The concepts and practices of Data Mesh and Data Fabric are data management’s new hot topics. These contrasting yet complementary technology and organisational approaches promise better data management through the delivery of defined data products and the automation of real time data integration.

But to succeed both depend on getting the data governance and data quality foundations right. To work Data Mesh requires strong governance of defined data sets and data products; Data Fabric relies on high quality information and well governed, standardised data.

This half day seminar will outline the main concepts and practices of Data Mesh and Data Fabric and consider the implications for data governance and data quality management. How should these traditional and foundational data disciplines evolve and adapt to meet the needs of these new trends? What new approaches and practices are needed? What are the implications for all data professionals?

Informacje szczegółowe

More organizations are seeking to transform themselves to become more digital and data driven.  Many have recognized that this will not be solely achieved by acquiring new technologies and tools.  Instead they are aware that becoming data-driven requires a transformation of existing business models, involving culture change, process redesign and re-engineering, and a step change in data management capabilities.

To deliver this holistic transformation, creating and delivering a coherent and overarching data strategy is essential.  Becoming data-driven requires a plan which spells out what an organisation must do to achieve its data transformation goals.  A data strategy can be critical in answering questions such as:  How ready are we to become data-driven?  What data do we need to focus on, now and in the future?  What problems and opportunities should we tackle first and why?  How do we assess a data strategy’s success?

This session will outline how to produce a data strategy and supporting roadmap, and how to ensure that it becomes a living and agile blueprint for change.

This session will cover:

• The relationship between business strategy and data strategy
• What a data strategy is (and is not)
• How to build a data strategy roadmap – the key components and steps
• Delivering the roadmap and its benefits – the critical role of data governance
• Personal use cases of successful data strategies and lessons learned

Generative Artificial Intelligence (AI) is becoming an integral part of our life and the interest in this technology is leading to an unprecedented consumers adoption rate. It is interesting and concerning that 73% of consumers globally place a high level of trust into it. That is why at Capgemini we believe that developing Generative AI solutions require a special attention to ensure the consumers trust is not misplaced.

We conducted a global survey of 1,000 organizations across 13 countries. Irrespectively of industry leaders’ approach, strong advocacy or “wait-and-watch”, for 96% of the organizations, Generative AI is at the top on the boardroom’s agenda. It is seen as a powerful tool capable of impacting the whole organizations functions

We prepared a guideline and recommend it to the organizations for their consumer-facing generative AI initiatives - a trusted, secure, sustainable, and ethical framework to deliver concrete business impact.

Punktem wyjścia do wdrożenia programu „MetaSpace” był szereg wyzwań w banku, w tym skupienie na aspektach regulacyjnych i doraźnym rozwiązywaniu stawianych przez wewnętrzne i zewnętrzne otoczenie regulacyjne wymogów, dziesiątki Exceli (często niespójnych), narzędzia obsługi słowników i przepływów danych, które nie „rozmawiają” ze sobą oraz to, że poszczególne procesy rozwijają się niekontrolowanie, jeśli chodzi o zakres utrzymywanych informacji o metadanych a rozwój ten nie miał wspólnej metodyki powoływania takich zmian. Dlatego podjęliśmy działania naprawcze mające na celu: ustalony, zgodny z narzędziem, ale jednak transparenty sposób zapisu modelu metadanych oraz wzorzec dla budowy modelu metadanych – "Kaskada Nadzoru".

W dalszej części prezentacji organizacja modelu w repozytorium GIT, CI/CD – szybkość wdrożeń zmian do modelu a bezpieczeństwo użytkowania MetaSpace, zwinne budowanie kontekstu informacji w narzędziu. Wreszcie jak wygląda odpowiedzialność za Informacje zawartą w metadanych. I chwila na wnioski końcowe - mimo, że „meta”, to wciąż są to dane! Jaki ETL dla Metadanych i jakie jest miejsce metadanych w kontekście regulacji wewnętrznych. I jak to wszystko (powinniśmy) automatyzować.

We will explore how organizations are driving value from their Enterprise data. Our clients have 25 Exabytes under management; Big Data is solved. Learn how to scale your data products within the Enterprise to deliver differentiated value. Generative AI is disrupting everything, so also we will discuss how you can unlock your trusted data, to deliver trusted AI. This will be an interactive session showing how the Cloudera Data Platform scales and delivers an open data lakehouse foundation for trust worth AI everywhere.

Każdy CDO chce wykazać wartość swoich danych. Skąd jednak może mieć pewność, że zapewnia organizacji dostęp do wysokiej jakości danych?

Podczas spotkania pokażemy, w jaki sposób szybciej dostarczać dane wysokiej jakości, zapobiegać typowym problemom z danymi, podnieść zaufanie do danych i kulturę danych oraz podejmować lepsze decyzję i poprawić wyniki finansowe.

Almost 85% Data Governance programs fail due to a lack of sufficient adoption and low engagement of business users as well as missing executive support and clear leadership, leading to ambiguity in goals, misalignment with organizational priorities, and insufficient resources to drive the initiatives forward. In this session, we want to share best practices and learnings gained from many years of experience implementing Data Governance programs across the globe, share examples from our clients, and provide tips and tricks on how to set up DG initiatives successfully.

Jak podejść do przetwarzania danych spełniając wymogi regulacyjno-prawne, zabezpieczyć procesy zarzadzania danymi i otworzyć całkowicie nowe możliwości działania? Na przykładzie jednej z implementacji platformy Soflab G.A.L.L. opowiemy jak zidentyfikować potrzeby, zbudować model DG i plan wdrożenia oraz przekonać do tego decydentów. Ponadto opowiemy czym różnią się założenia projektowe vs rzeczywistość projektowa, a także co w efekcie zyskujemy i jak te efekty możemy zmierzyć. Na koniec przedstawimy plany na rozwój kolejnych funkcjonalności i zastosowań Soflab G.A.L.L. oraz stworzenie nowych modeli biznesowych.

Metody uczenia maszynowego okazują się bardzo efektywne nie tylko w przypadku, kiedy zależności między badanymi wielkościami nie są znane. Niekiedy, nawet gdy już posiadamy wiedzę na temat dynamiki procesu, pozwalają one uzyskiwać przydatne wyniki i to mniejszym kosztem niż klasyczne metody numeryczne. W trakcie sesji skupimy się na trzech scenariuszach -począwszy od diagnostyki obrazowej, poprzez analizę pandemii grypy, a skończywszy na modelach językowych -w których znajomość charakteru tych zależności jest różna, a mimo to osiągane wyniki są satysfakcjonujące. Wszystkie przykłady zostaną omówione z wykorzystaniem najnowszego środowiska IBM służącemu zintegrowanej pracy grupowej z danymi: watsonx.

Porozmawiajmy o przykładach, doświadczeniu i najlepszych praktykach w zakresie zarządzania danymi wrażliwymi na środowiskach nieprodukcyjnych. Potraktujmy to zagadnienie holistycznie - począwszy od specyficznych potrzeb w zakresie anonimizacji i kiedy ją stosować, następnie jak zbudować business case? Jak wdrożyć projekt i zarządzać danymi wrażliwymi w odniesieniu do pozostałych procesów w organizacji? Jak zaangażować bezpieczeństwo i audyt oraz mierzyć wyniki inicjatyw? Na koniec przyjrzyjmy się szczegółom implementacji poszczególnych algorytmów anonimizacji i psedonimizacji.

Jak AI może pomóc CDO w osiągnięciu przewagi konkurencyjnej i efektywnym zarządzaniu danymi? Jak efektywnie wykorzystywać AI w biznesie? Jakie kierunki rozwoju czekają tą technologię? Czy AI będzie jedynie narzędziem wspomagającym procesy, czy może w przyszłości będzie miała zdolność do samodzielnego podejmowania decyzji?

Czy zbieranie i analiza danych czasu rzeczywistego jest krytyczne z biznesowego punktu widzenia? Z czego to wynika?

Co z technologicznego punktu widzenia jest trudniejsze, bardziej skomplikowane i bardziej ryzykowne w zbieraniu i analizie danych w czasie rzeczywistym vs dane off-line?”Jak pogodzić / ujednolicić / optymalizować procesy wokół data governance dla danych z obu obszarów (on-line i off-line)? Czy jest to możliwe?Czy w organizacjach, które znacie lub z którymi współpracujecie znajdują się takie obszary, procesy gdzie korzystanie z danych czasu rzeczywistego przyniosło więcej problemów niż korzyści?Jak Waszym zdaniem platformy i procesy wokół danych będą ewaluowały w kierunku analizy i zarządzania danymi czasu rzeczywistego?

W trakcie dyskusji przy stoliku skupimy się na tym, czy algorytmy, które już teraz potrafią wskazać procesy związane z rozwojem pandemii chorób zakaźnych, przewidzieć następstwa i wesprzeć podejmowanie decyzji w konfliktach zbrojnych, ale również przeczytać zawartość dokumentu i wskazać konkretne jego części, na które wcześniej zostały zdefiniowane pytania - będą miały bezpośrednie przełożenie na redukcję części etatów w naszych firmach? Jak bardzo wpłynie to na zmiany organizacyjne? Oraz jak szybko będziemy musieli przygotować odpowiedniej jakości dane niezbędne do skutecznego wykorzystania tych modeli?

Bieżące badania nad modelami uczenia maszynowego przewidują, że w ciągu dwóch dekad pracę na świecie starci ponad 14 mln ludzi – czy nasze firmy są już na to gotowe?

Do tej dyskusji gospodarz stolika firma AZ Frame zaprosiła osoby, które na co dzień doskonalą własne modele uczenia maszynowego: Firmę IBM – Watson X oraz Z-rays (grupa Omnilogy / AZ Frame), będącym autorskim modelem wspierającym procesy podejmowania decyzji w obszarach technologicznych.

Wszyscy wiemy, że dane są (a przynajmniej powinny być) podstawą do podejmowania decyzji w organizacji biznesowej. Jak jednak to ogólne stwierdzenie ma się do praktyki funkcjonowania dużych firm? Jak cały wysiłek związany z pozyskanie danych, ich przechowywaniem, budową ładu, analitykę danych ma się do faktycznie podejmowanych decyzji biznesowych? Czy tutaj są pewne typowe wzorce, właściwe schematy działania? Jak to wygląda w praktyce Waszych organizacji – a jak mogłoby wyglądać? Problem jest ważki, niebanalny i w dużej mierze niezbadany – porozmawiajmy o tym, czy jest coś takiego jak architektura podejmowania decyzji w oparciu o dane.

Jakie oczekiwania mają obecnie specjaliści w obszarze Data Management, Data Science i analityki – czyli czego spodziewają się kandydaci w rozmowach rekrutacyjnych i „dlaczego tak drogo”. Które specjalizacje są najbardziej poszukiwane i jak zmieniają się trendy w obszarze potrzeb rekrutacyjnych ze strony pracodawców. Oczekiwania pracodawców a realia rynku. Wpływ rozwoju obszaru Shared Services na rynek pracy w Polsce w obszarze specjalizacji data.

Na początku przyszłego roku wejdą w życie akty prawne Unii Europejskiej dotyczące sztucznej inteligencji (EU AI Act). Ten wytyczne mają potencjał zostania globalnym standardem, podobnie jak EU GDPR. Ważnym elementem proponowanej legislacji jest zaznaczenie roli jakości danych dla rozwiązań AI i wskazanie konieczności zastosowania dodatkowych mechanizmów dotyczących Data Governance oraz ogólnie zarządzania danymi. W prezentacji przedstawione zostanie konieczność rozszerzenia niektórych praktyk zarządzania danymi, zarządzania ryzykiem, dodatkowej dokumentacji oraz narzędzi. Poddane większej uważności prawodawcy będą np. następujące tematy: zbieranie danych, labelling, metody czyszczenia i usuwania wartości brzegowych, wybieranie, przechowywanie i archiwizacja zestawów danych używanych do trenowania modeli AI, wdrożenie dodatkowych kontroli i monitoringu.

Czy zespoły cyber powinny być zaangażowane w zarzadzanie danymi? Czy istnieje tutaj synergia do wspólnego działania. Czy trudno jest odnaleźć się osobie z cyber w zespołach data? W jaki sposób spróbować połączyć dwa światy: bezpieczeństwa i data? Dlaczego ludzie od data nie mogą zapominać o cyberbezpieczeństwie i w jaki sposób (i kiedy) zaangażować zespoły cyber w prace Data Analytics? Nowoczesny model zarzadzania danymi – podejscie produktowe. Podejście Data Centric Security Model.

Danych w administracji publicznej jest mnóstwo. Różnorodnych, jawnych, otwartych i poufnych, należących do obywateli i do państwa - do samorządów czy administracji centralnej. Wielki ocean danych. Czy potrafimy po nim nawigować? Jakie wyzwania związane z budowaniem ładu w danych są wspólne dla administracji państwowej i organizacji biznesowych, a które stanowią specyfikę 'publika'? Kto się zajmuje budową Data Governance w administracji publicznej? Kto dba o ich jakość i spójność? Kto w sektorze administracji publicznej optymalizuje zasoby danych pod względem wdrożenia analityki i wyciągania insightów? Czy są tutaj jacyś Chief Data Officerowie? Czy inicjatywy centralne jak AIP (Architektura Informacyjna Państwa) adresują ten temat? Czy widać przepływ know how między administracją publiczną a biznesem w zakresie Data Management? Co dalej – co może i co powinno się zmieniać?

Podczas warsztatu poruszymy zagadnienia związane z obszarami DG, które na podstawie naszych doświadczeń są najważniejszymi i najczęściej wykorzystywanymi obszarami programu DG, Według nas te obszary to:

• Zarządzanie danymi jako zasobem strategicznym
• Zarządzanie właścicielstwem danych
• Zarządzanie jakością danych
• Zarządzanie metadanymi
• Zarządzanie zgodnością z regulacjami

Więcej

Zapraszamy Cię na fascynującą podróż w świat dużych modeli językowych (Large Language Models - LLM) dostępnych na platformie IBM WatsonX! Podczas warsztatów, będziemy eksplorować możliwości, jakie oferują modele LLM stworzone przez firmę IBM oraz te rozwijane przez społeczność Open Source. Nasza grupa prelegentów pokaże Ci praktyczne zastosowania tych modeli i przybliży typowe przypadki ich użycia.

Nie zabraknie także prezentacji demo aplikacji opartej na modelu LLAMA2, która z pewnością zainspiruje Twój Zespół do tworzenia własnych rozwiązań. Chcemy, abyś dołączył do nas podczas tych warsztatów, gdzie odkryjesz metody interakcji z modelami LLM, które pozwolą Ci w prosty sposób wydobyć, niedostępne do tej pory tak łatwo, informacje z treści nieustrukturyzowanych. Nie przegap tej okazji do rozwoju swoich umiejętności!

Więcej

Podczas warsztatu zanurzymy się w fascynującym świecie sztucznej inteligencji. Przejdziemy przez bieżące trendy, omówimy narzędzia i zastanowimy się nad potencjalnymi ograniczeniami AI. Przyłożymy szczególną wagę do analizy praktycznych zastosowań generatywnej AI, które przynoszą rzeczywiste korzyści w środowisku biznesowym. Zapoznamy się również z kluczowymi technikami prompt engineeringu, które pomagają poprawić efektywność pracy z AI. Prowadzący nie skupi się wyłącznie na aspektach technicznych i biznesowych generatywnej AI, ale także na kwestiach moralnych i socjologicznych, które są kluczowe dla udanego wdrożenia sztucznej inteligencji w organizacjach.

Więcej