Делаем информационные системы умными:
инструменты и опыт реальных проектов
22 мая 2019
Россия, Москва
Хилтон Гарден Инн Москва
(ул. Верхняя Красносельская, 11а-4)

Международная практическая конференция
«Технологии искусственного интеллекта 2019»

Внедрение реальных приложений искусственного интеллекта в корпоративной среде расширяется. Во все сферы деловой и общественной жизни проникают умные системы, в основе которых - передовые инструменты сбора и анализа данных, обнаружения в них знаний, прогнозирования и принятия решений. Эти системы способны быстро «мыслить», самостоятельно «воспринимать» свое окружение и действовать в динамично меняющихся условиях, повышая эффективность и качество операций.
ДМИТРИЙ ВОЛКОВ
программный директор серии практических конференций издательства
«Открытые системы».
«2018 год продемонстрировал взрывной интерес к искусственному интеллекту, множество экспериментов, доказавших применимость технологий ИИ.
Период хайпа закончился. Наша конференция — для тех, кто, приступая к встраиванию средств искусственного интеллекта в производственные информационные системы, хочет познакомиться с ключевыми разработчиками инструментов и платформ, на примерах реальных проектов узнать, как получить максимум преимуществ от умных решений.
Пусть искусственный интеллект работает вместе с вами!»
Основные темы
Особенности проектов ИИ:
С чего начать интеллектуальную автоматизацию предприятия,
как оценить потенциал ИИ для своей компании
Возможности:
обнаружение знаний в больших данных, автономные системы, управление сложными промышленными системами реального времени, прогнозирование пользовательских предпочтений, анализ социальной активности, оценка реальных доходов клиентов и рисков, борьба
с фродом

Инструменты и инфраструктура
корпоративного ИИ:
нейропроцессоры, облачные платформы машинного обучения,
инструменты распознавания речи и лиц, нейронные сети, обучение специалистов по машинному обучению, средства интеграции в корпоративные системы
Отраслевой опыт:
электронная коммерция, ретейл, страхование, финансы,телеком,
промышленность, транспорт, медицина, рекрутинг и др.
Решения:
оперативная, прогнозная и дополненная аналитика, машинное зрение,
видеоаналитика, обработка естественного языка, виртуальные ассистенты, глубинное обучение


Подводные камни ИИ:

технологические ограничения, правовые и этические аспекты
Мы ждем на конференции:
  • директоров по стратегии и инновациям;
  • директоров по развитию и цифровой трансформации;
  • технических директоров, ИТ-директоров, директоров по данным;
  • руководителей и менеджеров бизнес-подразделений;
  • архитекторов и разработчиков информационных систем;
  • бизнес-аналитиков, аналитиков данных;
  • менеджеров проектов, программ и продуктов.

Спикеры
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).
Анализ журнала событий с помощью нейронных сетей


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.
Развитие регулирования ИИ в мире: что актуально в России?
Вопрос о необходимости разработки специального регулирования искусственного интеллекта – один из наиболее актуальных сегодня. Такие страны, как США, Южная Корея, Япония, Китай и Евросоюз уже приступили к его решению, выбирая свои пути законодательного развития, России также предстоит сделать этот выбор. Какая модель регулирования искусственного интеллекта будет оптимальной с учетом особенностей отечественной правовой системы? Допустимо ли заимствование зарубежных подходов к регулированию искусственного интеллекта и если да, то в какой степени? Насколько специальное регулирование искусственного интеллекта необходимо в современных реалиях? Доклад посвящен ответам на эти и другие вопросы, связанные с созданием отечественных законопроектов в данной области и подготовкой международной конвенции о робототехнике и искусственном интеллекте.
Вернуться
к докладчикам
Борис Воскресенский, «Северсталь»
Закончил НИУ ВШЭ, работал в Центре прикладных данных Сбербанка и занимался риск-менеджментом в факторинговой компании. С 2018 года Kaggle Competition Master. Сейчас возглавляет направление Data Science в «Северсталь Диджитал».
Машинное обучение в горно-металлургической отрасли

Проекты с применением машинного обучения в промышленности помогают решать множество задач, направленных на повышение бизнес-показателей предприятий – предиктивные ремонты, компьютерное зрение, советчики по технологиям уже сейчас активно используются на предприятиях горно-металлургической отрасли. Доклад посвящен обзору направлений проектов машинного обучения в вертикально интегрированной горнодобывающей
и сталелитейной компании «Северсталь», а также изложению особенностей стека применяемых на предприятии технологий искусственного интеллекта. Особое внимание уделено роли исследователей данных (data scientists) при решении промышленных задач.
Вернуться
к докладчикам
Валерий Бабушкин, Х5 Retail Group, Яндекс
Закончил Университет прикладных наук Карлсруэ (Германия), занимался инфракрасной спектрометрией, а затем работал в банке «Открытие». Занимает 56-ое (из более 102 тыс) место в мировом рейтинге специалистов по машинному обучению и анализу данных на платформе Kaggle. 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.
Модели аплифта vs моделей оттока клиентов в ретейле

Эффективная обработка огромных объемов сведений о покупателях, накапливаемых предприятиями ретейла: поведение клиентов, данные о их предпочтениях и активности в социальных сетях, и пр. вполне может, при минимальных затратах, предоставить бизнесу конкурентные преимущества. За счет проведения таргетированных маркетинговых кампаний, оптимального размещения магазинов, выбора конкретного ассортимента с точным прогнозом срока выхода торговой точки на окупаемость, а также выявления «больных» магазинов можно существенно повысить прибыльность. Кроме этого, на рост товарооборота и снижение потерь оказывают влияние «умные» программы повышения лояльности клиентов, исключающие заведомо ненужные предложения или взаимодействие с незаинтересованной аудиторией. Доклад посвящен особенностям применения в компании Х5 Retail Group Аплифт-моделирования – прогнозного метода оценки эффекта воздействия промо-акций на потребителя, снижения оттока клиентов и определения их ценовой эластичности. Особое внимание уделено методологии построения таких моделей.
Вернуться
к докладчикам
Андрей Коньшин, «МегаФон»
Закончил Московский Технический Университет Связи и Информатики по направлению Инфокоммуникационные технологии и системы связи, защитил магистерскую работу на тему «Анализ предоставления мультимедийных услуг на базе IMS-платформы». Работал в компании КРОК на больших интеграционных проектах. С 2016 года работает в ПАО МегаФон. Сейчас – руководитель проектов Клиентского сервиса в направлении Искусственный Интеллект, где занимается проектами, связанными с виртуальными помощниками, чат-ботами и биометрическими технологиями.
Искусственный интеллект в клиентском сервисе

Стратегия компании МегаФон «Развиваем цифровой мир» ориентирована на клиента эпохи цифровизации и вполне естественно, что при решении широкого спектра задач клиентского сервиса цифровой экосистемы применяются технологии искусственного интеллекта. При обращении клиента в контактный центр он взаимодействуют с виртуальным помощником «Елена», обычно решающим большинство вопросов, помогая оператору-человеку найти нужную информацию в базе знаний. При этом голосовая биометрия позволяет обслужить клиента, не затрачивая время на проведение идентификации традиционными средствами. Клиент может задать свой вопрос чат-боту компании или же задать его через ассистентов «Алиса» и Google assistant. При появлении у клиента персонального предложения ему позвонит виртуальный роботизированный оператор, с согласия клиента подключающий абоненту необходимую услугу. Решение по речевой аналитике позволяет контролировать качество обслуживания по каждому обращению. Доклад посвящен обсуждению задач, решаемых Клиентским Сервисом МегаФон в рамках стратегии компании и возможностей применения ИИ для их решения. Особое внимание уделено анализу полученных результатов и перспектив дальнейшего развития клиентского сервиса.
Вернуться
к докладчикам
Александр Гусев, НБМЗ, «К-МИС»
Получил высшее техническое образование, кандидат технических наук. В 2007 году вместе с партнерами основал компанию "Комплексные медицинские информационные системы" («К-МИС»), ставшую сегодня одним из ведущих разработчиков медицинского ПО в России – второе место в рейтинге «Крупнейшие поставщики ИТ-решений для здравоохранения», пятое место, по данным мониторинга рынка информатизации государственного здравоохранения РФ за 2013-2017, по объему выручки. Область интересов: цифровая медицина, искусственный интеллект для медицины и здравоохранения, медицинские информационные системы. Член наблюдательного совета ассоциации разработчиков и пользователей искусственного интеллекта для медицины «Национальная база медицинских знаний», Член Экспертного совета Министерства здравоохранения РФ по вопросам использования информационно-коммуникационных технологий в системе здравоохранения. Ответственный редактор журнала «Врач и информационные технологии». Автор почти 150 работ по разработке и внедрению медицинских информационных систем, включая монографии "Информационные технологии в здравоохранении" и "Медицинские информационные системы".
Искусственный интеллект в медицине: проекты «Национальной базы медицинских знаний»

Перед отечественным здравоохранением поставлен сегодня ряд стратегических задач, включая увеличение продолжительности жизни, снижение смертности и заболеваемости, которые планируется решать в рамках национального проекта «Здравоохранение». Один из инструментов решения таких задач – системы поддержки принятия врачебных решений, использующие в том числе методы искусственного интеллекта. Создание и внедрение в практическое здравоохранение «умных» сервисов – важнейший этап стратегии развития национального здравоохранения, одним из шагов реализации которой стало создание ассоциации «Национальная база медицинских знаний» (НБМЗ), получившей поддержку Администрации Президента, Министерства здравоохранения РФ, РВК, АСИ и Национального Агентства Социальных Коммуникаций. Доклад посвящен представлению опыта реализации проектов НБМЗ, направленных на развитие российского рынка систем искусственного интеллекта для медицины. Особое внимание уделено практическому опыту создания и продвижения цифровых сервисов для медицины, разбору примеров их практической эффективности и основных барьеров, поджидающих любого разработчика интеллектуальных систем для этой области.
Вернуться
к докладчикам
Дмитрий Конягин, NVIDIA
Закончил Московский Государственный Институт Электроники и Математики по специальности инженер-системотехник. Около 15 лет в ИТ-индустрии – на различных инженерных и бизнес позициях работал в российском отделении компании NVIDIA. Сейчас – руководитель направления профессионального бизнеса.
ИИ носит PRADA

PRogrammable Acceleration of multiple Domains with one Architecture
Вернуться
к докладчикам
Андрей Безымянников, МТС
Окончил СПбГУТ им.М.А. Бонч-Бруевича, работал в сфере телекоммуникаций – проекты по модернизации коммутационной подсистемы в МТС, занимался внедрением и поддержкой аппаратных компонентов сети в НТЦ «Протей», а также управлял проектами по разработке и развертыванию диалоговых систем в Центре Речевых Технологий. Сейчас – старший менеджер продукта группы Искусственного интеллекта МТС, где управляет процессом разработки, внедрения и поддержки автоматизированных диалоговых систем.
Искусственный интеллект на службе оператора связи

Вернуться
к докладчикам
Алексей Артемов, Сколтех
Закончил Физический факультет МГУ им. М.В.Ломоносова и отделение анализа данных Школы анализа данных Яндекса, кандидат физ.-мат. наук. Принимал участие в ряде проектов Яндекса, включая разработку компонентов веб-поиска, а также системы обнаружения отказов и аномалий. Работал в составе команд EventIndex и EventFilter для Европейского центра ядерных исследований (ЦЕРН). В Yandex Data Factory отвечал за решения в области компьютерного зрения и обработки изображений: распознавание лиц, выявление неуместного контента в соцсетях и др. Принимал участие в проекте беспилотного автомобиля Яндекса, где создавал алгоритмы сопровождения целей. Сейчас работает в Сколковском институте науки и технологий, где участвует в исследовательских проектах по компьютерному зрению, обработке трехмерных данных и машинному обучению.
Синтез обучающих данных в задачах дистанционного зондирования земли

Современные методы, построенные по данным, например, сверточные нейронные сети (convolutional neural network,CNN), обеспечивают наилучшее качество в задачах распознавания изображений, когда обучающие данные имеются в изобилии, однако в ряде задач, например, при обнаружении изменении в изображениях дистанционного зондирования, данные не могут быть быстро получены в достаточных количествах. В докладе обсуждается простой и эффективный метод создания реалистичных синтетических наборов данных в области дистанционного зондирования, разбирается конвейер для процедурной генерации геометрии и рендеринга, а также приводятся оценки эффективности синтетических данных для обнаружения изменений. Конвейер помогает улучшить как качество, так и сходимость моделей на основе глубинного обучения в случае серьезных ограничений на объем реальных данных.
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
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, а в НИУ ВШЭ квалификацию в области маркетинга. Десять лет работает в области управления проектами, в том числе федерального масштаба: в компании Polymedia руководила развитием направления робототехники и инженерных решений. Сейчас в компании Visiology ведет проекты анализа больших данных на промышленных предприятиях и разработки интеллектуальных компонентов аналитической платформы.
Как создать русскоговорящего виртуального аналитика?

Виртуальные ассистенты постепенно становятся незаменимыми личными помощниками при автоматизация центров сервисного обслуживания и технической поддержки, выполнении покупок в магазинах и пр. Как правило, такие ассистенты создаются на базе правил и накопленной базы исторических запросов, представляющей собой тестовую переписку или комплекты аудиозаписей. Однако, виртуальный аналитик может быть также полноценным компонентом корпоративной аналитической платформы, выполняя роль идеального помощника исследователя данных (data scientist). В докладе разбираются преимущества работы с виртуальным аналитиком ViTalk и проблемы, с которыми сталкиваются их создатели при работе с русскоязычными источниками сведений. Особое внимание уделено задаче получения выборок для обучения и классификации данных.
Вернуться
к докладчикам
Сергей Шлыков, chatme.ai
Закончил НИУ ВШЭ и РЭА им. Г.В.Плеханова. Около 15 лет работал в сфере венчурных инвестиций и консалтинга: Deloitte, «Ростелеком», медийный холдинг «Медиа3». Со-основатель компании JungleJobs, работающей в области рекрутмента, разработчик сервисов junglejobs.ru – поиск персонала и north.ai – оптимизация бизнес-процессов. Сейчас – генеральный директор и основатель компании chatme.ai, специализирующейся на технологиях обработки голосовых сообщений, а также разработки диалоговых системах на базе технологий искусственного интеллекта.
"Алиса","Анна","Варвара", "Маруся", "Олег" и другие

Рынок виртуальных ассистентов стремительно растет во всем мире, включая и Россию – крупные корпорации и небольшие стартапы активно развивают платформы по созданию диалоговых агентов на базе технологий распознавания естественного языка, выполняются многочисленные проекты в области разговорного искусственного интеллекта. К 2020 году, по данным аналитиков, 85% коммуникаций с клиентами и сотрудниками будет осуществляться без участия человека-оператора, к 2024 году в большинстве интерфейсов вообще не будет экрана, а уже в 2027 году цифровые помощники, интегрирующие выполняемые человеком ежедневные задачи, будут непрерывно поддерживать требуемую производительность сотрудников в режиме 24х7. Доклад посвящен анализу текущей экосистемы виртуальных помощников, обзору структуры сегментов рынка, а также разбору основных драйверов его роста. Особое внимание уделено проблемам на пути распространения интеллектуальных ассистентов в различных прикладных областях, обзору возможностей соответствующих технологий и роли ключевых игроков в развитии рынка «умных» помощников.
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
Никита Черкасенко, «Ростелком»
Закончил МГУ им. М.В.Ломоносова. Около 15 лет в ИТ-индустрии: возглавлял практику консалтинга по управлению персоналом в компании ведущего международного системного интегратора, работал менеджером по организационному развитию в Студии Артемия Лебедева. С 2014 по 2017 год возглавлял департамент оценки, обучения и развития персонала ПАО «Ростелеком», где сейчас руководит департаментом HRM-технологий и аналитики, отвечающим за автоматизацию процессов управления персоналом, развитие аналитики и отчетности по HRM, а также создание и развитие сервисов для сотрудников корпорации.
Прогнозная аналитика для управления персоналом

По мнению аналитиков, почти 70% предприятий в числе своих наиболее острых проблем называют сегодня нехватку квалифицированных кадров – современные условия ведения цифрового бизнеса, высокие темпы изменений, непрерывное обновление технологий требуют привлечение сотрудников с определенной квалификацией. Вместе с тем, адровые службы цифровых предприятий сталкиваются сейчас с проблемой «выгорания сотрудников», вызванной перегруженностью персонала, переизбытком коммуникаций, которые требуется одновременно контролировать менеджерам, а также отсутствием эффективной системы мотивации, постоянными изменениями рабочих обязанностей, неправильным делегированием обязанностей и ответственности. Следствием «выгорания» становится либо увольнение сотрудника, либо резкое снижение его активности. Учитывая, что этому синдрому подвержены, как правило, добросовестные работники, болеющие за дело, с развитым чувством ответственности и с высокой вовлеченностью в работу, их «уход» для компании приводит к существенным убыткам: потери от низкой производительности труда сотрудника; негативное влияние на трудовой климат в коллективе; увольнение сотрудника из компании, влекущее недополученную прибыль и дополнительные затраты на поиск, подбор и адаптацию нового работника. Доклад посвящен обсуждению решения, позволяющего предсказать момент начала увольнения сотрудника по «собственному желанию». Особое внимание уделено опыту эксплуатации прогнозной аналитической системы, особенностям создания и продвижения цифровых сервисов управления персоналом, а также проблемам на пути внедрения подобных решений в организациях.
Вернуться
к докладчикам
Максим Григорьев, Gartner, MACS
Закончил Тульский Государственный Университет, факультет Технической кибернетики. Почти 15 лет работал в различных подразделениях ИТ-блока Банка России: участвовал в создании платежных и информационных систем, возглавлял направление ИТ-архитектуры и стратегии, руководил Центром финансовых технологий Департамента финансовых технологий, проектов и организации процессов. С 2004 по 2014 год был со-руководителем консалтинговой компании IT Expert, в учебном центре которой прошли обучение ITIL/ITSM около 30 тыс. человек. Председатель Наблюдательного Совета российского отделения itSMF. Сейчас – управляющий партнер исследовательской и консалтинговой компании Gartner, декан факультета Цифровой трансформации Московской школы продвинутых коммуникаций (Moscow Advanced Communication School, MACS).
Augmented Machine Learning: дополненное машинное обучение

Технологии искусственного интеллекта в целом и машинного обучения, в частности, активно применяются сегодня во многих отраслях, позволяя повысить результативность бизнеса, сократить издержки или повысить точность управленческих решений. Однако эффективность проектов на основе машинного обучения часто зависит от качества и количеством доступных данных, а принятие руководством компаний полученных результатов – от степени доверия к модели. Оптимальная стратегия обучения нейронной сети может включать в себя сочетание взаимодополняющих знаний эксперта в конкретной области и машинного «интеллекта». При наличии больших объемов данных по какой-либо задаче можно с помощью онлайн-платформы извлечь скрытые экспертные знания, улучшив модель для другой, родственной задачи, обучив ее модель на существенно меньших объемах данных. Доклад посвящен дополненному машинному обучению (Augmented Machine Learning) – автоматизированному методу интеграции знаний экспертов, моделей машинного обучения и средств обработки естественного языка для формирования расширенных наборов обучающих данных. Особое внимание уделено обзору возможностей, которые AML открывает и перед стартапами, и перед крупными корпорациями при извлечений полезных сведений из сырых данных и подготовке взвешенных управленческих решений.
Вернуться
к докладчикам
Павел Мягких, Commercial-Lab
Закончил Московскую школу бизнеса МИРБИС, продолжает образование и исследовательскую деятельность в Университете Ливерпуля. Руководил командами исследователей данных (data scientists) и прогнозной аналитики в компаниях MediaMarkt Russi, Concept Group, Tupperware, Adidas Group. Сейчас занимается решением задач бизнеса (ретейл) с помощью технологий ИИ: повышение на 25% оборота и маржинальности кросс-продаж электроники; увеличение на 10% маржинальности бизнеса электронной коммерции за счет точного ценообразования. Один из организаторов крупнейшей в Европе серии конференций о данных – DataFest. Приглашенный преподаватель НИУ ВШЭ, Департамент больших данных и информационного поиска, автор онлайн- и оффлайн-курсов по искусственному интеллекту. Директор по анализу данных в компании Commercial-Lab.
Ваш первый проект "Искусственный интеллект"

Время от времени в индустрии "потребителей" ИИ – компаний и предприятий, желающих получить пользу от соответствующих технологий – возникает скепсис по поводу целесообразности и эффективности реализации проектов, использующих методы из арсенала искусственного интеллекта. «Слушаем обещания стартапов и консультантов, внимательно следим за рынком, но пока подождем – у кого же взлетит, тогда и мы сделаем» – типичная позиция таких скептиков. Примерно также в свое время развивался и рынок систем ERP, CRM, однако проекты ИИ имеют принципиальные отличия, обсуждению которых и посвящен доклад. Разбираются основные параметры коммуникации бизнеса и разработчиков решений ИИ, а на примере анализа опыта предприятий из таких областей, как индустрия моды и потребительская электроника даются рекомендации по выполнению проектов ИИ, позволяющие избежать ситуации "поспешишь – людей насмешишь". Как предприятиям и компаниям выбрать свой первый проект ИИ? Как сформировать команду исполнителей? Почему иногда надо подождать, а иногда наоборот?
Вернуться
к докладчикам
Тимур Палташев, Radeon Technology Group AMD
Руководитель международной лаборатории «Архитектура и методы проектирования встраиваемых систем и систем на кристалле» НИУ ИТМО, доктор технических наук, профессор колледжа инженерии Northwestern Polytechnic University. Выполняет ряд исследовательских и инженерно-технологических проектов в России, Казахстане и США в области разработки платформ для систем искусственного интеллекта и виртуальной реальности: аппаратно-программные конфигурации компьютерной графики и визуализации, архитектуры графических процессоров, высоко-производительные системы на кристалле. Обладатель десятков патентов США на изобретения в области микропроцессорных архитектур. Сейчас – старший менеджер компании Advanced Micro Devices.
Ускорители Radeon Instinct и платформа ROCm для систем машинного интеллекта


Вернуться
к докладчикам
Виктор Кантор, Яндекс.Такси
Более десяти лет занимается машинным обучением, 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.
Инфраструктура подготовки специалистов по ИИ


Пять причин участвовать:
  • знакомство с лучшими практиками – идеи, тенденции развития и открытые проблемы технических решений, отраслевые стратегии;
  • анализ опыта конкретных проектов – минимизация рисков, стоимости и ошибок в собственных решениях с использованием ИИ;
  • нетворкинг — интеграция в экосистему ИИ;
  • поиск партнеров для выполнения проектов ИИ;
  • квалифицированные консультации от экспертов.
Публикации
Стоимость участия
9900 руб.
При оплате по 22.04.2019
12900 руб.
При оплате с 23.04.2019
9900 руб.
Стоимость участия по коллективным заявкам
(от трех человек) на весь период регистрации
3600 руб.
Стоимость видеозаписи докладов
Партнер
Информационные партнеры
Мы ждем Вас!
Место проведения:
Хилтон Гарден Инн Москва Красносельская
(Москва, ул. Верхняя Красносельская, 11а-4)
Close
Close
Для связи с организаторами
conf@osp.ru