))
Luigi De Costanzo, la formazione del Data Engineer
Serie archiviate ("Feed non attivo" status)
When?
This feed was archived on February 05, 2023 13:27 (
Why? Feed non attivo status. I nostri server non sono riusciti a recuperare un feed valido per un periodo prolungato.
What now? You might be able to find a more up-to-date version using the search function. This series will no longer be checked for updates. If you believe this to be in error, please check if the publisher's feed link below is valid and contact support to request the feed be restored or if you have any other concerns about this.
Manage episode 317046582 series 2515045
Contenuto fornito da Radio 24 Il Sole 24 ore and Radio 24. Tutti i contenuti dei podcast, inclusi episodi, grafica e descrizioni dei podcast, vengono caricati e forniti direttamente da Radio 24 Il Sole 24 ore and Radio 24 o dal partner della piattaforma podcast. Se ritieni che qualcuno stia utilizzando la tua opera protetta da copyright senza la tua autorizzazione, puoi seguire la procedura descritta qui https://it.player.fm/legal.
La formazione del Data Engineer
Negli ultimi 5-10 anni e soprattutto negli ultimi tempi di accelerazione digitale, le nuove tecnologie hanno permesso alle aziende di acquisire grandi quantità di dati su processi e persone coinvolte nel loro business e le hanno spinte a progettare modelli digitali di gestione delle proprie attività grazie al supporto iniziale di Data Scientist. Ma poichè c'è stata una grande maturazione tecnologica e organizzativa proprio in questo ambito, si apre ora la possibilità addirittura di ingegnerizzare i modelli-prototipi e applicarli su grande scala nella gestione reale di processi e attività che costituiscono il core business dell'azienda. Questo vuol dire che per raggiungere questo obiettivo, l'interesse delle aziende si sta spostando dalla figura del Data Scientist a quella del Data Engineer. Quest'ultima è una figura più concreta e dedicata all'applicazione pratica dei modelli sviluppati dal Data Scientist. È infatti un professionista capace di trasformare il modello teorico di digitalizzazione ideato su scala ridotta dal Data Scientist in un sistema funzionante, aggiornato alla complessità quantitativa e qualitativa di dati e funzioni comprese nelle attività quotidiane dell'azienda. Nella progressione di carriera, per accumulo di esperienza, il Data Engineer passa poi ad essere una figura di Business Translator. Quest'ultimo è il professionista che, come "regista esperto", chiude definitivamente il cerchio nel processo che ha portato prima il Data Scientist a estrapolare da attività reali modelli digitali e poi il Data Engineer a trasformare il prototipo in sistema ingegnerizzato e quindi applicabile. Lo fa attraverso nuove piattaforme digitali per la gestione dei dati, sensoristica e altre strutture hardware, formazione del personale, adeguando i processi aziendali alle nuove esigenze della gestione digitale di un'attività tradizionalmente svolta con metodi e strumenti da superare. Per esempio nel settore dei rifiuti, le aziende hanno già sviluppato o stanno sviluppando modelli di trasformazione digitale che permettano di ottimizzare tempi e costi della raccolta differenziata, con tecnologie predittive utilizzando dati riguardanti livelli di riempimento dei raccoglitori presso le case, percorsi ottimali d'instradamento dei mezzi in base anche ai flussi di traffico, capacità ricettiva dei punti di raccolta, gestione di parco mezzi, personale e tecnologie robotiche coinvolte nelle attività e molto altro, fino alla possibilità d'integrare in futuro l'utilizzo di mezzi a guida autonoma. Nel settore assicurativo per prevenire anche le truffe, ad esempio il riconoscimento automatico, per esempio, di fotografie manipolate a supporto della reportistica del sinistro, che oggi sono facilmente realizzabili con software di uso comune. Ascolta l'intervista completa a Luigi De Costanzo in podcast originale
…
continue reading
Negli ultimi 5-10 anni e soprattutto negli ultimi tempi di accelerazione digitale, le nuove tecnologie hanno permesso alle aziende di acquisire grandi quantità di dati su processi e persone coinvolte nel loro business e le hanno spinte a progettare modelli digitali di gestione delle proprie attività grazie al supporto iniziale di Data Scientist. Ma poichè c'è stata una grande maturazione tecnologica e organizzativa proprio in questo ambito, si apre ora la possibilità addirittura di ingegnerizzare i modelli-prototipi e applicarli su grande scala nella gestione reale di processi e attività che costituiscono il core business dell'azienda. Questo vuol dire che per raggiungere questo obiettivo, l'interesse delle aziende si sta spostando dalla figura del Data Scientist a quella del Data Engineer. Quest'ultima è una figura più concreta e dedicata all'applicazione pratica dei modelli sviluppati dal Data Scientist. È infatti un professionista capace di trasformare il modello teorico di digitalizzazione ideato su scala ridotta dal Data Scientist in un sistema funzionante, aggiornato alla complessità quantitativa e qualitativa di dati e funzioni comprese nelle attività quotidiane dell'azienda. Nella progressione di carriera, per accumulo di esperienza, il Data Engineer passa poi ad essere una figura di Business Translator. Quest'ultimo è il professionista che, come "regista esperto", chiude definitivamente il cerchio nel processo che ha portato prima il Data Scientist a estrapolare da attività reali modelli digitali e poi il Data Engineer a trasformare il prototipo in sistema ingegnerizzato e quindi applicabile. Lo fa attraverso nuove piattaforme digitali per la gestione dei dati, sensoristica e altre strutture hardware, formazione del personale, adeguando i processi aziendali alle nuove esigenze della gestione digitale di un'attività tradizionalmente svolta con metodi e strumenti da superare. Per esempio nel settore dei rifiuti, le aziende hanno già sviluppato o stanno sviluppando modelli di trasformazione digitale che permettano di ottimizzare tempi e costi della raccolta differenziata, con tecnologie predittive utilizzando dati riguardanti livelli di riempimento dei raccoglitori presso le case, percorsi ottimali d'instradamento dei mezzi in base anche ai flussi di traffico, capacità ricettiva dei punti di raccolta, gestione di parco mezzi, personale e tecnologie robotiche coinvolte nelle attività e molto altro, fino alla possibilità d'integrare in futuro l'utilizzo di mezzi a guida autonoma. Nel settore assicurativo per prevenire anche le truffe, ad esempio il riconoscimento automatico, per esempio, di fotografie manipolate a supporto della reportistica del sinistro, che oggi sono facilmente realizzabili con software di uso comune. Ascolta l'intervista completa a Luigi De Costanzo in podcast originale
51 episodi
Condividi
