Дмитрий Бабаев
Сбербанк AI Lab
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
Дмитрий Бабаев
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).
Евгений Бурнаев
Сколтех
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
Евгений Бурнаев
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.
Артем Просветов
CleverDATA
От управления ИТ к управлению бизнесом: новая жизнь ITSM,
Agile и Devops

Многие инженеры, становясь менеджерами, поняли – математика и системный анализ применимы для развития не только технических, но и организационных систем. А процессные модели телекоммуникационной отрасли – например eTOM – прекрасно структурируют деятельность любой сервисной организации, например, ИТ-компании. И уж совсем неожиданно – но ITSM и Devops оказываются не только инженерными практиками, но и эффективными подходами к управлению «не ИТ-шными» бизнес-процессами. Поговорим про бизнес-карьеру вчерашних ИТ-шников и расширение применения процессных моделей и практик ИТ на весь бизнес.
Вернуться к докладчикам
Артем Просветов
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».
Дженнифер Трелевич
S7 ТехЛаб
Применение технологии машинного обучения для улучшения обслуживания клиентов
Вернуться к докладчикам
Дженнифер Трелевич
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.
Форма заказа
Оставьте ваши контакты