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

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, опирающиеся на передовые инструменты сбора и анализа данных, обнаружения в них знаний, прогнозирования и принятия решений, способные 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
Отраслевой опыт:
электронная коммерция, ретейл, страхование, финансы, телеком, промышленность, транспорт, медицина, рекрутинг и др.
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
Решения:
оперативная, прогнозная и дополненная аналитика, машинное зрение, видеоаналитика, обработка естественного языка, виртуальные ассистенты, глубинное обучение
Инструменты и инфраструктура корпоративного ИИ:
нейропроцессоры; облачные платформы машинного обучения; системы сбора и очистки данных, хранилища больших данных; средства интеграции в корпоративные системы
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
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
Юрий Тростин, Worki.ru
Закончил МГИМО и НИУ ВШЭ, работал в компании Avito, где вел проекты бизнес-аналитики Авито.Услуги. Сейчас отвечает за аналитику и машинное обучение в проекте Worki.
Машинное обучение в рекрутинге

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

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

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

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

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

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

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

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

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

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

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

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

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

По оценкам разных источников, до 80% данных неструктурированны (их еще называют «темные»), а значит использовать их в задачах анализа и машинного обучения попросту невозможно, однако выход есть. В докладе анализируются основные проблемы, возникающие при анализе данных и их подготовке для обработки с помощью алгоритмов машинного обучения, разбираются преимущества и недостатки различных методов анализа текстов. Особое внимание уделено сравнению различных подходов к анализу больших массивов текстов с точки зрения их применения для решения задач глубинного обучения.
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
Подать заявку на доклад
Пожалуйста, укажите свои контакты,
тему и аннотацию доклада