Architektura systemów AI dla doradztwa finansowego
Opis
Większość projektów AI w sektorze finansowym nie upada z powodu złych algorytmów. Upada przez błędy architektoniczne, brak integracji z istniejącymi systemami i niedoszacowanie wymagań dotyczących jakości danych.
Zakres programu
Ten kurs skupia się na warstwie inżynieryjnej: jak projektować pipeline danych finansowych, dobierać modele do konkretnych zadań i budować systemy odporne na degradację jakości predykcji w czasie. Pracujemy z narzędziami takimi jak Apache Airflow, MLflow i FastAPI.
Uczestnicy projektują systemy zdolne do obsługi scenariuszy takich jak prognozowanie płynności finansowej przedsiębiorstwa, automatyczne kategoryzowanie transakcji czy wykrywanie anomalii w wydatkach.
Wymagania wstępne
Program wymaga znajomości Pythona na poziomie średnio zaawansowanym, podstaw uczenia maszynowego oraz doświadczenia z bazami danych SQL. Uczestnicy bez tego przygotowania powinni zacząć od kursu podstawowego.
Każdy uczestnik kończy kurs z działającym prototypem systemu wdrożonym w środowisku chmurowym, gotowym do prezentacji lub dalszego rozwijania.
Program
Struktura programu
- Etap 1 - Projektowanie pipeline danych
- Ingestion danych transakcyjnych, walidacja schematów, feature engineering dla modeli finansowych.
- Etap 2 - Dobór i trenowanie modeli
- Gradient boosting, sieci neuronowe LSTM do szeregów czasowych, porównanie podejść na danych finansowych.
- Etap 3 - MLOps w kontekście finansowym
- Wersjonowanie modeli, monitoring dryftu, automatyczne retrenowanie i alerty jakościowe.
- Etap 4 - Integracja z systemami zewnętrznymi
- Budowa API, integracja z systemami ERP i bankowymi, obsługa błędów i fallback.
- Etap 5 - Zgodność regulacyjna i audytowalność
- Wymagania RODO, dokumentacja modeli, logi decyzji i procedury wyjaśnialności dla audytorów.
Każdy etap kończy się przeglądem kodu z mentorem i oceną techniczną projektu.