详细内容或原文请订阅后点击阅览
Preetham Reddy Kaukuntla，员工数据科学家 - 融合统计和ML影响力，指导业务有意识的数据科学家，平衡速度和可扩展性以及AI Leadersition的未来
在这次采访中，我们与Glassdoor的员工数据科学家Preetham Reddy Kaukuntla进行了交谈，谈到了AI驱动决策的不断发展的需求。 Preetham分享了统计分析，实验和机器学习如何融合可衡量的影响，并为指导数据科学家提供针对业务为导向的思维的见解。从平衡短期结果和长期可扩展性到塑造[…]
来源:AI Time Journal在这次采访中，我们与Glassdoor的员工数据科学家Preetham Reddy Kaukuntla进行了交谈，谈到了AI驱动决策的不断发展的需求。 Preetham分享了统计分析，实验和机器学习如何融合可衡量的影响，并为指导数据科学家提供针对业务为导向的思维的见解。从平衡短期结果和长期可扩展性到塑造AI领导的未来作用，他的观点揭示了数据科学的战略和实践方面。
Preetham Reddy Kaukuntla在这里探索更多访谈：Lemurian Labs的联合创始人兼首席执行官Jay Dawani：可访问且可持续的AI开发
Lemurian Labs的联合创始人兼首席执行官Jay Dawani：可访问且可持续的AI开发开发您的旅程反映了统计，实验和机器学习的强烈融合。您能带我们度过一个决定性的时刻，这些支柱融合了至关重要的业务影响吗？
一个决定性的时刻是在我们在Glassdoor的通知平台大修中进行的，挑战是在不增加消息疲劳的情况下改善参与度。我们从对历史参与数据的统计分析开始，该数据揭示了关键的行为部门，例如，高价值求职者在一天中的特定时间对某些工作类型做出了反应。此步骤不仅确定了“什么”，而且还确定了合理的“为什么”模式，背后的模式下降了。
统计分析从那里，我们设计了受控的实验，以测试不同的抑制规则，时机调整和内容变化。例如，一项测试比较了每日与自适应发送的时间表，以在几周内测量点击，启动启动和搅动。
设计的受控实验 将操作到ML驱动的靶向管道您能否分享一个项目的示例，即影响不立即可见而是随着时间的流逝而被证明是变革性的？