Искусственный интеллект и нейросети:
инструменты и опыт реальных проектов.
25 сентября 2018
Россия, Москва
Отель Palmira Business Club
(Москва, Новоданиловская набережная,6)

Практическая конференция «Технологии машинного обучения»

Эта конференция для вас, если вы намерены включить когнитивные вычисления, системы и методы машинного интеллекта в арсенал своего предприятия и хотите проанализировать практический опыт тех, кто уже идет по этому пути, а также оценить инструменты и платформы
работы с нейросетями.
Здесь вы сможете:
Из первых рук получить всю информацию
по развертыванию и эксплуатации систем машинного обучения
Узнать как с помощью глубинного обучения реализовать потенциал больших данных
для лучшего понимания клиентов, получения конкурентных преимуществ и повышения эффективности внутренних бизнес-процессов
Приобрести навыки построения моделей машинного обучения для конкретных прикладных областей
ДМИТРИЙ ВОЛКОВ
программный директор серии практических конференций издательства
«Открытые системы».
«Предприятия, применяющие сегодня методы машинного обучения, эффективнее на рынке и успешнее в конкуренции, а остальные не менее успешно оказываются в числе отстающих. Инструменты машинного обучения позволяют неизвестность в виде объемных потоков разрозненных разнообразных данных превратить в определенность – приходите сегодня на конференцию, чтобы быть уверенным в завтрашнем дне своей компании»
Основные темы
Оперативная и прогнозная аналитика
Обнаружение скрытых закономерностей
Построение персонального портрета клиента
Прогнозирование предпочтений, анализ социальных сетей, оценка реальных доходов и рисков, борьба с фродом
Видеоаналитика, машинное зрение
Распознавание образов, обработка естественного языка
Инструменты для больших
данных
Платформы обработки больших данных для построения промышленных систем искусственного интеллекта
Машинное обучение
на практике
Электронная коммерция, ретейл, страхование, кибербезопасность, телекоммуникации,
промышленность, транспорт, здравоохранение, индустрия моды
Секреты успеха

Как избежать неудач в проектах
машинного обучения
МФТИ, Nvidia
Мастер-класс
Классификация изображений:
пакет Nvidia DIGITS

требуется предварительная регистрация
Micro Focus
Практический семинар
Развертывание InDatabase Machine
Learning на платформе Vertica
Вернуться
к докладчикам
Дмитрий Бабаев, Сбербанк AI Lab
Исследователь в лаборатории искусственного интеллекта Сбербанка, занимается применением методов машинного обучения для решения классических задач бизнеса. Ранее руководил группой Data Science в компании МТС, занимался развитием программы изучения данных в рамках Big Data направления. Среди предыдущих мест работы: Tinkoff Bank, Яндекс, где разработал первую версию механизма автодополнений поисковых запросов пользователей (Suggest).
Проблемы текущего поколения глубинных нейронных сетей

Глубинное обучение нейронных сетей стало прорывом в развитии систем искусственного интеллекта – появилась возможность на уровне близком к возможностям человека решать многие задачи, недоступные ранее классическим методам машинного обучения. Тем не менее, при обучении нейронных сетей имеются существенные проблемы, серьезно ограничивающие практическое применение глубинного обучения: большой объем размеченных данных, необходимый для обучения сети; сложности переноса опыта обученной сети на другие задачи и др.
Доклад посвящен обсуждению этих проблем и анализу возможных путей их решения.
Вернуться
к докладчикам
Юрий Тростин, Worki.ru
Закончил МГИМО и НИУ ВШЭ, работал в компании Avito, где вел проекты бизнес-аналитики Авито.Услуги. Сейчас отвечает за аналитику и машинное обучение в проекте Worki.
Машинное обучение в рекрутинге

Индустрия рекрутинга целиком основана на данных – здесь накапливаются огромные массивы сведений о вакансиях, работодателях и соискателях, представленные в самых разнообразных форматах. В докладе излагается опыт агрегатора Worki.ru, специализирующегося на подборе линейного персонала («синих воротничков»), по развертыванию и эксплуатации площадки, на которой соискатели находят работу по душе, а работодатели за минимальное время подобирают кандидатов, точно соответствующих специфике вакансии. Алгоритмы машинного обучения позволяют Worki.ru буквально сделать счастливыми всех участников не всегда приятного процесса подбора персонала, исключая, например, такие негативные явления как спам и фрод.
Вернуться
к докладчикам
Евгений Бурнаев, Сколтех
Доцент Центра Сколтеха по научным и инженерным вычислительным технологиям для задач с большими массивами данных, канд. физ.-мат. наук. В 2006 году получил степень магистра прикладной физики и математики Московского физико-технического института. После защиты диссертации в 2008 году работал в ИППИ РАН руководителем лаборатории интеллектуального анализа данных и предсказательного моделирования. С 2007 года принимал участие в ряде проектов с такими компаниями, как Airbus, SAFT, IHI, Sahara Force India Formula 1 team, и др. Сейчас руководит научной группой Advanced Data Analytics in Science and Engineering в Сколтехе и специализируется на приложениях в области индустриальной аналитики и разработке соответствующих методов машинного обучения.
Обнаружение аномалий и прогноз неисправностей

Ряд практических задач в инженерии, финансах и медицине можно сформулировать в виде задачи обнаружения аномалий, решаемой путем описания нормального состояния объекта, выполненного, например, с помощью одноклассовой классификации. В докладе проведен краткий обзор моделей, методов и новых подходов к решению задачи обнаружения аномалий. Особое внимание уделено практическому использованию методов для предсказательного обслуживания различных инженерных систем: мониторинг технического состояния силовых установок, прогнозирование параметров дорожного полотна автомагистралей на основе обработки данных дорожных метеостанций и др.
Вернуться
к докладчикам
Артем Просветов, CleverDATA
Эксперт в области Data Science и Deep Learning, Senior Data Scientis в компании CleverDATA где занимается разработкой рекомендательных систем, предсказательных моделей и моделей формирования целевых (Look-a-Like) аудиторий, а также выполнением проектов класса text mining. Работал ведущим математиком в Институте Космических Исследований РАН, кандидат физ.-мат. наук, опубликовал ряд работ по анализу данных, проводит лекции по технологиям больших данных на курсах «Нетология».
Глубинная аналитика в маркетинге индустрии красоты

Рекомендательные системы уже успели показать свою эффективность в проектах электронной коммерции, однако развитие алгоритмов машинного обучения и нейронных сетей стимулировало развитие прогнозных моделей, применяемых для решения задач маркетинга. На примере проектов электронной коммерции для индустрии красоты в докладе разбираются особенности выполнения проектов прогнозной аналитики: предсказание отклика на рекламные кампании, оценка оттока клиентов, прогноз экономических показателей. Особое внимание уделено изложению опыта построения и применения нейронных сетей в рекомендательной системе, а также результатам оптимизации маркетинговых коммуникаций на основе данных о поведении потребителей.
Вернуться
к докладчикам
Дженнифер Трелевич, S7 ТехЛаб
Получила докторскую степень по анализу сигналов в Государственном университете штата Аризона, а также степень магистра по математическому анализу. Работала директором отдела риска и рыночных данных в «ТехЦентр Дойче Банк», руководителем экспертного управления Фонда «Сколково», заместителем технического директора по социальным продуктам в Mail.Ru, техническим директором в Google-Russia и директором Лаборатории систем и технологий IBM EE/A. Сейчас работает исполнительным директором S7 ТехЛаб. Дженнифер занимает пост Председателя комитета по научно-популярным журналам IEEE, публикуется в международных рецензируемых журналах, а также является автором трех десятков технологических патентов в разных странах.
Глубинное обучение для лучшего обслуживания клиентов

Авиакомпания S7Airlines в партнерстве с S7 ТехЛаб, внедряет технологию идентификации пассажиров для использования в центре обслуживания клиентов, маркетинговых кампаниях и программах лояльности. Развернутая в авиакомпании система Unified ID призвана повысить качество сервиса, предоставляемого авиапассажирам: автоматическая идентификация пассажира по накопленным о нем данным; подбор наиболее релевантных сервисов; поддержка программы лояльности за счет формирования наиболее привлекательных предложений по накоплению миль; разработка новых продуктов и сервисов. Система, построенная на технологиях глубинного обучения может применяться почти в любом секторе обслуживания авиапассажиров. Доклад посвящен обсуждению возможностей и архитектуры системы User ID, первых результатах ее эксплуатации, а также решениям обеспечения защиты персональных данных.
Вернуться
к докладчикам
Владимир Соловьев, Финансовый университет при Правительстве РФ
Закончил факультет ВМиК МГУ им. М. В. Ломоносова и Московскую школу управления «Сколково», защитил докторскую диссертацию в Центральном экономико-математическом институте РАН. В индустрии ИТ работает с 1990 года. Начал карьеру со специалиста службы технической поддержки, системного администратора и программиста больших информационных систем, а затем стал руководил ИТ-проектами и ИТ-подразделениями в различных отраслях. В 2011–2016 годах в качестве директора по ИТ реализовал программу технологического развития Финансового университета. С 2016 года возглавляет департамент анализа данных, принятия решений и финансовых технологий Финансового университета, выполняющего для заказчиков из финансовой отрасли и реального сектора экономики проекты по анализу финансовых рынков, моделирования умных производств, промышленного, финансового и образовательного Интернета вещей.
«Альфа-Капитал»: точное предсказание разворота рыночных трендов

Любой инвестор желает точно знать моменты начала и конца рыночных трендов, однако если моменты начала опытный трейдер определяет, как правило, верно, то ошибка обнаружения точки завершения обычно весьма значительна – осторожные трейдеры торопятся, а рисковые опаздывают. В докладе обсуждаются особенности применения модели скользящих окон, используемых в основе инвестиционных стратегий УК «Альфа-Капитал», а также перспективных алгоритмов на основе глубинного обучения и обучения с подкреплением.
Вернуться
к докладчикам
Сергей Лукашкин, Банк ВТБ
Более десяти лет работает в банковской сфере, к.ф.-м.н., MBA, обладает богатым опытом управления программами и проектами цифровой трансформации, реинжиниринга бизнес-процессов, использования стандартов обслуживания, а также применения методологий управления розничными продажами в крупных розничных банках: УРАЛСИБ, НОМОС-Банк, «Открытие». Сейчас, в должности директора по управлению проектами цифровой трансформации Банка ВТБ, ведет проекты цифровой трансформации с использованием технологий искусственного интеллекта, виртуальной и дополненной реальности (VR/AR), биометрической идентификации, распределенного реестра (digital ledger technology, DTL) и др.
Искусственный интеллект в финансовой сфере

Вернуться
к докладчикам
Рафаэл Айрапетян, МФТИ
Закончил факультет прикладной математики Кубанского Государственного Университета, более десяти лет работает в области управления и реализации проектов разработки, внедрения и сопровождения комплексных информационных систем в нефтегазовой отрасли, ретейле, электроэнергетике, телекоммуникациях, индустрии строительства, сельском хозяйстве, государственном управлении и финансовой сфере. Кроме руководства проектами и управления ИТ-подразделениями работал в качестве архитектора, консультанта, методолога и разработчика сложных информационных систем. Сейчас руководит блоком исследований и разработки проекта iPavlov Лаборатории нейронных сетей и глубокого обучения МФТИ, в рамках НТИ выполняемого при софинансировании Сбербанка.
Технологии разговорного машинного интеллекта

На рынке инструментов автоматизации текстовых и речевых коммуникаций сегодня происходят серьезные изменения – нейросетевые технологии позволили достичь существенных успехов при создании приложений, работающих с устной речью: виртуальных ассистентов, чат-ботов, суфлеров и других пользовательских сервисов, снабженных функций ведения диалогов. Интерес к возможностям данных технологий подогревается бумом мессенджеров и модой на разного рода персональных и корпоративных ассистентов, которые становятся основными точками контакта бизнеса со своими клиентами и потребителями информационного контента. Вместе с тем наблюдается серьезный разрыв между ожиданиями бизнеса, разогретого маркетинговой шумихой и реальным уровнем развития науки и технологий. В докладе обсуждаются проблемы цифровизации клиентских и внутренних коммуникаций, разбираются практические примеры использования технологий разговорного машинного интеллекта и других инструментов, основанных на искусственных нейронных сетях.
Вернуться
к докладчикам
Юрий Буйлов, CarPrice
На заре карьеры работал в компаниях «Яндекс», Auto.ru и imhonet.ru, занимаясь монетизированными сервисами, биллинговыми программами, системами бэк-офиса, а также интегрируя различные решения и создавая архитектуры распределенных высоконагруженных систем. Имеет опыт организации разработки на PHP, NodeJS, Python, Ruby и GoLang. Сейчас возглавляет отдел разработки компании CarPrice.
Машинное обучение на автомобильном аукционе

Компания CarPrice предлагает сервис оперативной продажи автомобиля по текущей реальной рыночной цене, складывабщейся в ходе аукциона с участием десятков тысяч дилерских центров по всей стране. В информационной системе поддержки автомобильного аукциона, а также в сопровождающих его сервисах применяются, в частности, технологии машинного обучения. В докладе рассматриваются особенности использования нейронных сетей в высоконагруженных и распределенных конфигурациях, разбираются преимущества, получаемые продавцами и дилерскими центрами от работы с сервисами на базе глубинного обучения.
Вернуться
к докладчикам
Валерий Бабушкин, Х5 Retail Group, Яндекс
Закончил Университет прикладных наук Карлсруэ (Германия), занимался инфракрасной спектрометрией, а затем работал в банке «Открытие». Сейчас – начальник отдела инновационной аналитики и моделирования в российской мультиформатной розничной компании Х5 Retail Group и одновременно консультант в компании «Яндекс», а также приглашенный преподаватель в НИУ ВШЭ.
Машинное обучение в ретейле

Большие данные, аналитика и технологии нейросетей стали сегодня локомотивами развития многих отраслей, включая и ретейл – бизнес, в котором накапливаются огромные объемы сведений о покупателях, их поведении и предпочтениях. Эффективная обработка всех этих данных потенциально может при минимальных затратах привести бизнес к конкурентным решениям, например за счет проведения строго таргетированных маркетинговых кампаний, оптимального размещения магазинов и выбора для них конкретного ассортимента с точным прогнозом срока их выхода на окупаемость, а также выявления «больных» магазинов. Росту товарооборота и снижению потерь способствуют различные программы повышения лояльности клиентов, позволяющие стимулировать посетителя торговой точки к покупке, исключать заведомо ненужные предложения или работу с незаинтересованной аудиторией. Доклад посвящен анализу тонкостей применения в компании Х5 Retail Group таких инструментов как Аплифт-моделирование – прогнозный метод на базе машинного обучения для оценки эффекта воздействия промо- акций на потребителя, снижения оттока клиентов и определения их ценовой эластичности. Особое внимание уделено разбору особенностям применения в маркетинговых исследованиях метода A/B-тестирования при невозможности разбиения покупательской аудитории на группы, что важно, например при оценке эффективности рекламы на телевидении.
Вернуться
к докладчикам
Александр Фонарев, Rubbles, SBDA Group
Cооснователь компании SBDA Group (Rubbles) где руководит направлением Data Science. Закончил ВМК МГУ, преподает в Школе Анализа Данных Яндекса и ведет исследовательскую работу в Cколтехе.
Искусственный интеллект для банковской персонализации

Банки владеют сегодня огромными массивами актуальных сведений о своих клиентах, включающие данные о покупках, предпочтениях, текущем социальном статусе и пр., однако обычно их основная часть не используется. Между тем, эффективная обработка таких сведений дает возможность трансформировать банк в персонального финансового помощника для своих клиентов, способного своевременно предоставить ему финансовый совет, что существенно повысит лояльность финансовой организации, или же рекомендовать клиенту требуемый ему банковский продукт, сервис, коммерческое предложение от партнеров банка и т.п. Доклад посвящен изложению опыта применения современных технологий машинного обучения и анализа данных, позволяющих крупнейшим финансовым организациям максимально точно персонализировать взаимодействие с клиентами.
Вернуться
к докладчикам
Ольга Плосская, Visiology
Закончила МГТУ им. Н.Э. Баумана по специальности «Автоматизация технологических процессов и производств», получила сертификат Project Management Expert и в НИУ ВШЭ квалификацию в области маркетинга. Почти десять лет работает в области управления проектами, в том числе федерального масштаба: в компании Polymedia руководила развитием направления робототехники и инженерных решений; в компании Visiology ведет проекты анализа больших данных на промышленных предприятиях.
Как сделать успешными проекты машинного обучения в промышленности

Все больше компаний встают сегодня на путь цифровой трансформации, делая ставку на исследовании данных (Data Science) для получения новых знаний путем анализа всех имеющихся разнородных корпоративных бизнес-данных. Промышленные предприятия активно присматриваются к машинному обучению, как основному инструменту работы с большими объемами сведений, активно инициируют соответствующие пилотные проекты, зачатую считая нейронные сети «серебряной пулей», позволяющей достигнуть новых бизнес-целей. Однако в промышленности подобные проекты, как правило, сопровождаются множеством ограничений, сопряжены с большими рисками и, следовательно, часто проваливаются.
В докладе разбираются проблемы, с которыми сталкиваются предприятия при выполнении проектов машинного обучения и на конкретных примерах показывается как сделать их успешными.
Вернуться
к докладчикам
Дмитрий Коробченко, Nvidia
В период учебы в МГУ на факультете ВМК занимался компьютерным зрением, а после университета работал инженером по разработке ПО в компании IBM. Около пяти лет работал в компании Samsung над разнообразными исследовательскими задачами, связанными с машинным обучением, компьютерным зрением и обработкой сигналов, а также руководил рядом проектов. Сейчас работает в компании Nvidia на позиции Deep Learning R&D engineer. Проводит открытые научно-популярные лекции по Deep Learning, выступает с обзорами технологий и результатов новейших исследований в сфере машинного обучения.
Ускорение обучения и инференс нейронных сетей

Успех применения современных нейронных сетей непосредственно связан с прогрессом в области аппаратного и программного обеспечения высоконагруженных систем. Для быстрого обучения и инференса (прямого распространения – распознавания на неизвестных выборках с учетом «знаний» обученной сети) важно как высокопроизводительное оборудование, так и эффективное и удобное программное обеспечение. В серьезных проектах на базе машинного обучения трудно обойтись без инструментов высокого уровня, упрощающих процессы построения, обучения и оптимизации моделей на локальных и облачных вычислительных мощностях. Доклад посвящен обзору технологического стека от компании Nvidia, предназначенного для решения задач машинного обучения: GPU, Nvidia GPU Cloud, CUDA, cuDNN, TensorRT и др.
Вернуться
к докладчикам
Станислав Ашманов, «Нейросети Ашманова»
Закончил мехмат МГУ им. М.В.Ломоносова, аспирант ВЦ РАН, один из разработчиков «умного» домашнего помощника «Лекси» с голосовым интерфейсом. В 2015 году вместе с Игорем Модяевым основал компанию «Нейросети Ашманова», специализирующуюся на разработке алгоритмов машинного обучения, заказных искусственных нейронных сетях, системах глубинного обучения и консалтинге в области анализа данных.
Библиотеки глубинного обучения

Появление высокопроизводительных графических процессоров, успехи в области машинного обучения и технологий больших данных привели к буму на рынке прикладных решений искусственного интеллекта – искусственные нейронные сети стали применяться для распознавания объектов, синтеза речи, перевода с различных языков и пр. Снижению порога вхождения в рынок решений на основе глубинного обучения способствовало появление инструментальных фреймворков, адаптированных под конкретное оборудование и включающих стандартный интерфейс программирования, компиляторы, библиотеки создания и обучения нейронных сетей: TensorFlow от Google, Caffe2 от Facebook, CNTK от Microsoft, Neon от Intel пр., каждый со своими преимуществами и недостатками. В докладе приводится обзор наиболее популярных библиотек работы с искусственными нейронными сетями и разбираются особенности их использования при решении конкретных задач. Особое внимание уделено российской библиотеке Puzzle.lib, применяемой сегодня в разнообразных приложениях и поддерживающей такие аппаратные платформы, как Intel, AMD, Nvidia, Apple GPU и Android GPU. В ближайших планах поддержка «Эльбрус», «Байкал» и ЭЛВИС ELISE.
Вернуться
к докладчикам
Максим Ковалев, IQSystems
Более двадцати лет занимался вопросами организации бизнес-процессов и решения задач в области автоматизации каталожной торговли, логистики и директ-маркетинга. С 2003 года один из основателей, главный архитектор и генеральный директор компании IQSystems, специализирующейся на исследованиях в сфере высоконагруженных хранилищ данных и создании алгоритмов работы со слабоструктурированныи текстами, направленных, в частности, для повышения качества данных и их очистки.
Обеспечение качества данных в задачах машинного обучения

По оценкам разных источников, до 80% данных неструктурированны (их еще называют «темные»), а значит использовать их в задачах анализа и машинного обучения попросту невозможно, однако выход есть. В докладе анализируются основные проблемы, возникающие при анализе данных и их подготовке для обработки с помощью алгоритмов машинного обучения, разбираются преимущества и недостатки различных методов анализа текстов. Особое внимание уделено сравнению различных подходов к анализу больших массивов текстов с точки зрения их применения для решения задач глубинного обучения.
Вернуться
к докладчикам
Тимур Палташев, AMD Radeon Technology Group
Доктор технических наук, старший менеджер компании Advanced Micro Devices, профессор колледжа инженерии Northwestern Polytechnic University (США). Совместно с ИПМ им. М.В. Келдыша РАН организовал базовую кафедру технологий визуализации в НИУ ИТМО, руководитель международной лаборатории «Архитектура и методы проектирования встраиваемых систем и систем на кристалле» НИУ ИТМО. Выполняет ряд исследовательских и инженерно-технологических проектов в США, России и Казахстане в области разработки систем компьютерной графики и визуализации, архитектур графических процессоров и высоко-производительных систем на кристалле для систем искусственного интеллекта и виртуальной реальности. Сочетает работу в качестве консультанта с преподавательской деятельности по тематике «Архитектуры процессоров и проектирование систем на кристаллах для высокопроизводительных вычислений». Имеет около 30 патентов США на изобретения в области микропроцессорных архитектур.
Открытая унифицированная архитектура для задач машинного интеллекта

Машинное обучение стало сегодня одним одним важнейших инструментов поддержки приложений, актуальных для различных предметных областей и требующих интенсивных вычислений при работе с большими данными. Наибольший эффект достигается от применения систем глубинного обучения, работающих с различными аппаратно-программными конфигурациями, включающими CPU, GPU и FPGA, а также популярными программными фреймворками и библиотеками, поддерживающими альтернативные модели машинного обучения и различные нейронные сети. Открытая унифицированная архитектура для глубинного обучения предусматривает стандартный интерфейс программирования, скрывающий гетерогенность аппаратной конфигурации, но позволяющий генерировать наиболее оптимальный для конкретных платформ код. Кроме фреймворков высокого уровня (TensorFlow, Theano, Caffe, Torch и MxNet) разработчикам сегодня необходимы инструменты, максимально полно использующие возможности конкретных процессоров. Доклад посвящен обзору платформы AMD ROCm и фреймворка MIopen, содержащих полнофункциональный технологический стек поддержки решений глубинного обучения для конфигураций из AMD EPYC CPU и AMD Radeon Vega GPU. Кроме поддержки распространенных библиотек машинного обучения эти инструменты включают драйверы, компиляторы и мониторы производительности как для уровня отдельных слоев, так и всей исполняемой искусственной нейронной сети.
Вернуться
к докладчикам
Тимур Палташев, AMD Radeon Technology Group
Доктор технических наук, старший менеджер компании Advanced Micro Devices, профессор колледжа инженерии Northwestern Polytechnic University (США). Совместно с ИПМ им. М.В. Келдыша РАН организовал базовую кафедру технологий визуализации в НИУ ИТМО, руководитель международной лаборатории «Архитектура и методы проектирования встраиваемых систем и систем на кристалле» НИУ ИТМО. Выполняет ряд исследовательских и инженерно-технологических проектов в США, России и Казахстане в области разработки систем компьютерной графики и визуализации, архитектур графических процессоров и высоко-производительных систем на кристалле для систем искусственного интеллекта и виртуальной реальности. Сочетает работу в качестве консультанта с преподавательской деятельности по тематике «Архитектуры процессоров и проектирование систем на кристаллах для высокопроизводительных вычислений». Имеет около 30 патентов США на изобретения в области микропроцессорных архитектур.
Открытая унифицированная архитектура для задач машинного интеллекта
Машинное обучение стало сегодня одним одним важнейших инструментов поддержки приложений, актуальных для различных предметных областей и требующих интенсивных вычислений при работе с большими данными. Наибольший эффект достигается от применения систем глубинного обучения, работающих с различными аппаратно-программными конфигурациями, включающими CPU, GPU и FPGA, а также популярными программными фреймворками и библиотеками, поддерживающими альтернативные модели машинного обучения и различные нейронные сети. Открытая унифицированная архитектура для глубинного обучения предусматривает стандартный интерфейс программирования, скрывающий гетерогенность аппаратной конфигурации, но позволяющий генерировать наиболее оптимальный для конкретных платформ код. Кроме фреймворков высокого уровня (TensorFlow, Theano, Caffe, Torch и MxNet) разработчикам сегодня необходимы инструменты, максимально полно использующие возможности конкретных процессоров. Доклад посвящен обзору платформы AMD ROCm и фреймворка MIopen, содержащих полнофункциональный технологический стек поддержки решений глубинного обучения для конфигураций из AMD EPYC CPU и AMD Radeon Vega GPU. Кроме поддержки распространенных библиотек машинного обучения эти инструменты включают драйверы, компиляторы и мониторы производительности как для уровня отдельных слоев, так и всей исполняемой искусственной нейронной сети.

Вернуться
к докладчикам
Алексей Маланов, «Лаборатория Касперского»
В 2006 году окончил факультет вычислительной математики и кибернетики МГУ им М.В. Ломоносова и еще в бытность студентом начал работать вирусным аналитиком в компании "Лаборатория Касперского". С 2007 по 2012 год возглавлял отдел антивирусных исследований, а сегодня занимается исследованием применения перспективных технологий, в частности, глубинного обучения, для защиты клиентов компании «Лаборатории Касперского» от киберугроз.
Этика «искусственного интеллекта»

В многочисленных фантастических фильмах с разных сторон муссируются угроза, исходящая от искусственного интеллекта, но до появления сильного, действительно «умного» искусственного интеллекта пройдет еще немало времени и пока можно не спешить с проработкой «законов робототехники». Однако уже сейчас мы сталкиваемся с реальной опасностью – практика применения машинного обучения в различных областях показывает, что соответствующие системы часто могут принимать странные, дискриминационные и труднообъяснимые решения. Более того, человек может обмануть алгоритмы и получить требуемый ему результат, например надев очки специальной раскраски, чтобы система распознавания лиц приняла его за кинозвезду. Доклад посвящен анализу последствий все более широкого проникновения «умных» систем в повседневную жизнь человека, влияющего, в частности, на принятие решений.
Вернуться
к докладчикам
Владимир Штанько, Rambler&Co
Закончил МГУ и НИУ ВШЭ. Более пяти лет работает в индустрии анализа данных и машинного обучения. Сейчас в компании Rambler Group отвечает за развитие продуктов на база машинного обучения, используемых для совершенствования рекламных технологий, рекомендательных систем и комплексов машинного зрения.
Искусственный интеллект в киноиндустрии

В конце 2017 года компания Rambler&Co интегрировала крупнейшие киносети «Синема Парк» и «Формула кино», сформировав объединенную Rambler Group с целью максимально полной реализации потенциала рекламы в кино. Сегодня рынок рекламы в киносетях недооценен: имеются проблемы с прозрачностью рынка, инструментализацией доставки, таргетирования и оценкой эффективности. Например, нельзя точно сказать сколько людей видели конкретный рекламный ролик и что это были за люди (пол, возраст, интересы) – для оценки эффективности рекламы недостаточно лишь данных по купленным билетам. Доклад посвящен обсуждению особенностей применения технологии машинного обучения для решения задач оптимизации рекламных кампаний. Особое внимание уделяется вопросам использования компьютерного зрения, технологий детектирования, классификации и матчинга изображений при эксплуатации в промышленных решениях для огромных сетей.
Вернуться
к докладчикам
Станислав Кулик, Ренессанс страхование
Закончил МИФИ и МИРБИС. Работал в банковской сфере и в сфере недвижимости, затем увлекся машинным обучением, в частности, участвовал в соревнованиях по анализу данных. С 2017 года работает ведущим аналитиком в «Группе Ренессанс Страхование», где отвечает, помимо прочего, за направления добровольного медицинского страхования.
Распознавание текстов в задачах страхования

В сфере добровольного медицинского страхования циркулирует большой объем неструктурированных и слабоструктурированных данных: прейскуранты клиник, счета за услуги, протоколы лечения и т. д., что крайне усложняет выполнение таких, например, процессов, как проверка соответствия лечения страховой программе. Применение технологий из арсенала систем искусственного интеллекта, в частности, алгоритмов обработки естественного языка (NLP), позволяет автоматизировать подобные процессы, выявлять случаи мошенничества и злоупотреблений, что непосредственно влияет на прибыли страховой компании.
Вернуться
к докладчикам
Василий Долгов, VizorLabs
В 2002 году закончил факультет ВМК МГУ им. М. В. Ломоносова, работал ведущим специалистом систем автоматизации в ИТ-департаменте "Автомобильной финансовой корпорации» (группа «АвтоВАЗ»), а затем начальником ИТ-отдела бизнес-единицы АПК «Агрос». С 2004 по 2017 год работал в компании «Полюс Золото» где более 12 лет руководил службой ИТ. Сегодня основал компанию VizorLabs, специализирующуюся на промышленных системах компьютерного зрения, построенных на базе нейронных сетей.
Компьютерное зрение в производстве

В промышленности сегодня все шире используются системы компьютерного (технического) зрения, позволяющие автоматизировать процессы контроля выпускаемой продукции, управления производственными процессами циклом и пр. Особенно эффективны решения, включающие подсистемы на базе машинного обучения, позволяющие в реальном времени анализировать потоки видео, объемы, скорость получения или сложность которых не под силу для обработки с помощью альтернативных подходов. Доклад посвящен обсуждению особенностей применения систем компьютерного зрения в производстве: фиксация сотрудников без требуемых средств защиты, проникновение в опасные зоны, загромождение путей выхода сотрудников, мониторинг технологических циклов и т.п. Особое внимание уделено анализу опыта создания систем на базе искусственных нейронных сетей для промышленной эксплуатации в энергетике и металлургии, медицине и ретейле.
Вернуться
к докладчикам
Валентин Малых, МФТИ, Nvidia
Закончил МФТИ, затем в компании «Когнитивные технологии» занимался задачами распознавания текста и самоуправляемыми автомобилями. Во время работы в компании Яндекс решал задачи качества поиска и ранжирования. С 2016 года преподает в МФТИ и занимается задачами устойчивости к шумам при обработке естественного языка, создания и эксплуатации систем типа «Вопрос-Ответ».
Классификация изображений: пакет Nvidia DIGITS

В рамках практической конференции «Технологии машинного обучения. Искусственный интеллект и нейросети: инструменты и опыт реальных проектов» Институт глубокого обучения компании Nvidia (Deep Learning Institute, DLI) проводит мастер-класс для программистов, специалистов по обработке данных и исследователей. Участники практических занятий осваивают современные техники тренировки нейронных сетей и способы интеграции алгоритмов машинного обучения. В ходе мастер-класса «Пакет Nvidia DIGITS: классификация изображений» проводится обучение искусственной нейронной сети распознаванию рукописных цифр: загрузка данных в среду обучения, выбор и тренинг нейронной сети, тестирование сети на новых данных и выполнение итерации для улучшения результата.
Вернуться
к докладчикам
Иван Киреев, Райффайзенбанк
Закончил МГТУ им. Н. Э. Баумана по специальности «Автоматизированные системы обработки информации и управления». Имеет почти десятилетний опыт решения различных задач в сфере банковской отчетности. Работал в подразделении разработки хранилищ данных Райффайзенбанка, а сейчас – старший системный аналитик в группе Big Data, где занимается разработкой и внедрением для различных прикладных областей проектов в области машинного обучения.
Машинное обучение для оптимизации сервиса поддержки сети банкоматов

Наличие высокоуровневых языков программирования и специальных открытых фреймворков снижает порог вхождения в область решений на основе машинного обучения, однако обилие готовых наборов данных и фиксированных метрик могут создать у неискушенных специалистов по анализу данных иллюзию простоты машинного обучения. На практике, когда требуется внедрить в промышленную эксплуатацию готовую модель, часто возникают проблемы, вовсе не связанные непосредственно с обучением модели. Доклад посвящен изложению опыта внедрения и поддержки актуальности модели машинного обучения для оптимизации работы сети обслуживания банкоматов. При работе с банкоматами важно, чтобы наличных денег в нем всегда было достаточно для удовлетворения клиентского спроса, но и не слишком много – деньги должны работать, а не лежать мертвым грузом. Банкоматы размещаются в разных городах, имеют различный режим и график работы, а возможности службы инкассации ограничены. Для планирования оптимального режима обслуживания важно иметь точный долгосрочный прогноз ситуации, что и обеспечивает анализ больших данных с помощью алгоритмов машинного обучения. Особое внимание в докладе уделено анализу проблем, которые пришлось преодолеть при выполнении проекта: коммуникация с заказчиком при постановке задачи, выбор метрик, масштабируемость архитектуры и др. Полученный при выполнении проекта опыт будет полезен для любых проектов в организациях, имеющих распределенную филиальную или сервисную сеть.
Вернуться
к докладчикам
Дмитрий Сивков, Intel
В 2000 году закончил Ижевский государственный технический университет, с 2003 года занимается высокопроизводительными вычислениями и анализом данных для поддержки научных исследований, к.физ.-мат. наук по специальности дифференциальные уравнения. В корпорации Intel около десяти лет работает над решением критических проблем развертывания и применения международными и российскими заказчиками программных продуктов этого производителя.
Эволюция данных: от больших к «умным»

Что главное в машинном обучении? Данные. Большие, качественные и репрезентативные, собранные по всем параметрам моделируемого процесса. В отличии от академических исследований, выполняемых на готовых публичных наборах, в реальных проектах искусственного интеллекта самая сложная и трудоемкая часть – это подготовка данных обучающих и тестовых выборок, способных натренировать (но не переобучить) «умные» модели до максимальной устойчивой точности. Для сбора, очистки и разметки обучающих выборок нужны универсальные масштабируемые и экономически эффективные серверы, системы хранения, а при промышленной эксплуатации обученной модели важна устойчивость работы под высокой нагрузкой и энергоэффективность. Доклад посвящен разбору технологий и программного стека Intel, предлагаемых для каждого шага на проекте по внедрению искусственного интеллекта: процессоры Intel Xeon Scalable, Intel Nervana Neural Network Processor, Intel Optane и Intel FPGA. Особое внимание в докладе посвящено реальным проектам, выполненным на платформах от Intel.
Вернуться
к докладчикам
Сергей Кузнецов, НИУ ВШЭ
Руководитель департамента анализа данных и искусственного интеллекта, заведующий международной лабораторией «Интеллектуальные системы и структурный анализ» НИУ ВШЭ, доктор физ.-мат. наук. Заведовал кафедрой «Распознавание изображений и обработка текста» в МФТИ, работал научным сотрудником Института алгебры политехнического университета Дрездена, а ранее – ведущим сотрудником Всероссийского Института Научной и Технической Информации.
«Искусственный интеллект»: вызовы, тенденции, прогнозы

Успехи в области искусственного интеллекта последних лет впечатляют – в чем они проявляются, как меняют мировоззрение людей и общество в целом, какие угрозы несут, что ждать в будущем? Доклад посвящен ответам на эти и многие другие вопросы.
Вернуться
к докладчикам
Сергей Исаев, DataFabric
Получил три высших образования: инженер связи, специалист в области маркетинга, психолог. Около двадцати лет работает в области управления проектами, в том числе создания интеллектуальных информационных систем на основе инженерии знаний. Работал в компании Центр Речевых Технологий, где занимался развитием виртуальных ассистентов для контактных центров на основе слабого искусственного интеллекта. Сейчас – генеральный директор компании DataFabric.
Альтернативные инструменты: «искусственный интеллект» без нейронных сетей

Обучение интеллектуальных информационных систем с помощью нейронных сетей — один из способов создания «умных» систем. Системы прикладного искусственного интеллекта в ряде случаев позволяют хорошо автоматизировать выполнение лишь отдельных действий без связи с другими процессами или операциями. Кроме этого, человек еще не знает, что такое сознание, как оно устроено и не может доказать правильность работы систем на базе нейронных сетей. Подходы инженерии знаний отталкиваются не от большого количества данных, а от формирования описания предметной области через онтологическое моделирование, вручную выполненное экспертом, что позволяет машине понимать «смысл» данных. Доклад посвящен изложению принципов и подходов к обучению «умных» систем при помощи инженерии знаний и онтологического моделирования. Особое внимание уделено обсуждению преимуществ и возможностей систем, способных самостоятельно делать логические выводы, создавать новые сущности и связи в больших массивах данных.
Вернуться
к докладчикам
Виктор Кантор, Яндекс.Такси
Занимается машинным обучением около десяти лет, преподает в ВУЗах, компаниях и на Coursera. Работал в Yandex Data Factory, компании ABBYY и ряде стартапов. Сейчас – эксперт по машинному обучению и консультант Яндекс.Такси.
Рекомендательные системы: фантазии и реальность

Сегодня никого уже не удивляют новости про очередную компанию, внедряющую персонализированные рекомендации для продвижения и продажи своих услуг или товаров, однако часто это делается в угоду моде – надо обязательно, хоть в каком-нибудь бизнес-процессе попробовать применить машинное обучение. Мало того, имеется множество историй, когда весьма солидные организации затевают проекты с нейронными сетями даже без тени намека на экономическую осмысленность. Определить экономический эффект обычно сложно – часто не удается его статистически значимо проверить, что не дает серьезных оснований для его воспроизводимости в будущем. Однако не все так мрачно – да, имеются примеры проектов в которых компании и организации сталкиваются с серьезными проблемами реализации проектов машинного обучения, но есть и реализации, когда все получается легко и сразу. В докладе обсуждается практика построения рекомендательных систем на примере кейсов из промышленности, а также разбираются ситуации, когда рекомендации можно использовать особенно эффективно.
Вернуться
к докладчикам
Михаил Цветков, Intel
Закончил Физический факультет и аспирантуру по направлению Физика полупроводниковых приборов и микроэлектроника Воронежского университета. В ИТ-индустрии более десяти лет. Работал в инженерных и исследовательских подразделениях Intel Labs и Intel Architecture Group, специализируется на системах Искусственного Интеллекта и Интернета вещей, а также на облачных решениях. Сейчас технический директор офиса корпорации Intel в России.
Эволюция данных: от больших к «умным»

Что главное в машинном обучении? Данные. Большие, качественные и репрезентативные, собранные по всем параметрам моделируемого процесса. В отличии от академических исследований, выполняемых на готовых публичных наборах, в реальных проектах искусственного интеллекта самая сложная и трудоемкая часть – это подготовка данных обучающих и тестовых выборок, способных натренировать (но не переобучить) «умные» модели до максимальной устойчивой точности. Для сбора, очистки и разметки обучающих выборок нужны универсальные масштабируемые и экономически эффективные серверы, системы хранения, а при промышленной эксплуатации обученной модели важна устойчивость работы под высокой нагрузкой и энергоэффективность. Доклад посвящен разбору технологий и программного стека Intel, предлагаемых для каждого шага на проекте по внедрению искусственного интеллекта: процессоры Intel Xeon Scalable, Intel Nervana Neural Network Processor, Intel Optane и Intel FPGA. Особое внимание в докладе посвящено реальным проектам, выполненным на платформах от Intel.
Вернуться
к докладчикам
Артем Грачев, Samsung R&D Institute Russia
Закончил ВМК МГУ, учится в аспирантуре НИУ ВШЭ и работает инженером в компании Samsung, где занимается исследованиями в области машинного обучения и искусственного интеллекта: обучение с подкреплением, байесовские методы и методы сжатия нейронных сетей.
Нейронные сети на мобильных платформах

Сегодня нейронные сети считаются одним из эффективных методов решения большого числа прикладных задач, что стимулирует их применение на различных устройствах, начиная от смартфонов, телевизоров и заканчивая бытовыми холодильниками. Все такие устройства и приборы обычно имеют ограничения по памяти и производительности, что делает актуальной задачу сжатия нейронных сетей. Доклад посвящен обзору методов сжатия нейронных сетей в контексте задачи моделирования разговорных языков. Особое внимание в докладе уделено практическим применениям решения таких методов: предиктивный ввод на клавиатуре мобильных устройств, системы машинного перевода и анализа текста.
Вернуться
к докладчикам
Виктор Гомболевский, Радиология Москвы, Департамент здравоохранения Москвы
В 2008 году закончил РНИМУ им. Н. И. Пирогова, а в 2015 году American Medical Informatics Association «10x10» университета Health & Science Орегона, к.м.н., врач-рентгенолог. Более десяти лет работает врачом в государственных и частных медицинских организациях, совмещая практику с научными исследованиями. Три года возглавляет отдел развития качества радиологии ГБУЗ «Научно-практический центр медицинской радиологии» Департамента здравоохранения Москвы. Руководит проектом «Московский скрининг рака легкого» и комитетом по искусственному интеллекту Московского регионального отделения Российского общества рентгенологов и радиологов.
Искусственный интеллект в скрининге рака

По данным ВОЗ, во всем мире рак легкого – «лидер» по смертности среди онкологических заболеваний. К сожалению, сегодня 75% всех случаев злокачественных новообразований легкого верифицируются на поздних стадиях, что приводит к 50% летальности уже в первый год с момента постановки диагноза. Компьютерная томография, проводимая бессимптомным, «условно здоровым» гражданам из группы риска – единственный сейчас эффективный метод ранней диагностики данного онкологического заболевания. В 2017 году в Москве был запущен проект массового скрининга рака легкого, что сразу вызвало «цунами данных», проанализировать которые вручную невозможно. Доклад посвящен анализу программных продуктов, используемых для решения задач скрининга рака легкого. Особое внимание в докладе уделено работам, проводимым Радиологией Москвы для скрининга рака легкого на основе методов искусственного интеллекта: программы для раннего распознавания рака легкого путем автоматического поиска очагов и системы обработки естественного языка.
Вернуться
к докладчикам
Таня Милек, «Русагро»
Имеет два магистерских образования (техническое и экономическое), получила степень MBA института AIBEC. Около двадцати лет работает в ИТ-индустрии, специализируясь на проектном управлении в ИТ и управлении разработкой информационных систем. Выполняла проекты в интересах таких компаний как Oracle, Microsoft и SAS. Имеет опыт реализации совместных проектов с компаниями из США, Великобритании, Венгрии, Индии и др. Обладатель сертификатов PMP (PMI), Scrum (Licence 588790, USA), Prince2 (Management Plaza, UK), SAP Activate (SAP, EMEA), ITIL Foundation (Australia), а также сертификатов по продуктам Oracle и SAP. Сейчас занимается построением проектного управления в группе компаний «Русагро».
Роботизация в сельском хозяйстве

Машинное обучение, искусственный интеллект и роботизация (Robotics Process Automation, RPA) уже сегодня помогают повысить урожайность сельскохозяйственных культур, обеспечить контроль над ценами и увеличить прибыли. Эффективное сочетание этих технологий дает возможность предприятиям достигнуть требуемой для цифровой экономики гибкости, получать предсказуемый результат и ожидаемый экономический эффект. Программа RPA, запущенная в объединенном центре обслуживания группы компаний «Русагро», предусматривает развертывание средств имитации действий человека, по определенным правилам выполняющего обработку электронных документов, организующего взаимодействие с системами учета и онлайн-ресурсами. Доклад посвящен обсуждению особенностей развертывания и результатов программы RPA, позволившей предприятию сократить затраты, повысить качество управления цепочками поставок, оптимизировать продажи и улучшить клиентскую поддержку. Особое внимание уделено анализу способов преодоления проблем, возникающих при роботизации бизнес-процессов, разбору методов повышения эффективности, а также оценке побочных эффектов.
Вернуться
к докладчикам
Глеб Корнеев, Dbrain
Закончил Финансовую академию, к.э.н. по специальности «Финансы». Работал в компаниях PwC; Strategy Partners; EY; Институте медиа, архитектуры и дизайна «Стрелка»; Фонде Рубена Варданяна. Эксперт по вопросам внедрения технологий машинного обучения на предприятиях реального сектора экономики, специалист по корпоративной стратегии и построению систем управления проектами. Сейчас руководит развитием бизнеса в проекте Dbrain.
Построение платформ «искусственного интеллекта» для решения бизнес-задач

Применение технологий машинного обучения во всех сферах бизнеса – только вопрос времени и уже сегодня область интересов систем искусственного интеллекта простирается далеко за границы ИТ и связанных с ним секторов (телекоммуникации, финансы). Технологии машинного обучения все активнее применяются в пищевой промышленности, металлургии, машиностроении и т.д. Однако для бизнеса, ни машинное обучение, ни ИТ в целом не является профильной деятельностью, поэтому самостоятельная разработка систем искусственного интеллекта часто оборачивается настоящей головной болью. Как хранить и обрабатывать данные, где найти и чем привлечь дорогостоящих исследователей данных, где разместить готовую модель? В свою очередь исследователям данных нужны качественно размеченные данные и инфраструктура для тренировки модели. Dbrain – блокчейн-платформа, объединяющая бизнес, исследователей данных и специалистов по разметке данных. Доклад посвящен обсуждению проектов, реализованных с помощью данной платформы и демонстрации соответствующих инструментов обработки данных, включая протоколы блокчейна.
Вернуться
к докладчикам
Сергей Юдовский, ЦРИИ
Закончил механико-математический факультет ЕНУ им. Л.Н.Гумилева. Около десяти лет работает в ИТ-индустрии, занимаясь управлением командами, кризис-менеджментом и стратегиями инвестиций в высокотехнологичные проекты. Основатель и генеральный директор ряда компаний, включая проект по обучению хирургов с применением VR-технологий (Surgera.io). Сейчас генеральный директор Центра Роботизации и Искусственного Интеллекта (ЦРИИ) – российской компании, специализирующейся на решениях в сфере роботизации, в частности, для таких компаний как Qiwi Bank, ММК, Технониколь, ПИК и др.
Роботизация на платформах UiPath и Tensor Flow

Технология Robotic Process Automation (RPA) позволяет снизить затраты и риски выполнения бизнес-процессов, способствуя повышению качества услуг и эффективности работы персонала. Выполняемые на уровне графического интерфейса RPA-программы имитируют работу человека и интегрируются в существующие ИТ-инфраструктуры – «виртуальный» сотрудник способен повторить действия оператора в различных программных системах согласно заданной инструкции. Доклад посвящен разбору особенностей роботизации на платформах UiPath и Tensor Flow. Особое внимание уделено анализу ошибок, возникающих при роботизации бизнес-процессов на реальных предприятиях.
Вернуться
к докладчикам
Дмитрий Каштанов, ICL Services
Закончил КГТУ им. А.Н. Туполева (КАИ). Более 15 лет работает в ИТ-индустрии: руководство проектами разработки ПО, организация командной работы и развертывание инфраструктуры поддержки, планирование и проектирование, консалтинг в области создания корпоративных приложений. Работал в компаниях ICL-КПО ВС, Auriga и НОРБИТ. Имеет сертификаты ITIL Expert и Certifed Outsourcing Professional. Сейчас в компании ICL Services руководит направлением бизнес-услуг и услуг по приложениям, а также занимает должность Chief Digital Officer.
Автоматическая классификация инцидентов

При обслуживании крупных федеральных сетей ИТ-служба обычно сталкивается с большими объемами работ по классификации и маршрутизации множества однотипных запросов и, как следствие, даже при «жестком» SLA задержка на первой линии обслуживания клиентов составляет несколько минут. Алгоритмы обработки естественного языка и методы машинного обучения могут помочь при решении актуальной для служб поддержки задачи маршрутизации, однако типичные запросы в службу обычно содержат слишком мало информации, а классификация должна осуществляться по нескольким сотням относительно близких классов, что приводит к увеличению числа ошибок при работе модели – эффект от внедрения подобного решения оказывается ниже ожидаемого. Приемы пред- и постобработки позволяют внедрять модели машинного обучения с незначительным уровнем ошибок. Доклад посвящен изложению опыта применения методов машинного обучения для оптимизации работы служб сервисной поддержки крупных федеральных сетей. Особое внимание в докладе уделено разбору проблем, возникающих при выполнении проектов машинного обучения и методам их преодоления.
Вернуться
к докладчикам
Виктор Наумов, Dentons
В 1994 году закончил Санкт-Петербургский государственный морской технический университет, диплом в области электромеханики, затем Санкт-Петербургский государственный университет по специальностям: прикладная математика, юриспруденция. Работал в компаниях Ernst & Young, DLA Piper Rudnick Gray Cary, Beiten Burkhardt, Salans. Консультант по вопросам защиты интеллектуальной собственности и управления нематериальными активами, в частности, Интернета вещей, 3D-печати и робототехники. Возглавляет рабочую группу по направлению «Киберфизические системы» в рамках реализации программы «Цифровая экономика Российской федерации», а также входит в главную рабочую группу «Нормативное регулирование». Старший научный сотрудник Института государства и права РАН, к.ю.н, доцент СПбГУ. Сейчас – управляющий партнер Санкт-Петербургского офиса компании Dentons, руководит российской практикой в области интеллектуальной собственности, ИТ и телекоммуникаций.
Юридические аспекты роботизации

Сегодня в России нет системных исследований в области регулирования робототехники как совокупности общественных отношений, предметом которых являются производство, распределение и использование автоматизированных технических систем. Сейчас остро необходима разработка нового предметного законодательства. Какие шаги уже сделаны? На какие вызовы еще предстоит ответить? Доклад посвящен ответам на эти и другие вопросы, связанные с созданием отечественных законопроектов о робототехнике и подготовкой международной конвенции по робототехнике.
Вернуться
к докладчикам
Евгений Степанов, Micro Focus
-
Машинное обучение – рабочая технология или война компромиссов?

-
Вернуться
к докладчикам
Альберт Ефимов, Сбербанк, Центр Робототехники
Закончил факультет кибернетики МИРЭА, магистратуру в University of Strathclyde по специальности «Управление телекоммуникациями», прошел обучение в школе робототехники Imperial College of London, а в 2016 году закончил аспирантуру Института мировой экономики и международных отношений РАН. Почти тридцать лет в ИТ-индустрии, работал, в частности, в Фонде «Сколково», где создал и возглавлял робототехнический центр, среди наиболее известных реализованных проектов которого: реабилитационный экзоскелет «Экзоатлет», сервисный робот «Промобот» и беспилотный автобус «Матрешка». Сейчас в Сбербанке отвечает за развитие компетенций в сфере интеллектуальной робототехники и беспилотных транспортных средств в интересах всех экосистемы банка.
Sberbank Robotics: проблемы, решения, результаты

-
Вернуться
к докладчикам
Андрей Устюжанин, ЩАД Яндекс, НИУ ВШЭ
Руководит лабораторией методов анализа больших данных НИУ ВШЭ, доцент. Координирует совместные проекты Школы Анализа Данных Яндекса и ЦЕРН. Принимает активное участие в работах по анализу данных и решению оптимизационных задач как в уже существующих, так и в перспективных экспериментах в области фундаментальных исследований.
Цифровые двойники: построение и настройка методами машинного обучения

В ИТ-системах, применяемых в индустрии сегодня набирают популярность цифровые двойники, однако, как это часто происходит на ранних этапах технологической готовности под одним и тем-же термином могут пониматься различные вещи – от систем визуализации до многоуровневых многоагентных моделей. Как бы то ни было, ключевая особенность технологии цифровых двойников – близость их поведения к реальным объектам моделирования. В докладе представлен подход к построению цифровых двойников для систем хранения данных, разбирается метод настройки моделей с помощью методов машинного обучения на основе обучения с подкреплением. Особое внимание в докладе уделено разбору сильных и слабых сторон такого подхода, а также анализу дальнейших возможных шагов развития технологии цифровых двойников.
Вернуться
к докладчикам
Леонид Жуков, Boston Consulting Group Gamma Россия
Закончил Московский инженерно-физический институт, магистр физики, имеет степень PhD по физике Университета Юты, профессор департамента анализа данных и искусственного интеллекта НИУ ВШЭ. Работал исследователем в Yahoo! Labs и Caltech, где разрабатывал алгоритмы анализа веб-графа, системы таргетированной рекламы, методы анализа социальных сетей и изображений. В компании Ancestry.com в качестве директора по анализу данных руководил проектом создания масштабируемой системы машинного обучения и поиска информации для анализа ретроспективных документов. Был одним из соучредителей стартапа в сфере информационной безопасности и возглавлял команду разработчиков, создавших систему предотвращения утечек информации на основе технологии DPI. Сейчас возглавляет консалтинговую компанию BCG Gamma в Москве.
Робототехника: революционный прорыв в промышленном производстве

-
Приглашаем:
  • технических директоров и ИТ-директоров;
  • директоров по стратегии и инновациям;
  • руководителей бизнес-подразделений;
  • ведущих архитекторов и разработчиков;
  • системных аналитиков, бизнес-аналитиков, аналитиков исследователей и исследователей данных;
  • менеджеров проектов, программ и продуктов.
Публикации

Для участия в форуме заполните анкету

До начала форума осталось
Дни
Часы
Минуты
Секунды
Для связи с организаторами
conf@osp.ru
тел. +7 (495) 725-4780

Стоимость участия
9900 руб.
на коллективные заявки от 3-х делегатов на весь период регистрации.
Дополнительно приобрести видео материалы докладов - 3000 руб.
12900 руб.
при регистрации и оплате с 17.07
по 16.09 включительно.
Дополнительно приобрести видео материалы докладов - 3000 руб.
15900 руб.
при регистрации и оплате
с 17.09 по 24.09 включительно.
Дополнительно приобрести видео материалы докладов - 3000 руб.
Форма заказа
Оставьте ваши контакты
Премиум партнеры
Информационные партнеры
Отель-партнер конференции
Подать заявку на доклад
Пожалуйста, укажите свои контакты,
тему и аннотацию доклада
Мы ждем Вас!
Место проведения:
Отель Palmira Business Club
(Москва, Новоданиловская набережная,6)