Бесплатная
Онлайн-конференция

Программа мероприятия

• Тема уточняется...

  Иван Оселедец

  Доктор физико-математических наук, доцент Сколтеха

  Описание уточняется...

• Как получать высокое качество размечаемых данных

  Роман Куцев

  Преподаватель краудсорсинга в ШАДе, ВШЭ, МФТИ. CTO TrainingData.Solutions

  • Отличия между Data-Centric и Model-Centric подходами
  • Итеративный подход к разметке: плюсы и минусы
  • Построение эффективного процесса обучения разметчиков
  • Методы контроля качества
  • Основные ошибки в менеджменте разметчиков

• Гадание на кликстриме, или что о нас могут сказать сайты, на которые мы ходили

  Михаил Степнов

  Head of R&D @ MTS Big Data

  • Применимость кликстрим-данных к нетривиальным задачам в области сегментации аудитории
  • Удачные и неудачные методы и архитектуры моделей для работы с ними
  • Полученные бизнес-результаты
  • Как обрабатывать и готовить к моделированию кликстрим-данные
  • Почему эмбеддинги хороши в этой задаче
  • LSTM vs Transformer - а может вообще не нужна сетка?
  • Как упрощать бизнес-имплементацию модели с помощью Transfer Learning
  • Перспективы такого рода моделей

• Что может дать правильно настроенная векторизация при решении задач определения семантической близости текстов

  Юрий Басалов

  Руководитель группы разработки проекта DD Planet

  В докладе рассматриваются прикладные возможности NLP для поиска и сопоставления больших объемов текстовых данных:
  • Как используется семантическая близость текстов в прикладных целях
  • Как она связана с полнотекстовым поиском
  • В чем проблема использования классификационных моделей для поиска семантически близких текстов
  • Как можно построить эмбеддинг, косинусная мера от которого будет решать задачу поиска семантически близких текстов не сильно хуже классификационных моделей
  • Как задача поиска семантически близких текстов может быть полезна при решении некоторых экстремальных классификационных задач

• Обзор современных методов для построения сложных диалоговых систем

  Мария Молчанова

  Research Product Manager в DeepPavlov.ai

  • Проблемы и задачи при создании диалоговых систем
  • Обзор решений для создания ИИ-ассистентов
  • Основные подходы при разработке Task-Oriented и Closed-Domain систем
  • Основные подходы при разработке Open-Domain диалоговых систем
  • Разработка ИИ-ассистента на примере платформы Dream

• Data drift и concept drift: Мониторинг моделей машинного обучения в production

  Ольга Филиппова

  Lead Data Scientist Evidently AI

  • Что такое drift в данных и как его можно измерить
  • Зачем нужен мониторинг ML-моделей в production и как это делать
  • Почему с drift все сложно
  • Какие бывают статтесты и метрики для измерения drift
  • Как выбрать подходящий для вашей задачи статтест

• “Работает у инженера на столе” или как имплементировать ML-алгоритмы при разработке EDGE устройств

  Елена Шевченко

  Data-scientist в Dannie-EMS

  1. Edge ML/AI:
  • Что это?
  • Зачем это?
  • Где это?
  
  2. Выбор и подготовка модели для имплементации на чипе
  • Почему SOTA модели зачастую не подходят: архитектура, сложность, вес;
  • Методы оптимизации модели: прореживание, дистилляция, квантизация;
  • Соотношение FPS / Metrics
  
  3. Как сэкономить на стоимости SoC и не сойти с ума. Особенности работы с небольшими китайскими компаниями
  • Особенности настройки окружения, система обновлений в формате trouble-shooting;
  • Использование кастомных библиотек машинного обучения, ограничение поддерживаемых слоев, необходимость квантования;
  • Невозможномть/неэффективность использования предобученных моделей
  
  4. Светлое EDGE будущее или что будет дальше?

• Переезд на GPU в продакшене; распознавание автомобильных номеров

  Александр Гращенков

  iOS разработчик

  • Как ускорить пайплайн обработки данных на GPU
  • Плюсы и минусы DeepStream
  • Архитектура решения и как писать свои кернелы на GPU
  • Замеры производительности и выводы “стоит ли овчинка выделки”

• Библиотеки для работы с временными рядами на Python

  Юрий Кацер

  Эксперт отдела ИИ, Цифрум (Росатом)

  • Какие задачи бывают при анализе временных рядов?
  • Какие специализированные библиотеки есть для решения этих задач?
  • Какие особенности у этих библиотек?
  • Как их применять на реальных данных?

• Пространственный анализ данных. Примеры задач и их техническая реализация на Python

  Татьяна Литовченко

  Geoanalytics & Spatial Data Science в Билайн.Геоаналитика

  Описание уточняется...

• User-friendly обзор последних достижений в диффузионных моделях

  Сергей Червонцев

  Research Scientist в Huawei

  • Разберём основы DDPM, DDIM и ScoreSDE без огромных и страшных формул
  • Изучим связь данной парадигмы с normalizing flows, denoising autoencoders и optimal transport maps
  • Сделаем обзор недавних модификаций (unconditional guidance, latent diffusion), и оценим какие важны, а какими можно пренебречь
  • Прикинем, в каких практических задачах они могут пригодится, и как уже используются в SOTA решениях (DALLE-2, ImaGen, Video Diffusion)
  • Поговорим о главных проблемах и как их пытаются решить