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
Обработка и хранение больших данных и их интеграция
в существующую инфраструктуру
Машинное обучение
на практике
Электронная коммерция, ретейл, страхование, финтех, телекоммуникации, промышленность, транспорт, здравоохранение, индустрия моды
Секреты успеха

Как избежать неудач в проектах
машинного обучения
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, а после защиты диссертации ИППИ РАН в 2008 году работал 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. В настоящее время Евгений 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.
Новостные потоки в задаче моделирования финансовых показателей

Стандартным инструментом предсказания финансовых показателей, таких как волатильность доходности активов, уровень цен на углеводороды, является технический анализ на основе статистических моделей и различных макроэкономических данных. Однако ясно, что дополнительными источниками информации могут служить публикации в новостных ресурсах, социальных сетях и медиа, аналитические отчеты – потоки разнородных текстовых данных. Действительно, на локальные колебания финансовых показателей влияют различные события: политические решения, забастовки, теракты и пр. Когда подобные новости доходят до трейдеров на биржах начинаются ценовые колебания. Автоматизированное определение тематики, тональности и достоверности текстовых данных в медийных потоках, а также извлечение из них именованных сущностей, фактов и событий помогает обогатить предсказательные модели, существенно улучшив оценку рисков тех или иных финансовых решений.
Доклад посвящен обсуждению этих задач и подходов к их решению, позволяющих разработать и использовать точные инструменты оценки рисков и стратегического планирования цифровой экономики.
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.
Применение технологии машинного обучения для улучшения обслуживания клиентов

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, начав со специалиста службы технической поддержки, системного администратора и программиста больших информационных систем и до руководителя 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»: как торговать с «умом»

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 средних, 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
Директор по управлению проектами цифровой трансформации
Искусственный интеллект в финансовой сфере

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
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.
Разговорный машинный интеллект: инструменты
и применения
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
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 теории глубинных сетей и технологий больших данных привели к буму на рынке прикладных решений искусственного интеллекта – нейронные сети стали применяться для распознавания объектов, синтеза речи, перевода и пр. Снижению порога вхождения решений на основе глубинного обучению для применения в в различных областях способствовало появление инструментальных фреймворков, адаптированных под конкретное оборудование и включающих компиляторы, библиотеки создания и обучения нейронных сетей. Сегодня имеется несколько таких фреймворков: 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 применения при решении конкретных задач. Особое внимание уделено российской библиотеке Puzzle.lib, применяемой сегодня для решения различных прикладных задач цифровой экономики и поддерживающей все популярные аппаратные платформы, включая Intel, AMD, Nvidia, Apple GPU и Android GPU, а в ближайших планах -- «Эльбрус», «Байкал» и ЭЛВИС ELISE.
Вернуться
к докладчикам
Алексей Малахов, «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.
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
Подать заявку на доклад
Пожалуйста, укажите свои контакты, тему и аннотацию доклада

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
при регистрации и оплате
с 01.06 по 09.07 включительно
на коллективные заявки от 3-х делегатов на весь период регистрации
12900 руб.
при регистрации и оплате с 10.07 по 16.09 включительно
15900 руб.
при регистрации и оплате
с 17.09 по 24.09 включительно
Форма заказа
Оставьте ваши контакты
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)