Стачка.Искусственный интеллект

Секция посвящена технологиям искусственного интеллекта, которые уже прочно вошли в нашу жизнь и продолжают развиваться. Поговорим о:

  • анализе больших объемов данных;
  • распознавании образов в реальном времени;
  • системах принятия решений;
  • автоматизации и т.д.

Несомненно, за развитием искусственного интеллекта будущее. Приглашаем это будущее обсудить.

Подать доклад


Иван Ямщиков
AI-евангелист @ ABBYY
Как нейронные сети ABBYY становятся полиглотами?

Доклад принят в программу конференции


из Доклады

    Продукты ABBYY работают по всему миру. Никакой процессинг документа невозможен без распознавания текста, которым этот документ набран. Я расскажу, какие наработки есть у нашего RnD в разных языках, как наши модели «читают» хангыль, иероглифы и арабскую вязь. А заодно на этих примерах покажу серию простых трюков, о которых стоит помнить, когда решаешь любую задачу классификации.


    Adil Khan
    Head of Machine Learning and Knowledge Representation Lab @ Innopolis University
    Innopolis
    Anomaly Detection based on Zero-Shot Outlier Generation

    Доклад принят в программу конференции


    из Доклады

      Anomaly detection suffers from unbalanced data since anomalies are quite rare. Generating artificial anomalies is a solution to such ill or not fully defined data. I will present a two-level hierarchical latent space representation that distills inliers’ feature-descriptors into more robust representations based on a variational family of distributions for zero-shot anomaly generation.


      Валерий Бабушкин
      Директор по Моделированию и анализу данных @ X5 Retail Group
      Москва
      Рекомендательные системы в ритейле

      Доклад принят в программу конференции


      из Доклады

        Расскажу как можно строить рекомендательные системы, на основе нестандартных подходов: от аплифт деревьев и Баеса, до Reinforcement Learning и счетчиков


        Иван Дрокин
        Директор по исследованиям и разработкам @ botkin.ai
        Санкт-Петербург
        Continuous Adaptation: keep on keepin’ on!

        Доклад принят в программу конференции


        из Доклады

          Как бы исследователям и разработчикам алгоритмов не хотелось, но редко когда получается раз и навсегда построить модель компьютерного зрения, которая будет стабильно работать в продакшн-окружении. Тому есть множество причин, и одна из главных – огромные сложности в сборе и разметке обучающей выборки, которая покроет все возможные ситуации, в которых модели предстоит работать. Поэтому возникает задача регулярных обновлений модели и их адаптации к новым данным. Для этого можно использовать синтетические данные, построенные с помощью компьютерной графики в среде симуляции, позволяющий адаптироваться под постоянно возникающие новые use-cases для моделей. Или использовать концепцию человека-в-петле (Human-AI-loop) для постоянной адаптации. В докладе рассмотрим применение таких подходов в задачах компьютерного зрения на примере использования CV для гибких фабрик и в анализе медицинских изображений.


          Эдуард Тянтов
          рук. групп машинного обучения @ Mail.ru Group
          Москва
          Project Management 2.0: AI Transformation

          Доклад принят в программу конференции


          из Доклады

            Машинное обучение проникает во все сферы нашей жизни со все нарастающей скоростью, что меняет наши привычные паттерны взаимодействия с продуктами и отношение к ним. Пользователи уже привыкают к тому, что магические алгоритмы делают всю работу за них и часто лучше их: выбирают новости или книги, подбирают фильтр для улучшения фотографии и даже заказывают столик в ресторане по телефону.

            Чтобы обеспечить всю эту магию, со стороны разработки происходит так называемый переход от Software 1.0 к 2.0: теперь не нужно четко описывать алгоритм принятия решения, нейросети смогут вывести его на данных лучше нас. Это в корне меняет традиционные подходы, а компетенция ML становится все более востребованной в стеке технологий разработчика.

            Аналогичный переход надо совершить и в подходах к ведению проектов и продуктов. С добавлением ML в продукт знакомые техники и правила перестают работать. Постановка задачи с точными требованиями и привычные методы контроля с большой вероятностью не приведут к успеху. Ведение продукта, в основе которого лежит технология машинного обучения, принципиально отличается.

            За последние пару лет мы в Mail.ru запустили десятки продуктов и фич на основе ML, и я расскажу о:

            * выработанных практиках ведения проекта с ML в основе;

            * многочисленных шишках, которые мы набили;

            * адаптации софтверной разработки;

            * и многом другом.

            Доклад будет полезен всем, кто так или иначе участвует в разработке AI-продуктов.


            Александр Прохоров
            Data Analyst @ Skyeng
            Тбилиси

            В Skyeng 100к учеников и 10к преподавателей, и когда ручная оценка качества их занятий перестала справляться, мы стали автоматизировать ее по разным критериям: проценту речи на русском и английском, внешнему виду преподавателя и другим критериям. Одним из самых интересных оказался проект оценки освещенности на видео - мы знали, что слишком темная или пересвеченная картинка с камеры преподавателя влияет на LTV ученика, но объяснить это другим людям и машине оказалось не так легко. Я расскажу, как мы, не имея большой экспертизы в этом, реализовали CNN на ResNet для классификации освещения - от идеи до продакшена.

            *Куда уходит 80% времени на проекте - англицизмы в ТЗ и другие проблемы в коммуникации, которые заставят вас заниматься всем чем угодно, помимо модели

            *Ожидания vs реальность: почему многие упарываются в тюнинг гиперпараметры, а не в решение задач бизнеса - и как мы уволили человека за это

            *Толока vs внутренний ресурс для разметки данных: сравниваем скорость, стоимость, удобство менеджмента задач и качество работы

            *На чем может "погореть" OpenCV при обработке черно-белых скриншотов, и другие интересные нюансы при подготовке данных

            *Внедряем модель в продакшн собственными силами, без привлечения разработки. Что получилось, какие ошибки совершали, какие инструменты использовали


            Сергей Свиридов
            Head of R&D @ Zyfra
            Москва
            Как обучение с подкреплением может помочь промышленности и логистике

            Доклад принят в программу конференции


            из Доклады

              Обучение с подкреплением развивается бурными темпами и демонстрирует успехи не только в играх, но и начинает привлекать внимание реальных секторов экономики, таких как промышленность и логистика. В докладе я расскажу, как обучение с подкреплением может быть применено для решения типичных задач, кейсах, проблемах, которые мешают полноценному внедрению, а также о том, как обучение с подкреплением, вероятно, приведёт к созданию dark factories - полностью автоматических заводов без людей.


              Александр Сербул
              Руководитель отдела направления контроля качества интеграции и внедрений "1С-Битрикс" @ 1С-Битрикс
              Москва
              Распознавание звука и голосовое управление в облачных веб-проектах с помощью "Яндекс.Станции" и "Google Assistant"

              Программный комитет не принял решения по этому докладу


              из Голосование

              В докладе мы кратко и по сути расскажем о проблематике распознавания звука, голоса и его "понимании" с помощью машинного обучения, доступных открытых и коммерческих библиотек, голосовой биометрии и о том, как мы используем устройства и технологии Яндекс.Станции, Google Home, Irbis A и DEXP Smartbox для управления корпоративным порталом Битрикс24. Поговорим об алгоритмах и возможностях Google Ассистента и Яндекс.Алисы для распознавания голоса, определения намерения и разбора текста. Расскажем, как мы подружили эти технологии с нашими для создания Задач, событий в Календаре, Встреч, Совещаний и отправки Сообщений сотрудникам компании. Отдельно рассмотрим практики применения технологий машинного обучения для решения возникающих при голосовом управлении задач и как обходить подводные камни. Проанализуем возможности библиотеки deeppavlov.ai.

              Доклад будет полезен всем, кто стремиться разобраться в этих технологиях, улучшить процессы в компании, повысить эффективность сотрудников и их удовлетворенность от ежедневно выполняемой работы.


              Никита Андриянов
              Старший научный сотрудник @ АО "НПП "Исток" имени Шокина"
              Ульяновск

              Сегодня использование нейронных сетей подразумевает три основных задачи: обучение, развертывание и непрерывная работа. Существует масса способов, как обучить нейронную сеть, это задача нетривиальная, потом выполняется деплой, а что дальше? Дальше наступает момент эксплуатации сети. В компьютерном зрении желательно обрабатывать поступающие данные хотя бы с частотой 26 кадров в секунду. И всегда хочется обрабатывать информацию как можно быстрее, но не всегда есть возможность использовать такие же вычислительные мощности как при обучении. Для этого можно использовать оптимизатор от Intel – OpenVINO Toolkit. В докладе рассмотрим шаги по установке и предварительной настройке, а также запуск демонстрационных примеров и результаты их работы. Объясним, почему предпочтительнее Linux, а не Windows. Наконец, во второй части рассмотрим пример реализации с помощью Jupyter Notebook модели ssd_mobile_net_v2 для задачи обнаружения объектов на изображениях датасета COCO. Постараемся сравнить результаты инференса на чистом TensorFlow и с использованием OpenVINO, полученные на виртуальной машине. Станем обрабатывать данные в 120 раз быстрее.


              Дмитрий Бугайченко
              @ Сбербанк
              Санкт-Петербург
              Data Science: путь в прод. Грабли и велосипеды.

              Программный комитет не принял решения по этому докладу


              из Голосование

              На докладе мы рассмотрим эволюцию подходов внедрения Data Science решений в прод на примере задачи рекомендательных систем. Пройдем тернистый путь от пакетной обработки по расписанию до обучения с подкреплением в реальном времени, а также посмотрим на то, какие проблемы надо решить на каждом следующем шаге.