‹ All episodes

Engenharia de Dados [Cast]

Connecting Data Engineering and ML to Build an Efficient End-to-End Data Product Flow with Aurimas Griciūnas

June 15, 2023 Luan Moreno M. Maciel Season 3 Episode 14
Engenharia de Dados [Cast]
Connecting Data Engineering and ML to Build an Efficient End-to-End Data Product Flow with Aurimas Griciūnas
Chapters
Chapters
1:32
Guest Introduction - Aurimas Griciūnas
3:23
Can you tell us about your background and how you got into data engineering and machine learning?
9:43
From Actuarying to a Data Profissional, why change careers, and what motivated you to work with data?
22:24
What is your current view on the new assignments for data engineers and business rules?
29:02
You have a company called Swirl AI. Could you give an introduction about it?
31:43
What are your plans to help the data community?
38:05
What are the challenges and common mistakes you've faced when building this product?
40:21
how do you define an efficient end-to-end data product flow?
51:30
How do you define a feature store, and what are the benefits of using one in a machine learning project?
58:53
Since Machine Learning Engineers and Data Scientists can both work with ML models, what are the main differences between these two roles, and how do they help each other?
Info
Engenharia de Dados [Cast]
Connecting Data Engineering and ML to Build an Efficient End-to-End Data Product Flow with Aurimas Griciūnas
Jun 15, 2023 Season 3 Episode 14
Luan Moreno M. Maciel

No episódio de hoje, Mateus Oliveira e Matheus Willian entrevistaram Aurimas Griciūnas, atualmente Fundador e CEO da Swirl AI & Arquiteto Sênior de Soluções da  neptune ai.
Engenharia de Dados e Ciência de Dados são, hoje, as áreas de maior demanda no mercado internacional e nacional.
O primeiro, cria soluções para disponibilização de dados da melhor forma e o segundo, cria algoritmos de predição para aprimorar e automatizar decisões.
Para melhor entender a relação entre as áreas, vamos falar sobre:

  • O que é Engenharia de Dados e quais as suas vertentes?
  • O que é Ciência de Dados e quais as suas vertentes?

Falamos também, neste bate-papo, sobre os seguintes temas:

  • Profissões de dados;
  • Dados como produto;
  • Universo de Ciência de Dados;

Aprenda como funciona essa relação entre os times e como o mercado está se movendo para segmentações de alguns cargos emergentes de outros cargos.

Swirl AI = https://www.swirlai.com/
Aurimas Griciūnas = Linkedin

Luan Moreno =
https://www.linkedin.com/in/luanmoreno/


Share
Apple Podcasts Spotify Overcast Castro Castbox Deezer +
Show Notes Chapter Markers

No episódio de hoje, Mateus Oliveira e Matheus Willian entrevistaram Aurimas Griciūnas, atualmente Fundador e CEO da Swirl AI & Arquiteto Sênior de Soluções da  neptune ai.
Engenharia de Dados e Ciência de Dados são, hoje, as áreas de maior demanda no mercado internacional e nacional.
O primeiro, cria soluções para disponibilização de dados da melhor forma e o segundo, cria algoritmos de predição para aprimorar e automatizar decisões.
Para melhor entender a relação entre as áreas, vamos falar sobre:

  • O que é Engenharia de Dados e quais as suas vertentes?
  • O que é Ciência de Dados e quais as suas vertentes?

Falamos também, neste bate-papo, sobre os seguintes temas:

  • Profissões de dados;
  • Dados como produto;
  • Universo de Ciência de Dados;

Aprenda como funciona essa relação entre os times e como o mercado está se movendo para segmentações de alguns cargos emergentes de outros cargos.

Swirl AI = https://www.swirlai.com/
Aurimas Griciūnas = Linkedin

Luan Moreno =
https://www.linkedin.com/in/luanmoreno/


1:32
Guest Introduction - Aurimas Griciūnas
3:23
Can you tell us about your background and how you got into data engineering and machine learning?
9:43
From Actuarying to a Data Profissional, why change careers, and what motivated you to work with data?
22:24
What is your current view on the new assignments for data engineers and business rules?
29:02
You have a company called Swirl AI. Could you give an introduction about it?
31:43
What are your plans to help the data community?
38:05
What are the challenges and common mistakes you've faced when building this product?
40:21
how do you define an efficient end-to-end data product flow?
51:30
How do you define a feature store, and what are the benefits of using one in a machine learning project?
58:53
Since Machine Learning Engineers and Data Scientists can both work with ML models, what are the main differences between these two roles, and how do they help each other?