DIGITAL
для топ-менеджеров
ПРОГРАММА АКАДЕМИИ ТЕХНОЛОГИЙ И ДАННЫХ
КОРПОРАТИВНЫЙ УНИВЕРСИТЕТ СБЕРБАНКА
Программа находится в разработке
Close
ЦЕЛИ ПРОГРАММЫ
Обучение топ-менеджмента передовым технологиям, возникающим на их основе новым бизнес-моделям, основам программирования и практической аналитике данных и искусственному интеллекту в условиях DevOps и утвержденной архитектуры на примере создания прототипа цифрового сервиса на основе AI и открытых API в составе marketplace в ходе осуществления учебного проекта.
ПРЕПОДАВАТЕЛЬСКИЕ РЕСУРСЫ
Внутренние: Корпоративный университет (Академия технологий и данных), Виртуальная Школа.
Внешние (в проработке): Nanyang Technological University, Hong-Kong University of Science and Technology, МФТИ, ВШЭ, Сколтех, Яндекс, Mail.ru.
ФОРМАТ ОБУЧЕНИЯ
- Сквозной практический проект по созданию маркетплейса с AI-сервисами и компонентами
- 2 очных модуля (в ведущем зарубежном IT-университете и Кампусе КУ)
- Межмодульная работа
- Дистанционное обучение, самостоятельная работа, практические задания
ОЦЕНКА ЗНАНИЙ И НАВЫКОВ
Предусмотрены промежуточные/итоговые тестирования, совместные с бизнес-подразделениями Банка практические подпроекты, тестирование финального проекта в реальном контуре Банка
ОЖИДАЕМЫЕ РЕЗУЛЬТАТЫ ОБУЧЕНИЯ
Выпускник будет обладать глубокими познаниями в ключевых технологиях цифровой экономики, понимать возможности и тонкости внедрения этих технологий в бизнес-процессы компании, обладать практическими навыками создания технологических AI-продуктов. Банк получит прототип нового сервиса для реализации в экосистеме
Программа реализуется при участии ключевых партнеров:
Индустриальные партнеры (в проработке):
Проектная работа
За время обучения слушатели с нуля создадут собственный программный продукт: маркетплейс банковских AI-сервисов, а также и сами сервисы, в основе которых лежит искусственный интеллект. Слушатели также разработают собственное мобильное приложение для взаимодействия с этими сервисами. Учебный материал выстроен в соответствии с основными этапами разработки продукта, включая проектирование, разработку архитектуры, программирование, DevOps, Data Governance, машинное обучение и искусственный интеллект.
1
Проектирование и создание marketplace для AI-продуктов
2
Выбор продукта банка (ФЛ, ЮЛ) для разработки проекта, проработка интеграции инструментов AI
3
Разработка мобильного приложения для клиентов – весь жизненный цикл разработки DevOps
4
Реализация жизненного цикла приложения с применением средств, методов и инструментов анализа данных, AI, моделирования и Data Governance
Содержание модулей


Определение темы, целей и задач по проекту
Дистанционный модуль - 3 недели
- Разработка концепции ИТ-сервиса для marketplace на основе AI
- Процесс запуска модулей в эксплуатацию
- Полноценная интеграция с внутренними и внешними системами
- Использование технологий OpenSource
- Масштабирование и оптимизация под высокую нагрузку


Архитектура ИТ, выбор платформы и технологий
Дистанционный модуль - 2 недели
- Глобальные тренды и вызовы в ИТ
- Технологическая стратегия Сбербанка
- Основы ИТ архитектуры
- Корпоративная модель данных
- Экосистема, платформа Банка


Разработка, программирование
Дистанционный модуль - 5 недель
- Базис основных языков программирования (Python, Java)
- Основы web-разработки (HTML, JavaScript, Web API, React)
- Создание одностраничного веб-приложения
- Вычислительные задачи
- Работа с файловой системой
- Работа с внешним API
- Базы данных, функции и библиотеки обработки данных
- Объектно-ориентированное программирование
- Обзор фреймворков
- Подводные камни разработки


Определение и получение данных из АС, создание витрин
Дистанционный модуль - 2 недели
- Формирование требований к АС с выборками данных
- Разработка концепции АС
- Техническое задание
- Эскизный проект
- Технический проект
- Рабочая документация
- Ввод в действие
- Организация сопровождения АС


Разработка мобильных приложений
Дистанционный модуль - 3 недели
- Разработка мобильных приложений для iOS (Swift, Objective C)
- Разработка мобильных приложения для Android (Java, Kotlin)
ОЧНЫЙ МОДУЛЬ
ОЧНЫЙ МОДУЛЬ
Визит в Nanyang Technological University (Singapore)
Очный модуль - 5 дней
- Лекции, воркшопы, семинары
- Работа в командах над проектами
- Визиты в технологические компании


Инструменты и модели: Artificial Intelligence, DataScience, DataGovernance
Дистанционный модуль - 3 недели
Data Governance
- Data management overview
- Data governance
- Data architecture management
- Data development
- Data operations management
- Data security management
- Reference and master data management
- Data warehousing and business intelligence management
- Document and content management
- Meta-data management
- Data quality management
- CDMP exam guidelines

Data Science
- Main problem statements in Data analysis
- Python as the main tool in modern Data analysis
- Classification and regression problems, generalized linear models
- Decision trees
- Ensemble learning
- Feature selection and dimension reduction
- Cluster analysis
- Processing of structural data, neural networks
- Main tools for processing of massive data sets
- Graphical models, Bayesian approach
- Problem solving in Data analysis

AI
- Основы искусственного интеллекта
- Команда и роли в ИИ проектах
- Азы машинного обучения
- Классическое машинное обучение
- Пример решения задачи машинного обучения
- Машинное обучение на практике
- Deep Learning
- Natural Language Processing
- Reinforcement Learning
- Передний край ИИ


Производственный процесс, DevOps
Дистанционный модуль - 2 недели
- Общие сведения о DevOps
- Continuous Integration (CI)
- Среды
- Continuous Delivery (CD)
- Другие практики DevOps
- Инструменты DevOps


DevOps-мониторинг, AutoTests, Инфраструктура, Delivery, Ops
Дистанционный модуль - 3 недели
- Введение в тестирование программного обеспечения
- Методы и виды тестирования. Анализ требований к ПО
- Тестовая документация. Тест-план, тест-дизайн
- Тестовая документация. Test Case. Отчет о прохождении тестов
- Техники тестирования
- Уровни тестирования. Критерии покрытия кода программы тестами
- Виды тестирования: функциональное и нефункциональное тестирование
- Тестирование пользовательского интерфейса (GUI). Тестирование web-приложений
- Регрессионное тестирование
ОЧНЫЙ МОДУЛЬ
ОЧНЫЙ МОДУЛЬ
Очный модуль в Кампусе КУ
с участием ключевых партнеров
Очный модуль - 5 дней
- Лекции, семинары, воркшопы
- Работа в командах над проектами


Blockchain
Дистанционный модуль - 1 неделя
- Введение в блокчейн, основные термины
- Принципы работы блокчейн
- Обзор основных блокчейн-фабрик и их отличий (HyperLedger, Ethereum, Corda)
- Блокчейн на финансовом рынке (R3, Chain, Ripple, Digital Trade Consortium и пр)
- Обзор технологических блокчейн-платформ (IBM,Microsoft, SAP)
- Технические аспекты (Топология ключевых участников блокчейн-сети, IoT, когнитивные технологии, PBFT, PoW, PoS)
- Блокчейн-разработка (практические аспекты) Использование HyperLedger Composer
- Блокчейн - экосистема. Смарт контракты
- Разбор кейсов из финансовой и банковской отрасли; опыт Сбербанка (внутренние преподаватели Банка)
- Правовые и регулятивные аспекты применения Блокчейн, российский и зарубежный опыт
- Актуальные тренды и обзор криптоэкономики (ICO, крипто валюты, цифровые валюты и прочие примеры цифровых активов


Инструменты и модели: Data Engineering, Python для анализа данных, Deep Learning, Reinforcement Learning
Дистанционный модуль - 3 недели
Data Engineering
- Что такое Hadoop?
- Распределенная файловая система HDFS
- MapReduce. Введение
- Решение задач с помощью MapReduce
- Алгоритмы на графах в MapReduce
- Pig и Hive
- NoSQL базы данных: HBase и Cassandra
- Spark
- YARN. MapReduce 2.0

Python для анализа данных
- Python - изучение строения и функционального взаимодействия языка
- Изучение основ ООП. Классы и методы
- Знакомство с пакетами pandas и numpy
- Возможности pandas для анализа данных
- Визуализация данных в Python. Использование библиотек matplotlib, pandas
- Продвинутые методы визуализации на Python
- Построение интерактивных диаграмм с помощью plotly и bokeh

Deep Learning
- From Machine Learning to Deep Learning
- Deep Neural Networks
- Relus, the chain rule, and backpropagation.
- L2 regularization, and dropout.
- Train a competitive deep network via model exploration and hyperparameter tuning.
- Convolutional Neural Networks
- Explore the design space for convolutional nets.
- Deep Models for Text and Sequences

Reinforcement Learning
- Reinforcement Learning Basics
- Introduction to BURLAP
- TD Lambda
- Convergence of Value and Policy Iteration
- Reward Shaping
- Exploration
- Generalization
- Partially Observable MDPs
- Options
- Topics in Game Theory
- Further Topics in RL Models


Кибербезопасность
Дистанционный модуль - 1 неделя
- Основные кибер-угрозы методах противодействия и роли в развитии культуры кибербезопасности
- Техники аудита безопасности веб-проектов. рисков, сопровождающих современные интернет-приложения
- Методики анализа безопасности клиент-серверных приложений
- Методики анализа кода
- Архитектурный анализ
- Практики разработки защищенных приложений


Запуск прототипа и защита проекта
Итоговый выпускной проект, оценка ФЭО, защита - 5 недель

Made on
Tilda