25 мая
2019 /

Machine Learning
meetup
второе мероприятие metaconf

Давайте дадим машинам искусственный интеллект! Пускай они решают за нас рутинные задачи, обрабатывают большие объемы данных, или просто помогают нам принимать наиболее оптимальные решения в повседневной жизни. Но для этого нужно их многому научить. Как передать машинам накопленный человечеством опыт расскажем на Machine Learning meetup.

Вы узнаете о трендах в технологиях, связанных с машинным обучением, о том, какие проблемы и задачи можно решить с их помощью, узнаете о реальных проектах, в которых применяется машинное обучение и искусственный интеллект.

расписание

10:00 - 11:00
регистрация участников, приветственный кофе
11:00 - 11:45
Алексей Шаграев
Искусственный интеллект: ретроспектива и будущее
11:45 - 12:30
Дмитрий Соболев
Как проверять решения искусственного интеллекта
12:30 - 13:15
Александр Мазалов
Право автономных умных систем. Как общество регулирует беспилотную экономику
13:15 - 13:45
free pizza
13:45 - 14:30
Станислав Протасов
Машинное обучение не...
14:30 - 15:15
Антон Долгих
Нейросетевая вероятностная модель естественного языка
15:15 - 16:00
Макс Жданов
Машинное обучение в индустрии путешествий, транспорта и гостеприимства
16:00 - 16:15
Розыгрыш подарков от партнёров

спикеры

1
Алексей Шаграев
Кандидат технических наук, руководитель службы разработки, Яндекс.Поиск
Искусственный интеллект и машинное обучение развиваются уже много десятков лет. В последние годы прогрессируют особенно быстро, находя всё более захватывающие области применения. Компьютеры сочиняют музыку и тексты, играют в компьютерные игры, способны управлять автомобилями и даже обучать другие компьютеры. Алексей расскажет как и почему это произошло, каковы современные тенденции в развитии ИИ и что нас ждёт в будущем.
2
Дмитрий Соболев
Senior Developer DataArt
Системы на основе машинного обучения всё больше влияют на нашу жизнь. Например получение кредита, постановка диагноза, поведение автопилота автомобиля. Мы вынуждены им доверять, но есть вероятность, что при обучении использовались неверные данные или кто-то изменил их со злым умыслом. Это приводит к искаженному и опасному поведению системы, а значит нужно понять, можем ли мы доверять алгоритму, и требовать объяснение принятых решений. До недавнего времени такие системы были просто "чёрным ящиком". Нельзя было определить, почему компьютер сделав нечеловеческий ход все же победил чемпиона по ГО. Из доклада вы узнаете когда нам нужно объяснение, как его использовать и какие возможности для получения объяснения имеются на текущий момент.
3
Александр Мазалов
Управляющий партнер «Мазалов, Хромова и партнеры»
Каждый из нас - атом в сложной системе правовых отношений, связывающих нас с родственниками, государством, коммерческими компаниями. Появление искусственного интеллекта, а точнее автономных интеллектуальных систем, ставит перед юристами новые задачи. Где проходят пределы автономности? Насколько мы готовы законодательно признать, что в некоторых случаях решение о нашей судьбе принимается без участия человека? Как государства уже отвечают на вызовы в военном, гражданском и трудовом праве появившиеся с приходом сложных экспертных и автономных систем?
4
Станислав Протасов
Заместитель заведующего кафедрой теоретической и прикладной информатики МФТИ
Часто можно услышать о том, что та или иная задача решена с помощью машинного обучения. К примеру, изображения распознаются, смысл текстов понятен, поведение пользователей предсказано раз и навсегда. На деле, решения на основе ML приходится внедрять с большой осторожностью, усиливая, а то и заменяя смекалкой и математикой. Станислав на примере своего опыта расскажет, где машинное обучение не работает и разберет несколько примеров, в которых реализация упиралась в ограниченность методов.
5
Антон Долгих
Эксперт DataArt по AI-проектам в области здравоохранения
Нейронные сети являются наиболее часто используемым подходом для решения задач обработки естественного языка (NLP). Одним из наиболее важных элементов нейронных сетей, в контексте задачи NLP, являются погружения (embeddings). На практике погружения чаще всего рассматриваются как обычные численные векторы. Из доклада вы узнаете: какая идея лежит в основе погружений, используемых в задачах NLP, как возникают эти векторы в нейронных сетях, чем отличаются различные модели погружений.
6
Макс Жданов
Вице-президент практики туризма и транспорта DataArt
Рост вычислительной мощности и доступность затратных вычислений, развитие технологий разработки привели к широкому распространению машинного обучения во многих отраслях. В индустрии путешествий, транспорта и гостеприимства, которая дает 8,3 трлн долларов в глобальный ВВП, с помощью искусственного интеллекта решаются проблемы связанные с персонализацией, прогнозированием поведения и предпочтений клиентов, прогнозированием цен, оптимизацией запасов, инновационными моделями получения новых доходов. В своем докладе Макс на реальных примерах даст обзор возможных бизнес-сценариев, в которых машинное обучение может привести к появлению инноваций, повышению качества обслуживания клиентов, увеличению доходов и оптимизации издержек.
партнеры
организаторы
генеральный партнер
при поддержке
партнеры
вузы
образование онлайн
медиа