AI, Machine Learning & Big Data for Banks & Financial Institutions Eğitimi

  • Eğitim Tipi: Classroom / Virtual Classroom / Online
  • Süre: 2 Gün
  • PDF indir
  • Bu eğitimi kendi kurumunuzda planlayabilirsiniz. Bize Ulaşın!

Büyük Veri ve Yapay Zeka’nın sunabilecekleri imkanlar ile birlikte insan zekası ve uzmanlığı, verilerden bir değer yaratma konusunda temel rolünü sürdürmeye devam ediyor. Finansal hizmetler konusunda uygulamaya konulan ilk büyük veri girişimleri, mevcut işletmelere yönelik kritik başarı faktörlerini tanımlayamaması nedeniyle genelde başarısız oldu. Peki sizin şu anki başarılarınızın hangileri verilerle daha da geliştirilebilir? Veriler, farklı iş fonksiyonlarından elde edilebilir mi? Kurumunuz bünyesinde doğru yeteneklere sahip misiniz? Doğru sonuçlar ölçülmekte midir?

Kazanan bir veri stratejisinin tasarlanması ve yürütülmesi, işletmenizin destekleyebileceği veri girişimleri ve bu girişimleri hayata geçirebilecek teknoloji kadar önemlidir. Bu grup çalışması, katılımcılara bir yandan veri stratejilerinin uygulanabilir halde kalmasını sağlarken bir diğer yandan da en değerli sonuçların elde edilmesini amaçlayan bir yöntem olan Büyük Veri Kanvası’nı tanıtmaktadır.

Herhangi bir önkoşul yoktur.

  • İş Geliştirme Yöneticileri
  • İş Zekası Sorumluları
  • Veri Sorumluları
  • Finansal Analistler
  • Şirketlerde Finansal Konularda Karar Vericiler
  • Genel Müdürler
  • Yatırım, Ticari ve Bireysel Bankacılar
  • Yönetim Danışmanları
  • Pazarlama Müdürleri
  • Operasyon Müdürleri
  • Proje Yöneticileri
  • BT personeli

Bu eğitimin tamamlanmasının ardından:

  • Çeşitli finansal uygulamalarda büyük verilerin, analitiklerin ve veri biliminin dinamiklerini kavrayabileceksiniz.
  • Bir kuruluşun Büyük Veri stratejisine yönelik Kritik Başarı Faktörlerini tanımlayabileceksiniz.
  • Veri biliminin en iyi uygulamalarından faydalanarak kuruluşunuzun büyük veri stratejisini şekillendirebileceksiniz.
  • İşletmenizin ihtiyaçlarını veri profesyonellerine açık bir şekilde iletebileceksiniz.

Hedefler

  • Makine öğreniminin ve büyük veri analitiğinin Finansal Hizmetler sektöründe karar verme sürecini nasıl şekillendirdiğini anlama
  • Bir kuruluşun Büyük Veri stratejisine yönelik Kritik Başarı Faktörlerini tanımlama


Oturum I

Büyük Veri ve Makine Öğreniminin Temelleri

  • Temel Büyük Veri ve Makine Öğrenimi kavramları
  • Büyük Veri ve Finansal Analitik alanında En Yeni Teknolojiler ve Gelişmeler
  • Finansal Hizmetler sektörü üzerindeki etkisi
  • Finans alanında karşılaşılan ve Makine Öğrenimi / Büyük Veri analitikleri kullanılarak çözülebilecek sorunlar
  • Makine Öğrenimi süreci: Veri’den Öngörü’ye


Oturum II

Başarılı bir Büyük Veri Stratejisinin temel unsurları

  • Büyük Veri Stratejisine yönelik ihtiyaç
  • Büyük Veri Stratejisinin stratejik fırsatları ve olanakları
  • Büyük Veri Stratejisinin altı temel unsuru:
    • Veri: Buna, veri yönetişimi, veri mimarilerinin yeniden düzenlenmesi, Gizlilik ve yasalarla uyumluluk dahildir
    • Tanımlama: Buna, Büyük Veri / Makine Öğrenimi teknikleri kullanılarak harmanlanabilecek iş fırsatlarının belirlenmesi dahildir
    • Modelleme: Buna, veri modellerinin performansı nasıl iyileştirebileceğinin ve iş sonuçlarının nasıl en verimli hale getirilebileceğinin belirlenmesi dahildir
    • Araçlar: Buna, verilerin yönetilmesi ve analizi için doğru Büyük Veri Altyapısı ve Araçlarının seçimi dahildir
    • Yetkinlik: Buna, doğru ölçülerde ve karışımda doğru yetenek havuzunun toplanması için bir yol haritasının oluşturulması dahildir
    • Uyarlama: Buna, şirket kültürünün düzenlenmesi ve ön cephedeki karar vericilerin, modelleme sonuçlarını anladıklarından ve kendi iş kararlarına ve temel stratejilerine uyguladıklarından emin olunması dahildir


Oturum III

Büyük Veri Projelerinin Çalışma Çerçevesi : Büyük Veri Kanvası

  • Büyük Veri Stratejisinin geliştirilmesi, benimsenmesi ve bu stratejiye göre hareket edilmesi için uygulanan çalışma çerçevesi
  • Eski sistemlerden verilerin topluca yeniden düzenlenmesi ve verilerin harici veri kaynaklarından temini de dahil olmak üzere verilerin doğru kaynaklardan elde edilmesi
  • Uyumluluk yükümlülükleri ve yasal yükümlülüklerin yerine getirilmesi ile birlikte eşzamanlı olarak verilerin veri profesyonellerinin kullanımına sunulmasının sağlanması amacıyla verilere erişim kontrolünü sağlayabilmek için kuruluş çapında bir veri yönetişim standartının uygulamaya konulması
  • Temel iş sorunlarının tanımlanması ve Büyük Veri / Makine Öğrenimi’nin iş sonuçlarının en verimli hale getirilmesine nasıl yardımcı olacağının belirlenmesi
  • Verilerin saklanması, dönüştürülmesi ve modellenmesi için uygun altyapı ve araçların kullanılmasının sağlanması ve nihayetinde müşteriyle yüzyüze olan yöneticilere modelleme sonuçlarının sunulması
  • Doğru karışıma sahip doğru yetenek havuzunu oluşturarak yetkinliklerin geliştirilmesi. Buna, Veri Bilimi Yöneticilerinin, Veri Bilimadamlarının, Veri Geliştiricilerin, Yazılım Geliştiricilerin ve İş Analistlerinin işe alınması/eğitilmesi dahildir
  • Bir büyük veri projesinin başarılı/başarısız olduğunu belirlemek üzere doğru iş metriğinin seçilmesi
  • Muhtemelen en önemli eylem ise yöneticilerin, Büyük Veri’nin değerini ve Büyük Veri’nin şirketin temel stratejisine dahil edilmesinin önemini fark etmelerini sağlamak suretiyle şirket kültürünün düzenlenmesidir.


Ekip Çalışması I

Büyük Veri Kanvasının Doldurulması

  • Katılımcılar, ilk 3 oturumda öğrendikleri bilgiler doğrultusunda bir ön Büyük Veri Stratejisi oluşturmak üzere ekipler halinde çalışırlar.
  • Her bir ekibe boş bir Büyük Veri Kanvası verilir
  • Her bir ekip üyesi, tartışılan Büyük Veri Stratejisi’nin tüm unsurlarını (Veri, Modelleme, Araçlar, Yetkinlik, Uyarlama) ve Maliyet ve Değer Katma gibi diğer unsurları kapsayacak şekilde beyin fırtınası yaparak Büyük Veri Kanvasını doldurmalıdırlar.


Oturum IV

Büyük Veri Ortamı

  • Büyük Veri Uygulaması için kullanılabilecek farklı teknik bileşenlere ve çözümlere genel bakış
  • Finans alanında karşılaşılan bir dizi sorun, yetenekli çalışanların mevcudiyeti ve şirket kültürü doğrultusunda uygun çözüm kümesinin seçilmesi
  • Buna, Altyapı, Makine Öğrenimi, Analitik, Uygulamalar, Veri Kaynakları ve Eğitim alanlarında büyük veri tedarikçileri ekosisteminde doğru tedarikçinin seçilmesi de dahildir
  • Özel Tedarikçi Ürünleri ile Açık Kaynak yazılım çözümleri arasında seçim yapmanın avantajları, dezavantajları ve göz önüne alınması gereken noktalar


Oturum V

Büyük Veri: Organizasyonel Engellerin Üstesinden Gelme Taktikleri ve En İyi Uygulamalar

  • Sık karşılaşılan organizasyonel engellere genel bakış
  • Kurum içindeki farklı fonksiyonların entegrasyonuna imkan sağlayan ve veri erişimini denetlemek suretiyle veri gizliliği ve yasal uyum yükümlülüklerini yerine getiren Büyük Veri - Veri Yönetişimi platformunun etkili kullanım anahtarları
  • Veri modelleyicilerine sorunsuz veri erişimi ve karar vericilere işlerle ilgili bilgileri sunmanın yolları
  • Ölçeklenebilir BT altyapısı ve eski sistemlerin varlığı nedeniyle bunun eksikliği


Ekip Çalışması II

Uygulama Yol Haritaları ve Acil Durum Planları

  • Katılımcılar, Büyük Veri Kanvaslarının uygulama zorluklarına karşı dayanıklılığını test etmek amacıyla ekipler halinde çalışır
  • Ekip üyeleri, Büyük Veri Stratejileri için birden çok acil durum planı olan bir uygulama yol haritası tasarlamalıdırlar
  • Bu amaçla, Büyük Veri Kanvasları ile ilgili uygulama zorluklarını içeren bir dizi beklenmedik durum belirlenecek ve ekiplere dağıtılacaktır ve ekipler de acil durum planlarına bu zorluklarla ilgili çözümlerini dahil etmelidir
  • Her gruptan bir gönüllü, tartışmalarından elde ettikleri temel bulguların sunumunu yapacaktır


Gözden Geçirme ve Tartışma


Hedefler

  • Bankacılıktaki çeşitli uygulama alanlarında büyük verilerin, analitiklerin ve bilgilerin dinamiklerinin takdiri
  • İşletmenizin ihtiyaçlarını veri profesyonellerine aktarmaya yönelik iletişim becerileri


Örnek Çalışmalar I

Büyük Veri: Finanstaki Uygulama Alanları Bölüm I

  • Dalgalanma Tahmini ve Önlenmesi
  • Kredi Temerrüdü Hesaplaması/Tahmini
  • Kantitatif Alım/Satım
  • Duyarlılık Analizi
  • Haber kaynaklarının/sosyal medyanın doğal dille işlenmesi


Ekip Çalışması III

Örnek Çalışmaların Kavramsallaştırılması

  • Katılımcılar, örnek çalışmaları incelemek ve bu örnekleri kendi kuruluşlarına ve karşılaştıkları zorluklara uyarlamak için ekipler halinde çalışacaktır.
  • Ekipler, kendi fikirlerini sunacaktır.
  • Eğitmen, bu uygulamaların kuruluşları nasıl olumlu etkileyeceğini değerlendirecektir


Oturum VI

İş Hedeflerinin Veri Profesyonellerine İletilmesi

  • İş sorunları belirlendikten sonra, bu fikirlerin veri bilimadamlarına etkin bir şekilde iletilmesi önemlidir
  • Profesyonellerle teknik veya kantitatif arka plan ile iletişim kurmak için en iyi iletişim uygulamaları


Ekip Çalışması IV

Gereksinimlerin Veri Profesyonellerine Aktarılması

  • Katılımcılar, önceki ekip çalışmalarında tartışılan bir veya daha fazla sayıdaki iş hedefini değerlendirmeli ve kısa bir sunum şeklinde olmak üzere bir strateji geliştirip sunmalıdır


Örnek Çalışmalar I I

Büyük Veri: Finanstaki Uygulama Alanları Bölüm II

  • Pazar/Müşteri Segmentasyonu - Hedefe Yönelik Pazarlama
    • İlave finans ürünü satışı
    • Çapraz finans ürünü satışı
  • Anormallik Tespiti
    • Müşteri Sahtekarlığı Tespiti - Karapara Aklama veya Hırsızlık
    • Çalışan Sahtekarlığı Tespiti - Kanunsuz Alım/Satım
    • Risk Yönetimi ve Kontrolü


Ekip Çalışması V

Örnek Çalışmaların Kavramsallaştırılması

  • Katılımcılar, örnek çalışmaları incelemek ve bu örnekleri kendi kuruluşlarına ve karşılaştıkları zorluklara uyarlamak için ekipler halinde çalışacaktır.
  • Ekipler, kendi fikirlerini sunacaktır.
  • Eğitmen, bu uygulamaların kuruluşları nasıl olumlu etkileyeceğini değerlendirecektir


Oturum VII

Geleceğin Finansal Hizmetleri: Verilerinizden Faydalanmanın Zamanı

  • Önümüzdeki 3 yıl içinde finansal hizmetleri etkileyecek kilit veri teknolojilerini ve veri gelişmelerini belirleme
  • Veri mimarisi, yönetişimi, gizliliği, uyumluluğu ve stratejisi ile ilgili değişen ortam


Oturum VIII

Değişen Finans Teknolojisi - Verilerin Rekabetçi Avantajı

  • Finans teknolojisi firmalarının klasik finansal hizmet sağlayıcılarına yönelik yarattıkları riskler neler ve bu riskler nasıl karşılanabilir?
  • Blok zinciri (işlemlerin doğrulanması için dağıtık bir genel ana hesap defteri) gibi teknolojiler, finans kurumlarını temel düzeyde zorluyor
  • Depolanan verilerden elde edilen değerler, bankacılara adil olmayan bir avantaj sunuyor. Finans teknolojisi firmaları, en yeni teknolojileri kullanarak ürünler geliştirmek suretiyle daha büyük çaptaki finans kurumlarının eski sistemlerini zorlarken yıllar boyunca toplanan verileri hiçbir şekilde zorlayabilecek yapıda değiller.


Gözden Geçirme ve Tartışma

  • Grup çalışması sırasında ele alınan temel konuların özeti
  • Büyük Veri Stratejinizi geliştirmek ve yürütmek için daha büyük bir kapasiteyi nasıl geliştirebileceğinize ilişkin rehber ve kaynaklar


AI, Machine Learning & Big Data for Banks & Financial Institutions Eğitimi hakkında ilginizi çekebilecek yazılar

2020'YE DAMGA VURACAK 5 YAPAY ZEKÂ TRENDİ

PYTHON'I BU KADAR ÖZEL KILAN NE?

2020 PROJE YÖNETİMİ TRENDLERİ

YAPAY ZEKA TABANLI SİBER GÜVENLİK İNSAN HATALARININ SONUNU GETİREBİLİR Mİ?

PYTHON İLE NELER YAPILABİLİR?

DERİN DÜŞÜNCE'DEN DERİN ÖĞRENME'YE

YAPAY ZEKÂ UYGULAMA ALANLARI

YAPAY ZEKÂ VE MAKİNE ÖĞRENİMİ İÇİN PYTHON

GPT-3 İLE YAPAY ZEKÂDA YENİ BİR DÖNEM

YAPAY ZEKÂ VE TÜRLERİ

DEEP LEARNING & MACHINE LEARNING

Eğitime kayıt olmak, eğitim planlamak ve diğer tüm konular için bize ulaşın!

+90 212 282 7700
info@bilginc.com