Делаем информационные системы умными:
инструменты и опыт реальных проектов
2020*
*дата предварительная
Россия, Москва

Международная практическая конференция
«Технологии искусственного интеллекта 2020»

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».
Системы искусственного интеллекта демонстрируют сегодня впечатляющие успехи при выполнении многих задач, однако более половины соответствующих проектов терпят неудачу, несмотря на то, что ежегодно растут инвестиции в инфраструктуру их поддержки. Наделяя машинное обучение чудодейственными возможностями, многие компании, например, уверены, что проекты ИИ не требуют специальной работы с данными, а о защите нейросетевых моделей можно не беспокоиться. Наша VI конференция — для тех, кто, приступая к встраиванию средств искусственного интеллекта в информационные системы, намерен познакомиться с ключевыми разработчиками инструментов и платформ; на примерах реальных проектов узнать, как избежать регулярных рисков внедрения и что требуется учитывать для получения максимума преимуществ от умных решений.
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, "умная" роботизация бизнес-процессов (Intelligent Process Automation)


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.

Вернуться
к докладчикам
Марианна Данилина, KPMG
Получила финансовое и гуманитарное образование в МГУ им.М.В. Ломоносова и MBA в США (Colorado Heights University, Denver). Около 15 лет работает в банковской сфере и в области консультационных услуг для финансовых институтов. Фокусируется на оптимизации бизнес-процессов, повышении эффективности и снижении стоимости бизнеса, а также на реализации проектов по внедрению инструментов цифровой трансформации, таких как роботизированная автоматизация процессов и анализ больших данных. Сейчас Марианна – заместитель директора практики повышения операционной эффективности компании KPMG.
Инструменты искусственного интеллекта в российских компаниях


Вернуться
к докладчикам
Алена Дробышевская, KPMG
Директор направления "Умные технологии", KPMG
Проекты искусственного интеллекта: особенности и подводные камни


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
Антон Епишев, Accenture
Закончил МГТУ им. М.Э. Баумана по специализации «высокопроизводительные вычислительные системы и сети». Более 10 лет в ИТ и консалтинге: внедрение корпоративных систем класса CRM, ERP и BPM; разработке приложений для финансовой и авиационной отраслей, а также индустрии товаров повседневного спроса (FMCG) и обеспечения ресурсами. Сейчас – старший менеджер Accenture Digital, руководитель практики Industry X.0. В интересах крупных российских и международных компаний ведет проекты цифровизации, использующие технологии искусственного интеллекта, блокчейна и продвинутой визуализации.
Масштабирование инноваций: проблемы и решения

Инновации на основе цифровых технологий становятся сегодня неотъемлемой частью бизнеса современных предприятий, однако на пути от пилотных проектов к промышленным решениям многие компании сталкиваются с трудностями масштабирования. По результатам исследования компании Accenture, только 22% корпораций успешно переходят от цифровых PoC (proof of concept) и пилотных решений к проектам в масштабах всей организации и, в конечном счете, возвращают свои затраты на цифровизацию. Доклад посвящен разбору основных препятствий, возникающих на пути предприятий при внедрении цифровых технологий и обсуждению шагов, которые необходимо сделать компаниям, ожидающим получить конкурентные преимущества от инноваций. Особое внимание уделено анализу проблем, с которыми сталкиваются проекты на базе стека технологий искусственного интеллекта (машинное обучение, распознавание речи, компьютерное зрение и пр.) – лишний «хайп» вокруг искусственного интеллекта в сочетании с низким уровнем цифровой зрелости компаний и "грязными" данными часто способствует созданию неоправданных ожиданий от возможностей технологий.
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
Ширяев Виталий, НЛМК
Закончил факультет управления и прикладной математики Московского физико-технического института (государственного университета), кандидат физ.-мат. наук. Специализируется на задачах машинного обучения и обработки сигналов. Около 20 лет в индустрии – возглавлял исследовательские и промышленные проекты оптимизации производственных процессов и обработки больших данных в различных прикладных областях. Сейчас в компании НЛМК руководит работами в области исследования данных, дирекции по анализу данных и моделированию.
Машинное обучение и классическая оптимизация в тяжелой промышленности

Турбулентные явления в отечественной экономике, обострение конкуренции и динамичность нормативных требований заставляют промышленные предприятия искать пути оптимизации свой работы, способы сокращения издержек и уменьшения непроизводственных затрат. При этом в промышленности накоплены огромные объемы исторических данных, что позволяет эффективно применять методы машинного обучения. Например, только сокращение на единицы процентов, благодаря точным рекомендациям операторам, расходов компонентов сырьевой базы металлургии (кокса, природного газа и пр.) позволяет в масштабах предприятия получать экономию в сотни млн рублей. Доклад посвящен обсуждению вопросов использования инструментов машинного обучения в комбинации с методами классической оптимизации для сокращения отходов сталелитейного производства, повышения качества продукции, более рационального использования ресурсов и обеспечения требований по защите окружающей среды.
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», решающим большинство вопросов клиентов, а чат-бот «Суфлер» помогает 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
Сергей Сорокин, «Интеллоджик»
Закончил Московский горный институт, Высшую школу корпоративного управления Академии народного хозяйства и Академию менеджмента AFW (Бад-Гарцбург, Германия). Более 10 лет работает в сфере информационных технологий для здравоохранения. Руководил направлением «Здравоохранение» в ПАО «Ростелеком», участвовал в создании сервисов Единой государственной информационной системы здравоохранения РФ и в ряде других отраслевых отечественных и международных ИТ-проектах. Сейчас – генеральный директор российской компании «Интеллоджик», специализирующейся на развитие проекта создания платформы Botkin.AI анализа и диагностики заболеваний с использованием технологий искусственного интеллекта. Компания использует собственную технологию построения математических моделей цифровых двойников пациентов, позволяющих анализировать риски развития заболеваний и проводить диагностику и выявление заболеваний на ранних стадиях.
Технологии искусственного интеллекта в скрининге онкологических заболеваний

Как показывают результаты пилотных проектов, выявление онкологических заболеваний на ранних стадиях позволяет вдвое сократить их дальнейшее распространение – массовое обследование населения дает возможность диагностировать первые симптомы патологий. Решить эту задачу сейчас позволяют технологии искусственного интеллекта, с которыми связывают надежды на повышение эффективности всей системы здравоохранения, в частности, на снижение количества врачебных ошибок. Кроме того, в ряде случаев возникают проблемы, с которыми человек просто не в силах справиться. Доклад посвящен анализу опыта использования технологий искусственного интеллекта для проведения скрининга онкологических заболеваний в различных регионах России. Особое внимание уделено возможностям и перспективам применения модели Human-AI-Loop – «гибридного интеллекта», объединяющего искусственный интеллект и знания врача.
Вернуться
к докладчикам
Дмитрий Конягин, NVIDIA
Закончил Московский Государственный Институт Электроники и Математики по специальности инженер-системотехник. Около 15 лет в ИТ-индустрии – работал на различных инженерных- и бизнес-позициях в российском отделении компании NVIDIA. Сейчас – руководитель направления профессионального бизнеса.
ИИ носит PRADA

Результатом взрыва интереса к решениям в области искусственного интеллекта стал вывод на рынок инструментов и языков от ведущих игроков: TensorFlow, Pytorch/Caffe 2 и др. Однако, даже несмотря на такую фрагментацию ландшафта ИИ, индустрия растет быстрыми темпами – активно продолжаются исследования и предлагаются новые алгоритмы. В этих условиях мгновенно окупаются инвестиции в гибкие платформы, адаптируемые к конкретным условиям эксплуатации. Благодаря настраиваемости решений на основе GPU и FPGA имеется возможность создания сред для решения конкретных задач, использующих как уже существующие, так и новые алгоритмы. Доклад посвящен разбору архитектуры PRADA (PRogrammable Acceleration of multiple Domains), позволяющей строить программно-аппаратные конфигурации для поддержки высокопроизводительных вычислений и решения прикладных задач, использующих весь арсенал технологий искусственного интеллекта: ускорители Tesla; специализированные системы поддержки технологий искусственного интеллекта DGX; платформа для создания интеллектуальных автономных устройств Jetson; библиотеки CUDA-X AI для ускорения выполнения задач машинного обучения и анализа данных; TenzorRT – программируемый ускоритель инференса.
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

Уже к 2020 году, по мнению аналитиков, основное взаимодействие с клиентами будет происходить в автоматическом режиме, например через виртуальных ассистентов. Компании, опоздавшие с внедрением подобных решений, окажутся среди догоняющих, либо будут вытеснены с рынка. Системы искусственного интеллекта способны сегодня анализировать почти все поведенческие шаблоны людей, например распознавать сарказм или раздражение в диалоге операторов контакт-центров с клиентами, что может быть полезно для контроля эмоционального состояния как клиента, так и человека-оператора. Доклад посвящен обсуждению возможностей применения чат-ботов с составе различных автоматизированных систем (в компании МТС боты сегодня решают семь из десяти проблем клиентов), разбору проблем, с которыми могут столкнуться разработчики, а также особенностям организации процесса создания, развертывания и эксплуатации умных ассистентов. Особое внимание уделено вопросам совершенствования чат-ботов для обучения их способностями ведения сложных диалогов.
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
Павел Виксне, НТЦ «Модуль»
Закончил МВТУ им. Н.Э. Баумана по специальности «ЭВМ, системы, комплексы и сети». Почти 20 лет в ИТ-индустрии, работал в НИИ «Квант», где принимал участие в создании отечественных RISC-процессоров. Автор десятков научных работ. Разработчик архитектур процессорных ядер семейства NeuroMatrix, а также методов синтеза быстродействующих устройств для умножения векторов и матриц. Сейчас – начальник сектора проектирования процессорных ядер НТЦ «Модуль».
Линейка отечественных нейропроцессоров NeuroMatrix

Доклад посвящен обзору возможностей и архитектуры линейки отечественных нейропроцессоров семейства NeuroMatrix, ориентированных на работу с большими данными в реальном времени: обработка изображений, кодирование и декодирование, обработка радиолокационных и навигационных сигналов, цифровая фильтрация, высокопроизводительная коммутация сигналов и т.д. В докладе приводится описание и разбирается структура основных процессоров семейства NeuroMatrix: Л1879ВМ1 (NM6403), 1879ВМ5Я (NM6406), 1879ВМ6Я (NM6407) и 1879ВМ8Я (NM6408MP), позволяющих одним потоком команд задавать множество параллельно выполняемых операций («зацепление» команд по данным) и обеспечивающих эффективную работу с внутренней и внешней памятью с различной глубиной конвейера. Особое внимание уделено процессору 1879ВМ8Я, представляющему собой гетерогенную многопроцессорную вычислительную систему из 21 процессорного ядра с пиковой производительностью 512 GFLOPS, на базе которой можно развертывать мощные многопроцессорные конфигурации на кристалле, способные в реальном времени решать задачи, характерные для приложений искусственного интеллекта.
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, высокопроизводительные системы на кристалле. Обладатель десятков патентов США на изобретения в области микропроцессорных архитектур. С 2012 года – старший менеджер компании Advanced Micro Devices, Machine Learning SW Engineering Department.
Ускорители Radeon Instinct и платформа ROCm для систем машинного интеллекта

Машинное обучение стало сегодня одним одним инструментов поддержки приложений, актуальных для различных предметных областей, требующих интенсивных вычислений при работе с большими данными. Наибольший эффект от применения систем глубинного обучения достигается для нейропроцессорных конфигураций, а также программных фреймворков и библиотек, поддерживающих альтернативные модели машинного обучения и нейронные сети различных типов. Кроме фреймворков высокого уровня (TensorFlow, Theano, Caffe, Torch и MxNet) разработчикам сегодня необходимы инструменты, максимально полно использующие возможности конкретного оборудования. Доклад посвящен обзору платформы AMD ROCm и фреймворка MIOpen, содержащих полнофункциональный технологический стек для серверных конфигураций из AMD EPYC Rome CPU и AMD Radeon Insinct MI60 Vega 7 nm GPU для обучения и инференса нейронных сетей. Кроме поддержки распространенных библиотек машинного обучения платформа включает драйверы, компиляторы и мониторы производительности как для отдельных слоев, так и всего стека искусственной нейронной сети.
Вернуться
к докладчикам
Михаил Цветков, Intel
Закончил Физический факультет и аспирантуру по направлению Физика полупроводниковых приборов и микроэлектроника Воронежского университета. Почти 20 лет в ИТ-индустрии. 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.
Взрослеющий искусственный интеллект

Эффективность проектов искусственного интеллекта в корпорациях во многом зависит от возможностей аппаратно-программных платформ. Доклад посвящен обзору решений, предлагаемых сегодня компанией Intel для построения оптимальных масштабируемых гетерогенных инфраструктур поддержки любых проектов ИИ. Рассмотрена архитектура второго поколения нейропроцессоров семейства Intel Xeon Scalable с технологией Intel DL Boost, позволяющей в 11 раз ускорить исполнение обученных нейронных сетей по сравнению с первым поколением Intel Xeon Scalable. Кроме этого в докладе обсуждается специализированные нейропроцессоры, разрабатываемые компанией совместно с партнерами, в частности с Facebook: Intel Nervana NNP-I для инференса и NNP-L для обучения нейронных сетей. Первые на текущих тестовых системах демонстрируют значительное ускорение в широком диапазоне приложений – от рекомендательных систем, систем машинного перевода до распознавания и классификации текста, речи и изображений. Для решения задач обучения искусственных нейросетей предназначены нейропроцессоры NNP-L. Одна из ключевых технологических проблем развития решений ИИ – память, поэтому в докладе особе внимание уделено архитектуре Intel Optane DC Persistent Memory, предназначенной для формирования терабайтных объемов в серверных конфигурациях и технологии Foveros для размещения сверхбыстрой памяти на чипе. Все гетерогенные вычислительные структуры от Intel поддержаны единым программным стеком – OpenVINO, оптимизированными библиотеками, компиляторами и профилировщиками.
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


Вернуться
к докладчикам
Артур Шимко, NotAnotherOne
Семь лет занимался стратегическим развитием высокотехнологичных стартапов на региональном, федеральном и международном уровне. В компании «Местомер», специализирующейся на определении наиболее перспективных зон размещения торговых точек, развивал направление по прогнозированию выручки с помощью технологи больших данных и машинного обучения. Принимал участие в выводе на российский и американский рынки персонального планировщика Tappsk. Сейчас – директор по развитию бизнеса компании NotAnotherOne, где занимается развитием и масштабированием проекта создания видеорегистратора Linza с голосовым помощником и интегрированного с облачным хранилищем.
Технологии искусственного интеллекта на транспорте

Технологии Интернета вещей, искусственного интеллекта и облачного хранения данных позволяют оптимизировать управление транспортной инфраструктурой: сократить затраты на содержание транспортных средств, минимизировать риски возникновения аварийных ситуаций, исключить непроизводительные затраты. Интеллектуализация собственно автомобилей и таких, например, распространенных устройств как видеорегистраторы, взаимодействующих между собой и с единой облачной аналитической системой, открывает новые перспективы для совершенствования транспортной инфраструктуры. Доклад посвящен обзору возможностей применения «умного» видеорегистратора Linza в региональных транспортных сетях. Особое внимание уделено технологиям подготовки данных для страховых компаний (описание дорожной ситуации, оценка стиля вождения и пр.); логистических компаний; операторов каршеринга; автошкол; и пр.
Вернуться
к докладчикам
Дмитрий Булкин, Naumen
Закончил Московский институт электроники и математики по специальности «Вычислительные машины, комплексы, системы и сети». Более 15 лет в ИТ-индустрии – эксперт по продажам и развитию бизнеса корпоративного ПО. Работал в корпорациях паниях EMC, SAP. Сейчас – директор по развитию компании Naumen.
Как ИИ меняет бизнес: семь примеров

Технологии искусственного интеллекта вышли сегодня на уровень, позволяющий говорить о возможности их повсеместного применения не только в лабораторных условиях и пилотных проектах, но и в промышленных конфигурациях, предназначенных для оперативного решения рутинных и ресурсоемких задач. Критические изменения произошли по всему спектру технологий – ИИ сейчас позволяет получать конкурентные преимущества и влиять на ключевые показатели бизнеса. Доклад посвящен ответам на такие вопросы, как: «когда и где следует развертывать системы ИИ», «как подготовить корпоративную инфраструктуру для эффективного использования технологий искусственного интеллект», «с какими проблемами могут столкнуться предприятия», «как интегрировать технологии ИИ в корпоративную инфраструктуру». Особое внимание уделено разбору семи примеров реальных проектов использования ИИ в электроэнергетике, добывающей промышленности, ретейле и ряде других отраслей.
Вернуться
к докладчикам
Владислав Белавин, НИУ ВШЭ
Закончил кафедру Яндекса Московского физико-технического института и отделение Больших данных Школы анализа данных Яндекса, аспирант Факультета компьютерных наук НИУ ВШЭ, где работает сейчас в Научно-учебной лаборатории методов анализа больших данных (LAMBDA). Специализируется на графовых сетях, обучении с подкреплением и глубинных вероятностных моделях. Работает над созданием цифровых двойников, в частности, двойника системы хранения данных в интересах компании Yadro (КНС Групп); разрабатывает методы генерации электромагнитных ливней с помощью графовых сетей; занимается поиском редких распадов в рамках эксперимента LHCb ЦЕРН.
Цифровые двойники: искусственный интеллект и классическое моделирование

Сегодня многие предприятия работают над созданием цифровых копий своих информационных и программно-аппаратных систем – цифровые двойники позволяют оценивать динамику реальной системы: предсказывать сбои и отказы, формировать рекомендации по оптимизации режима эксплуатации и пр. Однако построение и обслуживание точной симуляционной модели невозможно без вовлечения экспертов в конкретной прикладной области. Доклад посвящен обсуждению возможности объединения методов классического моделирования и технологий искусственного интеллекта, позволяющих выполнить тонкую настройку параметров модели по данным, собранными работающими на предприятии информационными системами. Особое внимание уделено разбору как искусственных примеров использования данного подхода, так и обсуждению промышленного проекта для компании Yadro по построению цифрового двойника системы хранения данных, позволяющего повысить стабильность работы и надежность СХД.
Вернуться
к докладчикам
Евгения Дворская, Sever.AI
Более 15 лет в сфере управления персоналом – работала в кадровых и рекрутинговых компаниях «Анкор», «Бигл», пройдя путь от консультанта до заместителя генерального директора по развитию. В 2014 году вместе с партнерами основала компанию JungleJobs, получившую впоследствии поддержку «Севергрупп TalentTech» и предоставляющую сервис для найма сотрудников, платформу для автоматизации процесса рекрутмента Sever.AI, а также площадку Sreda, объединяющую экспертов по управлению персоналом. Сейчас – исполнительный директор компании Sever.AI.
Искусственный интеллект в управлении персоналом

Поиск даже одного сотрудника – это десятки часов работы рекрутера, сотни просмотренных кандидатов и большие затраты для компании-работодателя. Платформа Sever.AI позволяет существенно ускорить этот процесс, используя весь спектр технологий искусственного интеллекта. Доклад посвящен обсуждению вопросов применения ИИ при автоматизации бизнес-процессов рекрутмента: поиск резюме кандидатов среди объявлений на специализированных сайтах поиске работы, а также в социальных сетях, оценка текста резюме требуемой вакансии, организация интерфейса с претендентом по всем доступным каналам коммуникаций, проведение видеоинтервью с лучшими кандидатами. Особое внимание в докладе уделено разбору конкретных примеров применения платформы Sever.AI для выполнения подбора сотрудников в интересах заказчиков клиентов из телекома и ретейла.
Вернуться
к докладчикам
Виталий Максимов, «ТРАНСПРОЕКТ Групп»
Закончил Московский государственный автомобильно-дорожный технический университет по специальности «Автоматизированные системы обработки информации и управления», получил степень магистра прикладной математики и информатики в МГУ им. М.В.Ломоносова, магистр юриспруденции РЭУ им. Г.В. Плеханова, кандидат экономических наук РАНХиГС. Работал ИТ-директором группы компаний «Элекснет», техническим директором «Юнайтед ТелеКом». Эксперт по инвестиционной деятельности, концессионным проектам и государственно-частному партнерству в социальной инфраструктуре – руководил проектами по привлечению инвестиций в инфраструктурные проекты России и стран СНГ с общим объемом финансирования 3,2 трлн. руб. Член Экспертного совета Государственной Думы Федерального Собрания РФ по вопросам законодательного обеспечения развития районов Крайнего Севера. Сейчас – Председатель Совета директоров АО "ТРАНСПРОЕКТ Групп".
Кто заплатит за ИИ?

В послании Президента Федеральному Собранию РФ отмечалось, что нужно в кратчайшие сроки создать передовую законодательную базу, снять все барьеры для разработки и широкого применения искусственного интеллекта. Финансирование расходов на соответствующие мероприятия предполагается в пределах средств федеральных органов исполнительной власти, направляемых на использование информационно-коммуникационных технологий и за счет средств Программы «Цифровая экономика Российской Федерации». Однако, бюджетных средств, как правило не хватает, поэтому частные инвестиции и механизм государственно-частного партнерства становятся единственной результативной альтернативой для появления решений в сфере ИИ. В докладе разбираются вопросы реализации проектов, создаваемых с использованием искусственного интеллекта, основные риски, возникающие при взаимодействии всех заинтересованных сторон. Особое внимание уделено примерам ведения проектов ИИ и анализу неочевидных аспектов их выполнения.
Вернуться
к докладчикам
Александр Яковлев, «Русфинанс Банк»
Закончил Университет Российской Академии Образования, Институт Государства и Права РАН, НИУ ВШЭ. Кандидат юридических наук. Более 10 лет в сфере защиты банковского бизнеса. Работал в Федеральной службе государственной регистрации при Министерстве Юстиции РФ (отдел контроля деятельности организаций). В "Русфинанс Банке", группа Societe Generale прошел путь от руководителя отдела правового обеспечения Департамента защиты бизнеса до директора, занимаясь развертыванием решений, позволившим на порядок снизить потери банка от мошенничества при фиксированном бюджете, сокращении количества сотрудников службы противодействия мошенничеству и уменьшении времени проверки физических лиц при кратном увеличении их количества. Принимал участие в создании аналитического анти-фрод центра, использующего технологии искусственного интеллекта для раннего выявления мошенничества, снижения прямых и косвенных операционных потерь. Действующий участник ACFE (Association of Certified Fraud Examiners), GB LEAN & 6 Sigma, а также Agile Foundations.
Искусственный интеллект против фрода

Огромное количество гипотез и предположений по реализации систем искусственного интеллекта стало сегодня благоприятной средой для различных ИИ-прожектов, маркетинговых хйпов, способствующей, под видом ультра современного ноу-хау, продажам не приносящих реальной добавленной стоимости продуктов и решений. Тем не менее, на рынке уже есть реальные бизнес-кейсы и примеры внедрения элементов систем, использующих технологии искусственного интеллекта с подтвержденной добавленной стоимостью. Иногда подобные примеры можно встретить в совершенно неожиданных областях либо при решении задач, слабо, на первый взгляд, ассоциируемых со взрывными инновациями. Реализация проектов с использованием искусственного интеллекта – это всегда затраты, а результат заранее непредсказуем, поэтому нужно правильно инвестировать, оценив, в первую очередь, зоны роста и зоны развития. Доклад посвящен тому, как в условии имеющейся бизнес модели, текущего уровня зрелости процессов и культуры выполнить шаги, необходимые для внедрения элементов искусственного интеллекта. Особое внимание уделено обсуждению проблемы достижения реальной конечной цели проекта ИИ – повышению эффективности: из чего на самом деле складывается эффективность, как не слепо следовать за модой, а получить реальный инструмент ведения бизнеса, способствующий получению добавленной стоимости.
Вернуться
к докладчикам
Андрей Алферов, S7 Group
Закончил Московский Инженерно-Физический Институт (Национальный исследовательский ядерный университет). Разрабатывал и внедрял системы бизнес-аналитики в банковской сфере. Сейчас – директор департамента BigData, Директорат по управлению данными компании S7 Group, где руководит разработкой продуктов на основе технологий машинного обучения и больших данных.
Технологии машинного обучения и больших данных: оптимизация сервисного обслуживания воздушных судов

Техническое обслуживание и ремонты воздушных судов – традиционно технологически сложная область, отличающаяся чрезвычайно высокими требованиями к обеспечению безопасности полетов. С другой стороны, строгая регламентация процессов документирования всех шагов ТОиР, сборки, обработки и хранения данных создает необходимые предпосылки для формирования исторических информационных массивов, подходящих для приложений продвинутой аналитики. Однако, традиционно, эти данные распределены по разным источникам и хранятся в различных форматах – от записей в реляционных СУБД, до сканов бортовых журналов. Доклад посвящен обсуждению методов интеграции внутренних данных авиакомпании, связанных с эксплуатацией и обслуживанием воздушных судов (телеметрия бортовых датчиков, история работ по обслуживанию, документация производителя, полетное расписание) и внешних сведений (погода, условия аэропортов и пр.) для их последующей обработки с помощью технологий больших данных, методами машинного обучения и средствами оптимизации, позволяющими повысить эффективность процессов ТОиР и сократить издержки. Особое внимание в докладе уделено разбору конкретных примеров использования машинного обучения: предсказание времени наработки на отказ узла авиалайнера с целью минимизации риска задержки или отмены рейса по техническим причинам; оптимизация складских запасов расходных материалов и экономия на закупках дорогостоящих запчастей; прогнозирование с помощью математических моделей в долгосрочной перспективе вероятности проявления дефектов по каждому конкретному самолету.
Вернуться
к докладчикам
Светлана Иванова, Just AI
Окончила Омский Государственный Технический Университет (ОмГТУ) по специализации «Организация и управление предприятием». Почти 10 лет работает в сервисной индустрии, занимаясь развитием неголосовых коммуникаций – вела крупные проекты по выстраиванию системы клиентского обслуживания в таких отраслях как: финансы, ретейл, логистика, телекоммуникации, недвижимость и др. Сейчас – руководитель отдела по работе с клиентами в компании Just AI, где занимается проектами развертывания системы на базе чат-ботов, построенных с использованием технологий искусственного интеллекта.
Разговорный искусственный интеллект в контакт-центрах

Разговорный ИИ набирает популярность в сфере автоматизации клиентского обслуживания, обеспечивая естественное общение между людьми и компьютерами – по мнению аналитиков, к 2022 году разговорный ИИ будет поддерживать 20% всего клиентского сервиса. В 2019 году более 60% крупных российских компаний в том или ином виде используют в своей практике чат-боты и решения на основе технологий разговорного ИИ. Доклад посвящен обзору основных тенденций и направлений применения разговорного ИИ в контакт-центрах. Особое внимание уделено разбору практических кейсов и обсуждению перспектив применения разговорного ИИ: как применить технологии, зачем нужен ИИ в обслуживании клиентов и как технологии будут развиваться в будущем.
Вернуться
к докладчикам
Роман Душкин, Агентство Искусственного Интеллекта
Закончил МИФИ, факультет Кибернетики по специальности «Прикладная математика» и специализации «Искусственный интеллект». Около 20 лет в ИТ-индустрии – разработка различных автоматизированных систем управления процессами на транспорте, решения по обеспечению безопасности, а также системы муниципального и государственного управления. Работал в роли системного архитектора ряда интеллектуальных транспортных систем регионального и федерального уровня, а также серии проектов класса «Умный город» за пределами России. Сейчас руководит направлением исследований и разработок в Агентстве Искусственного Интеллекта. Эксперт в области искусственного интеллекта в межведомственных рабочих группах, консультант в органах исполнительной власти.
Гибридная парадигма построения искусственных интеллектуальных систем

Для построения систем искусственного интеллекта обычно используются два подхода. Нисходящая парадигма – синтаксическая манипуляция символами, позволяющая объяснить машинный вывод и поддержку принятия решений, однако обучать такие системы сложно. Восходящая парадигма использует искусственные нейронные сети и генетические алгоритмы, что позволяет легко обучать системы ИИ, но трудно интерпретировать и объяснить результаты работы таких систем. Гибридная парадигма лишена традиционных недостатков обеих парадигм и призвана помочь вывести исследования в области искусственного интеллект на новый уровень. Доклад посвящен обсуждению архитектуры интеллектуальных агентов, основанной на двух парадигмах построения искусственных интеллектуальных систем: восходящей парадигмы – использование искусственных нейронных сетей для обучения интеллектуальных систем и нисходящей парадигмы, позволяющей объяснить решения, предлагаемые системой искусственного интеллекта.
Вернуться
к докладчикам
Михаил Шебалков, «Банк УралСиб»
Закончил Финансовый университет при Правительстве РФ по специальности «Математические методы в экономике», факультет "Прикладная математика и информационные технологии", а также бизнес-школу Ньюкасла Университета Нортумбрия по направлению «Финансы и инвестиционный менеджмент». Около 10 лет в финансовой индустрии: математические и инструментальные методы в розничном кредитовании; идентификация и оценка рисков неплатежеспособности контрагентов; риск-менеджмент розничного блока (скоринг, портфельный анализ); CRM и клиентская аналитика. Работал риск-менеджером в Альфа-банке. Руководил клиентской аналитикой в «Банк УралСиб», а сейчас возглавляет подразделение CRM в этом банке.
Современные методы анализа данных в розничном банке

В докладе разбираются особенности применения таких методов, использующих технологии машинного обучения, как: модели поведения на основе транзакций, средства обработки данных системы сбора и анализа событий на сайте банка (кликстрим), поддержка коммуникации в реальном времени. Особое внимание уделено разбору конкретных кейсов применения современных методов анализа данных в розничном банке и тому, как это позволяет повысить эффективность процессов.
Вернуться
к докладчикам
Адель Валиуллин, ДИТ Москвы
Закончил факультет Робототехники и Комплексной Автоматизации МГТУ им.Н.Э.Баумана. Более пяти лет занимался разработкой и развертыванием различных коммерческих информационных систем для банков и телекоммуникационных компаний. Сейчас ведет проекты машинного обучения и анализа данных в различных прикладных областях: медицина, образование, экономика, ЖКХ и др. Призер соревнований и хакатонов по машинному обучению – входит в Top200 участников международной платформы Kaggle, старший преподаватель МГТУ им.Н.Э.Баумана, где ведет курс «Машинное обучение и анализ данных». Руководитель направления машинного обучения в ДИТ г.Москвы.
Технологии искусственного интеллекта в мегаполисе

Технологии искусственного интеллекта все глубже проникают в повседневную жизнь, находя применение в таких областях, как: финансы, ретейл, телеком и страхование. В ряде отраслей ИИ инициируют коренные изменения, например беспилотные автомобили и голосовые помощники. Современные мегаполисы, в частности Москва, накапливают большие объемы данных, открывающие широкие возможности для дальнейшего анализа, обработки и использования. Доклад посвящен применению технологий ИИ в различных сферах единой инфраструктуры мегаполиса: образование, ЖКХ, медицина, экономика и др.). Особое внимание уделено разбору конкретных кейсов применения ИИ в городе.
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 промышленности: проекты и перспективы


Вернуться
к докладчикам
Василий Гаршин, ВТБ
Работает в Управлении цифровой трансформации ВТБ, где занимается проектами в области искусственного интеллекта, машинного обучения и больших данных.
Кому в банке нужен плавучий зоопарк?

Доклад посвящен обсуждению вопросов построения инструментальной среды для анализа данных крупного банка. Разбираются все этапы развития проекта создания рабочего места исследователя данных (data scientist), начиная от концепции и заканчивая реализацией.
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
Информационные партнеры
Стоимость участия
в рублях
9900
При оплате по 28.02.2020
12900
При оплате
с 02.03.2020 по 10.04.2020

9900
За каждого участника
по коллективным заявкам
(от 3 человек)

Close
Close
Для связи с организаторами
conf@osp.ru