О конференции
AI Ukraine – это профессиональная дискуссионная площадка для знакомства, обмена опытом и обсуждения актуальных вопросов в области практического применения интеллектуального анализа данных, машинного обучения, обработки текстовых данных, Big Data, робототехники, компьютерного зрения и других областей ИИ.
AI Ukraine 2015 была проведена на наивысшем уровне, это уже становится хорошей традицией. Спасибо орг. комитету конференции и компании AltexSoft! Что самое главное, среди участников было очень много молодых людей с «горящими глазами», которые хотят заниматься проблемами искусственного интеллекта и большими данными. Это вселяет надежду, что направление ИИ будет и дальше активно развиваться в Украине и все больше проникать в программную индустрию. Вырос уровень докладов, появились зарубежные докладчики, выступавшие на английском. В этом году было много докладов по Deep Learning.
Выступал на #aiukraine 2015. Конференция организована прекрасно. Очень понимающая, слушающая и интересная аудитория, душевная атмосфера. Доклады были организованы в три потока, было сложно выбрать что-либо одно из одновременно проходящих презентаций. Тематика выступлений актуальная, я нашел для себя очень много нового. Именно на таких конференциях складывается «экосистема», позволяющая создавать новые интересные решения, развивать использование наукоемких решений в сфере информационных технологий на практике. Все было просто супер! Спасибо организаторам!
Программа конференции
Закрыть
-
Поток 1
Использование больших данных и предиктивной аналитики в игровой индустрии
Gamedev — очень насыщенная данными индустрия, со своими уникальными задачами и сложностями, мне было бы интересно рассказать о нашем опыте аналитики, причём сфокусироваться именно на бизнес стороне вопроса. -
Поток 2Динамическое машинное обучение
Динамическое машинное обучение — это набор методов машинного обучения, в которых данные для обучения модели приходят последовательно и на каждой итерации происходит обновление предсказывающей модели. В докладе мы рассмотрим мотивацию для динамических моделей машинного обучения, обсудим, чем такие модели отличаются от стандартных моделей и дадим краткий обзор современных динамических алгоритмов. -
Поток 1Глубокие нейронные сети и мобильные платформы
В докладе рассмотрим проблему деплоймента глубоких сверточных нейронных сетей на мобильные платформы. Акцент будет сделан на обзор и сравнение подходов к оптимизации топологии и преобразованию весов с целью уменьшения объема готовой модели и ускорении вычислений. -
Поток 2Диджитализация и анализ данных в нефтяной отрасли: от сбора данных с сенсоров до прогностического анализа
В SoftEleganceData мы занимаемся построением Data Lake для нефтяной промышленности. За последние 10 лет, благодаря широкому развитию технологий работы с большими данными, облачным вычислениям, повсеместному внедрению сенсоров, нефтяная отрасль получила возможности собирать и анализировать петабайты данных с углеводородных месторождений. Одним из важных аспектов процесса анализа является создание прогностических моделей. Вступление к презентации будет включать в себя обзор архитектуры data lake с кратким описанием технологий, которые используются. Будет представлена основная цель, заставляющая компании решать такие масштабные задачи. В основной части презентации будут продемонстрированы практические примеры сбора данных с нефтяных вышек, их предварительная обработка и дальнейшее использование для построения прогностических моделей. Мы рассмотрим одну из таких моделей, которая позволяет делать прогнозы выхода из строя оборудования, которое используется для интенсификации добычи нефти. Заключение — почему прогностические модели сложно было строить раньше. -
Поток 1Создай себе (ро)бота
Ever increasing volumes of sensor readings, web data, transactions and event logs call for the next generation of the big data mining technology providing effective and efficient tools for making use of these data.
Research results in predictive analytics are being actively transferred and used in the real-world applications including diagnostics, forecasting, personalization and decision support as part of their routine.
Unfortunately, the off-the-shelf predictive analytics solutions typically are not equipped with a magic functionality that would make the induced models context-aware and robust to changing environments, and unbiased to suboptimal, unfair or unethical decision making in the past. In this talk I will explain why it is crucial for a data scientist to understand (the nature of) these limitations and will illustrate how to address them. -
Поток 2Построение инфраструктуры обработки украинского языка
В докладе будут раскрыты следующие вопросы:
— зачем нужны языковые корпусы и другие лингвистические данные?
— роль человека в сборе и подготовке данных (лингвист, анотатор, программист), автоматизация краудсорсинга
— результаты и планы работы группы lang-uk
— будущая открытая инфраструктура сервисов обработки текстов украинского языка
-
Поток 1Глубокое обучение для обработки естественного языка
Революция глубокого обучения, в которой мы живём вот уже десять лет, не оставила в стороне и обработку текстов. Последние достижения в области моделирования и порождения текстов, анализа тональности, машинного перевода, диалоговых моделей, ответа на вопросы и других задач обработки текстов широко используют глубокое обучение, и новые результаты появляются буквально каждую неделю. Более того, хотя глубокое обучение для естественного языка часто использует стандартные архитектуры (CNN и особенно RNN), начали появляться и новые конструкции: модели с памятью, модели с вниманием и другие. В докладе мы дадим (ооочень) краткий обзор текущего положения дел с обработкой текстов при помощи глубокого обучения и наметим, куда можно двигаться дальше. -
Поток 2Непрерывное машинное обучение
Устойчивая к сбоям масштабируемая инфраструктура машинного обучения, автоматизация рабочего процесса машинного обучения, непрерывной интеграции и доставки. -
Поток 1Блеск и нищета tensorflow
Правильный выбор инструмента разработки это ключевой вопрос, влияющий на качество ночного сна разработчика во время всех стадий разработки ПО. Последние два года характеризует массовый переход алгоритмов машинного обучения из академической науки в область технологий, что привело к появлению большого количества инструментальных средств, порой достаточно «сырых». К их числу относится фреймворк TensorFlow от Google. Его обзору посвящен настоящий доклад. В докладе обсуждаются преимущества и недостатки TF по сравнению с конкурентами (Torch, Theano, Caffe, чистый numpy/scipy, решения от Microsoft), рассматриваются нюансы использования TensorFlow в повседневной жизни (установка, настройка, отладка, развертывание) с точки зрения эффективности разрабатываемого решения и удобства работы Machine Learning-инженера — пользователя фреймворка. -
Поток 2Advanced indoor navigation
Мы разрабатываем SDK для навигации внутри помещения под мобильные платформы (iOS, Android). В своем докладе я расскажу, что собой представляет навигация внутри помещений, как она может быть полезной и зачем она нужна. Я опишу оборудование, которое может быть использовано в этих целях. Также я расскажу, как можно оценить местоположение пользователя с помощью множества источников данных (beacon «маячков», wi-fi, инерционныx датчиков). Я наглядно проиллюстрирую, как это работает в реальных условиях и какие данные могут быть добавлены на экранах мобильных устройств. -
Поток 1Улучшение векторных эскизов
Рассказ об одном из способов автоматического улучшения векторных набросков и эскизов. Он основан на обучаемой кластеризации, нейронных сетях и аппроксимации кривых. Метод поможет дизайнерам больше сосредоточиться на основном концепте, чем на чистке деталей и удалении мусора. -
Поток 2Спайковые модели и нейроморфный компьютинг
На фоне уже многолетнего победного шествия deep learning многие уже забыли, что “глубокие” сети, так же как и “мелкие”, состоят всё из тех же нейронов МакКаллока- Питтса, которые были изобретены ещё в 1943г. Они совершенно не похожи на нейроны человека (или, к примеру, крысы), каждый из которых представляет собой, как мы теперь знаем, целый специализированный процессор! В этом докладе мы расскажем, что такое биологически реалистичные (biologically plausible) нейроны и их сети, как их моделировать и обучать, сделаем обзор открытых проблем в этой области. Также речь пойдет о нейроморфном “железе”, в частности на основе мемристоров, которое позволяет аппаратно реализовывать нейровычисления, похожие на происходящие в мозге. -
Поток 1TensorFlow Usage. Workshop.
Этот доклад для тех, у кого нет опыта использования TensorFlow, но есть желание научиться. Он будет проведен в виде практического занятия, во время которого слушатели смогут узнать основные понятия и идеи лежащие в основе TensorFlow, а также написать свои первые программы с его использованием. От слушателей требуется: базовый уровень Python, базовый уровень понимания ML, желательно при себе иметь ноутбук для практики. -
Поток 2Реал-тайм обработка потокового видео с использованием нейронных сетей
Обработка графики при помощи нейронных сетей получила мощный толчок после публикации в августе 2015 г. работы Gatys et al., в которой он предложил метод переноса стиля одного изображения на другое. В tooLook мы поставили перед собой задачу по разработке подобной технологии стилизации для видео и столкнулись с полным отсутствием готовых наработок по конвертации видеопотока посредством нейронных сетей. Сама по себе область компьютерного зрения не является новой. Существует множество готовых решений, библиотек и проектов для решения различных задач по анализу видеопотока, сегментации и распознаванию объектов. Тем не менее, нет практически ничего готового для качественной трансформации видеопотока. Попытки использования готовых библиотек компьютерного зрения не дали желаемого результата. В докладе мы подробнее расскажем про наш опыт применения нейронных сетей для качественной обработки графики, проблемы и способы их решения.
-
Поток 1
TensorFlow Usage. Workshop.
Этот доклад для тех, у кого нет опыта использования TensorFlow, но есть желание научиться. Он будет проведен в виде практического занятия, во время которого слушатели смогут узнать основные понятия и идеи лежащие в основе TensorFlow, а также написать свои первые программы с его использованием. От слушателей требуется: базовый уровень Python, базовый уровень понимания ML, желательно при себе иметь ноутбук для практики. -
Поток 1THE BAG OF WORDS TORN OPEN: IMAGE RETRIEVAL GOES DEEP (ENG)
This talk will introduce an automated tuning method of a convolutional neural network for image retrieval from a large collection of unordered images. State-of-the-art retrieval and Structure-from-Motion (SfM) methods are used to obtain 3D models, which are used to guide the selection of the training data for CNN fine-tuning. Hard-positive and hard-negative examples are shown to enhance the final performance in particular object retrieval with compact codes. Remarkably, the proposed method is on par with existing 256D compact representations even by using 32D image vectors. A comprehensive review of state-of-the-art image-retrieval systems using compact codes built from a bag-of-words image representation will be reviewed to motivate the proposed work. -
Поток 2Модель предиктивного биддинга в рекламных технологиях
Доклад касается описания технологии, использованной для построения модели предиктивного биддинга для оценки вероятности последующей реакции пользователя на показанную ему рекламу. Предиктивная модель базируется на исторических данных рекламных аукционов и результатов их конверсий, которые были собраны QupleTech. Ключевым статистическим алгоритмом модели является логистическая регрессия, обученная по методу стохастического градиентного спуска с адаптивным шагом обучения. В ходе валидации использован оригинальный подход для оценки качества модели. -
Поток 1Natural Errrror Processing
На AI Ukraine 2014 и 2015 я рассказывала об этапах и алгоритмах обработки текста. В этом году я сосредоточусь на использовании обработки текста для задачи исправления ошибок в текстах на естественном языке. Во время презентации мы рассмотрим задачу исправления ошибок, преимущества и недостатки разных методов исправления ошибок, советы, где взять данные, и, конечно, затронем лингвистический юмор. -
Поток 2Обнаружение объектов с помощью глубинного обучения
В данном докладе мы предлагаем обзор наиболее популярных методов обнаружения объектов на основе глубинного обучения, таких как Fast-RCNN, Yolo, SSD и прочих. Мы обсудим основные критерии оценки качества алгоритма, включая Pascal VOC 2007/2012, COCO, ILSVRC2016. Мы поделимся опытом разработки системы обнаружения объектов на базе глубинного обучения, а также расскажем о проблемах, с которыми мы столкнулись в процессе. -
Поток 1Использование машинного обучения в таргетинге рекламы на мобильных устройствах
В мире таргетинга рекламы мы имеем дело с десятками тысяч запросов в секунду. В течение миллисекунды мы должны найти всю известную нам информацию о пользователе, сопоставить ее с доступным контентом, который мог бы выполнить запрос, решить, стоит ли на это запрос отвечать, и, если да, то сколько потребовать за возможность показать рекламу. Поведенческая обстановка является как сложной, так и переменчивой. Это делает работу непростой, но и чрезвычайно захватывающей. В докладе речь пойдет о некоторых проблемах, связанных с нашей работой, а так же выводах, к которым мы пришли за последние три года. -
Поток 2Как создать искусственных интеллектуальных агентов, превосходящих людей в узких областях специализации
Доклад охватывает множество подходов, используемых для создания искусственных интеллектуальных агентов. Мы рассмотрим несколько примеров агентов для настольных и карточных игр, а так же обсудим механизмы их построения, включая нейронные сети, обучение с подкреплением и вероятностное программирование. -
Поток 1Машинное обучение в биоинформатике
Биоинформатика — это наука об извлечении знаний из биологических данных, сложность и объём которых значительно возрос за последние десятилетия. Нам потребовались более универсальные алгоритмы и методы для того чтобы справиться с сложностями, которые возникли перед учеными в области биоинформатике. Таким образом, анализ данных и машинное обучение стали популярными инструментами в биоинформатике, позволившими решать ранее неразрешимые биологические задачи. В этом докладе я расскажу о примерах использования классических методов машинного обучения и анализа данных в биологии и медицине. -
Поток 2Инфраструктура для работы Data Scientist’а
В докладе мы поговорим об инфраструктурных вопросах, которые помогают data scientist’ам выполнять свою работу. Рассмотрим и сравним вычислительные ресурсы, популярные библиотеки и программные пакеты, архитектуры систем, а также готовые сервисы, которые делают все вместо вас. Поговорим о Docker контейнерах и чем они так хороши для data scientist’ов. -
Поток 1Замена голоса с помощью машинного обучения
Я сделаю упор на некоторых современных подходах к преобразованию голоса (преобразованию голоса одного человека в голос другого без изменения смысла сказанного), а также на некоторых доступных инструментах обработки речи. В течение последних нескольких месяцев мы разрабатывали и тестировали несколько наиболее популярных методов, таких как Gaussian Mixture Regression, Non-Negative Matrix Factorization и Frequency Warping. -
Поток 2История о разработке алгоритма идентификации текстовых шаблонов
В докладе я расскажу о том, как разрабатывался алгоритм для идентификации шаблона, по которому генерировалось текстовое сообщение — от постановки задачи до итогового результата, включая практическое применение. -
Поток 1Случаи использования встроенного зрения.
Несмотря на то, что основы Свёрточных Нейронных Сетей и Нейронных Сетей Глубокого Обучения (CNN / DNN) были заложены в научных исследованиях 80х годов, только недавно вычислительная мощность мобильных и серверных платформ позволила практически реализовать машинное обучение, распознавание образов и анализ Big Data. Компания Luxoft, совместно с ее широкой партнерской сетью, включающей такие компании, как ARM и Imagination Technologies, является одним из мировых лидеров в разработке CNN/DNN приложений для real-time обработки видео и применения в автомобильной промышленности. Наряду с серверными платформами, мы используем технологии нейронных сетей со встраиваемыми платформами, традиционно ограниченными вычислительной мощностью и ресурсами аккумулятора. В своем докладе я расскажу, почему разработка приложений искусственного интеллекта бросает вызов традиционной парадигме разработки программного обеспечения. На примерах наших проектов, я покажу, как это работает и в каких сферах использование нейронных сетей могло бы открыть новые возможности для технологической эволюции информационных систем. -
Поток 2Будь в тренде научных исследований с помощью NLP или «О чем говорят серьёзные мужчины?»
В докладе расскажу о нашем опыте использование NLP для извлечении ключевых слов (фраз) из текстов научных статей, хранимых в известной открытой базе Arxiv. Такой опыт мы накопили в процессе разработки нашего продукта Science Pulse, который способен выделять основные научные тенденции, визуализировать тренды публикаций и рекомендовать пользователю аналогичные направления исследований. В результате, Science Pulse всего за несколько секунд приведет к статьям, которые соответствуют научным интересам пользователя. Также я поделюсь проблемами, с которыми мы столкнулись в ходе реализации продукта и подходами к решению этих проблем, что позволит вам не наступать на те же “грабли”. -
Поток 1Apache Spark: Углубленный in-memory анализ больших объемов данных
Apache Spark — это фреймворк для параллельной обработки данных с открытым исходным кодом и поддержкой in-memory обработки с целью повышения производительности приложений для анализа больших объемов данных. Мы рассмотрим основные подходы к обработке «больших данных» с использованием Spark кластера для real-time аналитики, машинного обучения и итеративного бизнес анализа, а также обсудим преимущества и недостатки использования популярных ML серверов с открытым исходным кодом. -
Поток 2Роль AI в развитии IoT
О чем:
— IoT: ключевые термины и их интерпретация на практике, размер рынка, динамика развития, ключевые отрасли;
— синергия AI и IoT: среднесрочная перспектива, ключевые ниши;
— практические рекомендации по интеграции AI-элементов в IoT-экосистемы. Инструменты и способы их использования.
Поток 2Группа БрУК для обработки естественного языка в Украине: инструменты и данные
На протяжении некоторого времени, обработка естественного языка в Украине сдерживалась нехваткой данных и доступных инструментов. К счастью, сейчас ситуация меняется. Группа БрУК работает над фундаментальным проектом — должным образом аннотированным лингвистическим корпусом для различных нужд обработки текстов. Большой электронный словарь украинского языка (более 200,000 статей и число постоянно растет) теперь доступен для NLP разработчиков. LanguageTool для украинского языка — это более чем просто очередная программа проверки правописания. Он обладает достаточной гибкостью, чтобы находить ошибки в грамматике и стиле текста, и постоянно улучшается. Презентация затронет эти и другие схожие проекты и инструменты, останавливаясь на последних разработках и дальнейших перспективах.
Закрыть
-
Поток 1
The Bag of Words Torn Open: Image Retrieval goes Deep
This talk will introduce an automated tuning method of a convolutional neural network for image retrieval from a large collection of unordered images. State-of-the-art retrieval and Structure-from-Motion (SfM) methods are used to obtain 3D models, which are used to guide the selection of the training data for CNN fine-tuning. Hard-positive and hard-negative examples are shown to enhance the final performance in particular object retrieval with compact codes. Remarkably, the proposed method is on par with existing 256D compact representations even by using 32D image vectors. A comprehensive review of state-of-the-art image-retrieval systems using compact codes built from a bag-of-words image representation will be reviewed to motivate the proposed work. -
Поток 2
Динамическое машинное обучение
Динамическое машинное обучение — это набор методов машинного обучения, в которых данные для обучения модели приходят последовательно и на каждой итерации происходит обновление предсказывающей модели. В докладе мы рассмотрим мотивацию для динамических моделей машинного обучения, обсудим, чем такие модели отличаются от стандартных моделей и дадим краткий обзор современных динамических алгоритмов. -
Поток 1
Глубокие нейронные сети и мобильные платформы
В докладе рассмотрим проблему деплоймента глубоких сверточных нейронных сетей на мобильные платформы. Акцент будет сделан на обзор и сравнение подходов к оптимизации топологии и преобразованию весов с целью уменьшения объема готовой модели и ускорении вычислений. -
Поток 2
Диджитализация и анализ данных в нефтяной отрасли: от сбора данных с сенсоров до прогностического анализа
В SoftEleganceData мы занимаемся построением Data Lake для нефтяной промышленности. За последние 10 лет, благодаря широкому развитию технологий работы с большими данными, облачным вычислениям, повсеместному внедрению сенсоров, нефтяная отрасль получила возможности собирать и анализировать петабайты данных с углеводородных месторождений. Одним из важных аспектов процесса анализа является создание прогностических моделей. Вступление к презентации будет включать в себя обзор архитектуры data lake с кратким описанием технологий, которые используются. Будет представлена основная цель, заставляющая компании решать такие масштабные задачи. В основной части презентации будут продемонстрированы практические примеры сбора данных с нефтяных вышек, их предварительная обработка и дальнейшее использование для построения прогностических моделей. Мы рассмотрим одну из таких моделей, которая позволяет делать прогнозы выхода из строя оборудования, которое используется для интенсификации добычи нефти. Заключение — почему прогностические модели сложно было строить раньше. -
Поток 1
Создай себе (ро)бота
Ever increasing volumes of sensor readings, web data, transactions and event logs call for the next generation of the big data mining technology providing effective and efficient tools for making use of these data.
Research results in predictive analytics are being actively transferred and used in the real-world applications including diagnostics, forecasting, personalization and decision support as part of their routine.
Unfortunately, the off-the-shelf predictive analytics solutions typically are not equipped with a magic functionality that would make the induced models context-aware and robust to changing environments, and unbiased to suboptimal, unfair or unethical decision making in the past. In this talk I will explain why it is crucial for a data scientist to understand (the nature of) these limitations and will illustrate how to address them. -
Поток 2
Построение инфраструктуры обработки украинского языка
В докладе будут раскрыты следующие вопросы:
— зачем нужны языковые корпусы и другие лингвистические данные?
— роль человека в сборе и подготовке данных (лингвист, анотатор, программист), автоматизация краудсорсинга
— результаты и планы работы группы lang-uk
— будущая открытая инфраструктура сервисов обработки текстов украинского языка
-
Поток 1
Глубокое обучение для обработки естественного языка
Революция глубокого обучения, в которой мы живём вот уже десять лет, не оставила в стороне и обработку текстов. Последние достижения в области моделирования и порождения текстов, анализа тональности, машинного перевода, диалоговых моделей, ответа на вопросы и других задач обработки текстов широко используют глубокое обучение, и новые результаты появляются буквально каждую неделю. Более того, хотя глубокое обучение для естественного языка часто использует стандартные архитектуры (CNN и особенно RNN), начали появляться и новые конструкции: модели с памятью, модели с вниманием и другие. В докладе мы дадим (ооочень) краткий обзор текущего положения дел с обработкой текстов при помощи глубокого обучения и наметим, куда можно двигаться дальше. -
Поток 2
Непрерывное машинное обучение
Устойчивая к сбоям масштабируемая инфраструктура машинного обучения, автоматизация рабочего процесса машинного обучения, непрерывной интеграции и доставки. -
Поток 1
Блеск и нищета tensorflow
Правильный выбор инструмента разработки это ключевой вопрос, влияющий на качество ночного сна разработчика во время всех стадий разработки ПО. Последние два года характеризует массовый переход алгоритмов машинного обучения из академической науки в область технологий, что привело к появлению большого количества инструментальных средств, порой достаточно «сырых». К их числу относится фреймворк TensorFlow от Google. Его обзору посвящен настоящий доклад. В докладе обсуждаются преимущества и недостатки TF по сравнению с конкурентами (Torch, Theano, Caffe, чистый numpy/scipy, решения от Microsoft), рассматриваются нюансы использования TensorFlow в повседневной жизни (установка, настройка, отладка, развертывание) с точки зрения эффективности разрабатываемого решения и удобства работы Machine Learning-инженера — пользователя фреймворка. -
Поток 2
Advanced indoor navigation
Мы разрабатываем SDK для навигации внутри помещения под мобильные платформы (iOS, Android). В своем докладе я расскажу, что собой представляет навигация внутри помещений, как она может быть полезной и зачем она нужна. Я опишу оборудование, которое может быть использовано в этих целях. Также я расскажу, как можно оценить местоположение пользователя с помощью множества источников данных (beacon «маячков», wi-fi, инерционныx датчиков). Я наглядно проиллюстрирую, как это работает в реальных условиях и какие данные могут быть добавлены на экранах мобильных устройств. -
Поток 1
Улучшение векторных эскизов
Рассказ об одном из способов автоматического улучшения векторных набросков и эскизов. Он основан на обучаемой кластеризации, нейронных сетях и аппроксимации кривых. Метод поможет дизайнерам больше сосредоточиться на основном концепте, чем на чистке деталей и удалении мусора. -
Поток 2
Спайковые модели и нейроморфный компьютинг
На фоне уже многолетнего победного шествия deep learning многие уже забыли, что “глубокие” сети, так же как и “мелкие”, состоят всё из тех же нейронов МакКаллока- Питтса, которые были изобретены ещё в 1943г. Они совершенно не похожи на нейроны человека (или, к примеру, крысы), каждый из которых представляет собой, как мы теперь знаем, целый специализированный процессор! В этом докладе мы расскажем, что такое биологически реалистичные (biologically plausible) нейроны и их сети, как их моделировать и обучать, сделаем обзор открытых проблем в этой области. Также речь пойдет о нейроморфном “железе”, в частности на основе мемристоров, которое позволяет аппаратно реализовывать нейровычисления, похожие на происходящие в мозге. -
Поток 1
TensorFlow Usage. Workshop.
Этот доклад для тех, у кого нет опыта использования TensorFlow, но есть желание научиться. Он будет проведен в виде практического занятия, во время которого слушатели смогут узнать основные понятия и идеи лежащие в основе TensorFlow, а также написать свои первые программы с его использованием. От слушателей требуется: базовый уровень Python, базовый уровень понимания ML, желательно при себе иметь ноутбук для практики. -
Поток 2
Реал-тайм обработка потокового видео с использованием нейронных сетей
Обработка графики при помощи нейронных сетей получила мощный толчок после публикации в августе 2015 г. работы Gatys et al., в которой он предложил метод переноса стиля одного изображения на другое. В tooLook мы поставили перед собой задачу по разработке подобной технологии стилизации для видео и столкнулись с полным отсутствием готовых наработок по конвертации видеопотока посредством нейронных сетей. Сама по себе область компьютерного зрения не является новой. Существует множество готовых решений, библиотек и проектов для решения различных задач по анализу видеопотока, сегментации и распознаванию объектов. Тем не менее, нет практически ничего готового для качественной трансформации видеопотока. Попытки использования готовых библиотек компьютерного зрения не дали желаемого результата. В докладе мы подробнее расскажем про наш опыт применения нейронных сетей для качественной обработки графики, проблемы и способы их решения.
-
Поток 1
TensorFlow Usage. Workshop.
Этот доклад для тех, у кого нет опыта использования TensorFlow, но есть желание научиться. Он будет проведен в виде практического занятия, во время которого слушатели смогут узнать основные понятия и идеи лежащие в основе TensorFlow, а также написать свои первые программы с его использованием. От слушателей требуется: базовый уровень Python, базовый уровень понимания ML, желательно при себе иметь ноутбук для практики. -
Поток 1
TensorFlow Usage. Workshop.
Этот доклад для тех, у кого нет опыта использования TensorFlow, но есть желание научиться. Он будет проведен в виде практического занятия, во время которого слушатели смогут узнать основные понятия и идеи лежащие в основе TensorFlow, а также написать свои первые программы с его использованием. От слушателей требуется: базовый уровень Python, базовый уровень понимания ML, желательно при себе иметь ноутбук для практики.
Докладчики
-
LEONARD NEWNHAM
Chief Data Scientist at LoopMe London, UK
Использование машинного обучения в таргетинге рекламы на мобильных устройствах
В мире таргетинга рекламы мы имеем дело с десятками тысяч запросов в секунду. В течение миллисекунды мы должны найти всю известную нам информацию о пользователе, сопоставить ее с доступным контентом, который мог бы выполнить запрос, решить, стоит ли на это запрос отвечать, и, если да...
Читать всё -
JAMES PRITTS
PhD candidate at Center for Machine Perception at Czech Technical University
The Bag of Words Torn Open: Image Retrieval goes Deep
This talk will introduce an automated tuning method of a convolutional neural network for image retrieval from a large collection of unordered images. State-of-the-art retrieval and Structure-from-Motion (SfM) methods are used to obtain 3D models...
Читать всё -
MICHAL ZYLINSKI
Advanced Analytics Technical Specialist at Microsoft Warsaw, Poland
Создай себе (ро)бота
В связи с последними достижениями в сфере искусственного интеллекта, пришло время сделать эти высокотехнологичные сервисы доступными для потребителей. Одно из решений, которое вызывает повышенное внимание, это боты — специализированные или универсальные агенты...
Читать всё -
СЕРГЕЙ КАДОМСКИЙ
Director of Research and Data Science at Wargaming.net
Использование больших данных и предиктивной аналитики в игровой индустрии
Gamedev — очень насыщенная данными индустрия, со своими уникальными задачами и сложностями, мне было бы интересно рассказать о нашем опыте аналитики, причём сфокусироваться именно на бизнес стороне вопроса.
Читать всё -
СЕРГЕЙ НИКОЛЕНКО
с.н.с. ЛИНИС НИУ ВШЭ Санкт-Петербург, н.с. ПОМИ РАН, ведущий специалист Deloitte Analytics Institute, Москва
Глубокое обучение для обработки естественного языка
Революция глубокого обучения, в которой мы живём вот уже десять лет, не оставила в стороне и обработку текстов. Последние достижения в области моделирования и порождения текстов, анализа тональности, машинного перевода, диалоговых моделей, ответа на вопросы и других задач обработки текстов широко используют глубокое обучение, и новые результаты появляются буквально каждую неделю.
Читать всё -
АЛЕКСАНДР БАЕВ
Senior Engineer at Samsung R&D Institute Ukraine
Глубокие нейронные сети и мобильные платформы
В докладе рассмотрим проблему деплоймента глубоких сверточных нейронных сетей на мобильные платформы. Акцент будет сделан на обзор и сравнение подходов к оптимизации топологии и преобразованию весов с целью уменьшения объема готовой модели и ускорении вычислений.
Читать всё -
МАРЬЯНА РОМАНЫШИН
Technical Lead, Computational Linguist at Grammarly
Natural Errrror Processing
На AI Ukraine 2014 и 2015 я рассказывала об этапах и алгоритмах обработки текста. В этом году я сосредоточусь на использовании обработки текста для задачи исправления ошибок в текстах на естественном языке...
Читать всё -
АЛЕКСАНДР СЛИПЧЕНКО
Team Lead at Booking.com BV Amsterdam, The Netherlands
История о разработке алгоритма идентификации текстовых шаблонов
В докладе я расскажу о том, как разрабатывался алгоритм для идентификации шаблона, по которому генерировалось текстовое сообщение — от постановки задачи до итогового результата, включая практическое применение....
Читать всё -
ИГОРЬ СТАРЕПРАВО
Director, Embedded at Luxoft
Случаи использования встроенного зрения.
Несмотря на то, что основы Свёрточных Нейронных Сетей и Нейронных Сетей Глубокого Обучения (CNN / DNN) были заложены в научных исследованиях 80х годов, только недавно вычислительная мощность мобильных и серверных платформ позволила практически реализовать машинное обучение, распознавание образов и анализ Big Data ...
Читать всё -
ДМИТРИЙ ФИШМАН
Junior Researcher at University of Tartu
Машинное обучение в биоинформатике
Биоинформатика — это наука об извлечении знаний из биологических данных, сложность и объём которых значительно возрос за последние десятилетия. Нам потребовались более универсальные алгоритмы и методы для того чтобы справиться с сложностями, которые возникли перед учеными в области биоинформатике...
Читать всё
Побывав в этом году на всех трех крупнейших BigData/AI конференциях (в Одессе, Киеве и Харькове), могу с уверенностью сказать, что #aiukraine в Харькове получилась лучшей. Три потока докладов, прекрасная локация, более 400 участников и хорошая организация сделали свое дело. Приятно также, что в конференции приняли участие зарубежные спикеры, вот жалко, что пока только онлайн. Но в целом видно, что потенциал развития рынка и комьюнити огромный.
Максим Терещенко