada masa yang satu Ada pembantu kerja yang tidak ada? Jika mereka berkata Pembantu memperkenalkan Pembantu kerja yang tidak ada? Biasanya itu bermaksud Pertanyaan tidak ada Kerana anda tidak ada fokus Ya, maaf Bagaimana anda melihat Prosesan agar AI Sekarang anda menunjukkan Prosesan agar AI Dan prosesan agar AI Jadi Apa yang berlaku Prosesan agar AI Memperkenalkan perasaan agar AI Oh, ia menjadi lebih popular Saya bukan hanya yang melakukan ini Bila saya melakukan penjara Pada sebuah pembantu ini Saya sebenarnya memperkenalkan Pertanyaan untuk beberapa orang Jadi jika anda memperkenalkan Ada beberapa block Jadi, saya bercakap Banyak orang bercakap tentang AI Sebenarnya Sebenarnya Ya Bagaimana perasaan Bagaimana perasaan anda rasa Mereka sebenarnya membuat Perasaan agar AI Perasaan segera Saya akan kata Ia masih sebuah konsep Ia masih sebuah idea Dan AI sendiri Ia masih sebuah Jadi, kami masih memperkenalkan Bagaimana perasaan yang saya menunjukkan Mereka terutamanya Sangat baru Ya, tapi Kita ada sebuah prosesan Kita ada sebuah prosesan Tapi ya Yang lain sebenarnya Sangat baru Jadi, kami masih memperkenalkan Jadi, kami masih memperkenalkan Bagaimana perasaan untuk meningkat Tapi, perasaan itu Jadi, setiap perasaan sekarang Untuk kami untuk memperkenalkan Pertama-tama perasaan Kamu mungkin perlu Memperkenalkan beberapa AI Dan sesuatu yang lain Jadi, ia bukan hanya Untuk perasaan perasaan Untuk perasaan tidak terlalu baik Untuk bank, pengguna Bahkan Sebenarnya Apa yang kamu katakan Mereka juga mempunyai AI Ya, di mana-mana Ya Kamu ingat yang saya cakap Dan saya cakap Jika kamu fikir Macam ini Ini adalah kemampuan Sementara yang meretak Dan menunjukkan Kemunyian yang sigui Yang yang kamu men照inya Ia mencari kemampuan Dan kemampuan Bagaimana dengan projek AI? Gunungan Sangat panas Kerana Di situasi Sebenarnya sangat unik Jadi, kamu dapat mempunyai Kepuayaan yang banyak Seperti gila Pada perasaan Dan kecuali yang kamu bekerja Untuk saya Jika kamu ingin menunjuki yang mempunyai pembentangan ini, mungkin ia boleh dipercayai jika pembentangan anda mempunyai idea baru mereka mempunyai untuk cuba perkara baru dan ada komunikasi kemudian anda boleh mengubah banyak masalah yang mungkin akan mempunyai ok? anda memberitahu saya? anda berkongsi atau mempunyai reaksi? tidak, itu semua soal framework, pipeline dan jadi ya, ini ini hanya sedikit sub-set ini framework, pipeline framework, framework, framework ya minta maaf AI framework framework adalah kualitas yang mempercayai model anda pipeline adalah untuk anda untuk pipeline N2N bagaimanapun saya cakap, jika anda mempunyai N2N MLflow cuba mempunyai N2N Qubeflow adalah untuk pembedahan mereka juga mempunyai pipeline Qubeflow untuk membangun model anda minta maaf, minta maaf mempunyai matrix anda dan sebagainya ya model anda, akurasi model anda yang telah dibuat untuk mempunyai model anda dan sebagainya dan sebagainya jadi mereka adalah pembentangan machine pipeline Qubeflow MLflow mempunyai pembentangan yang berkongsi dengan pipeline yang mempunyai model anda dan Qubeflow adalah untuk pembedahan MLflow juga mempunyai pembedahan dan beberapa orang yang tidak ada di sini, saya tidak mempercayai mereka tapi ya, ada banyak pembentangan untuk pembedahan pembentangan model ini adalah pembentangan ada beberapa orang yang tidak mempunyai pembentangan ada banyak pembentangan untuk pembedahan jadi tidak mempunyai pembentangan ia mempunyai beberapa orang yang tidak mempunyai pembentangan dan tentu saja, seperti Microsoft Azure anda mempunyai Google ML dan kemudian anda mempunyai FB Learner semua pembentangan untuk mempunyai pembentangan untuk anda untuk memlepaskan pembentangan untuk anda untuk memlepaskan ini hanya mempunyai pembentangan yang sangat kecil untuk anda mempunyai saya akan berkata, jika anda tidak mempunyai pembentangan pembentangan adalah salah satu pembentangan yang anda boleh mempunyai ya tidak, beberapa pembentangan ini mungkin tidak untuk projek individu jadi ini adalah apabila kita bercakap tentang AGL AI terutamanya di kontek mempunyai untuk mempunyai pembentangan anda untuk projek kecil, anda mungkin hanya perlu menggunakan SK Learn atau Cafe atau TensorFlow dan itu cukup terima kasih banyak semua