Вопрос спикеру

ИИ - уходящий хайп или новые возможности бизнеса. Кто не успел - тот опоздал


Глобальные корпорации уже осознали возможности цифровизации и искусственного интеллекта (ИИ) как основы Стратегии своего развития. И у нас в стране сейчас тоже много разговоров о цифровизации предприятий/компаний и о трансформации бизнеса в состояние 4.0. Что это такое? Далекое и практически нереальное будущее или вполне достижимая цель повышения конкурентоспособности бизнеса, в том числе среднего? Можно ли прийти к этой цели поэтапно и что это за этапы? Есть ли на рынке уже готовые решения, которые можно внедрять уже сейчас на предприятиях? И какие новые шансы даёт цифровизация ИТ-компаниям? Какое место ИИ занимает в цифровом предприятии?

Эти и другие вопросы мы обсудим на круглом столе с экспертами в области ИИ и представителями бизнеса.

УЧАСТНИКИ КРУГЛОГО СТОЛА
Владельцы и топ-менеджеры предприятий/компаний, задумывающиеся о долгосрочной стратегии развития; эксперты, владельцы, топ-менеджеры и специалисты ИТ-компаний, ищущие новые направления своего развития.


ПРИГЛАШЕННЫЕ ЭКСПЕРТЫ
Ямщиков Иван
Список дополняется.

ПРИГЛАШЕННЫЕ УЧАСТНИКИ
Руководители и владельцы компаний, входящих в Ассоциацию промышленных предприятий, Ассоциации малого и среднего бизнеса и др.
Руководители и владельцы ИТ-компаний, специалисты.
Представители сферы образования
МОДЕРАТОР
Шехтман М.Б. Председатель Совета директоров НПФ КРУГ
Вопросы для КС
1. ИИ сегодня используется во множестве отраслей. Где, по вашему мнению, его возможности максимально востребованы, а где, наоборот, он пока недооценен?

2. Видите ли Вы, какие задачи в вашей сфере бизнеса может решать ИИ?

3. В каких бизнес-процессах ИИ сегодня может принести реальную пользу уже сейчас, а в каких его пока не стоит применять?

4. С чего начинать цифровизации своего предприятия? Как составить Дорожную карту перехода к цифровому предприятию 4.0?

5. Требуются ли изменения в бизнес-процессах и организационной структуре компании при ее цифровизации? Имеет ли смысл оцифровывать беспорядок?

6. Какие заблуждения заказчиков относительно возможностей Искусственного интеллекта Вы бы назвали наиболее распространенными?

7. И другие по предложениям участников.

ДАТА И МЕСТО
19 апреля, библиотека Лермонтова.
Длительность - предварительно 1,5 часа.
Время уточняется.

Я расскажу о применении искусственного интеллекта в «кровавом» энтерпрайзе. Крупные бизнесы по всему миру вспомнили, что на дворе двадцать первый век и переделывают старые бизнес-процессы с учётом того, что в мире есть компьютер (внезапно), который справляется со многими задачами лучше, чем человек. Это можно называть Digitalization, но нам не так важно, как это называется. Нам важно, что это огромный рынок, на котором можно создавать новые продукты.

Соревнования по машинному обучению - это очень позитивное явление, в котором можно и нужно участовать по множеству причин. При должном подходе соревновательный опыт непосредственно транслируется в скиллы и наработки для разработки решений на базе машинного обучения. В докладе будет рассказано как это сделать на примере соревнований второй половины 2018 года. А также как с их помощью удалось разработать решение для анализа доступности товаров на полке в магазинах.

В работе предлагается новая латентная модель естественных изображений, которую можно обучать на больших выборках изображений высокого разрешения. Процесс обучения обеспечивает получение латентного представления для каждого изображения из обучающей выборки, а также позволяет построить глубокую сверточную сеть, которая отображает латентное представление в пространство изображений. После обучения новая модель может быть использована как универсальное априорное распределение в пространстве изображений для решения ряда задач восстановления изображений, таких как заполнение пропущенных частей изображения, повышение разрешения, и раскраска.

Для моделирования естественных изображений высокого разрешения наш подход использует латентные пространства очень высокой размерности (на один-два порядка выше, чем предыдущие модели). Для работы с такой высокой размерностью мы используем латентные пространства со специальной структурой многообразий (сверточные многообразия), параметризованные сверточной сетью определенной архитектуры.


В экспериментах мы сравниваем изученные латентные модели с латентными моделями на основе автоэнкодеров, различными вариантами генеративных состязательных сетей и с сильной базовой системой с использованием более простой параметризации латентного пространства. Наша модель превосходит конкурирующие подходы при решении целого ряда задач восстановления.

Соревнование по машинному обучению - крайне уникальное явление. При должном подходе оно позволяет участникам прокачивать определенный набор скиллов за короткое время. А также выводит уровень понимания задач всего комьюнити на новую высоту. В докладе будет рассказано про сам процесс участия, про подходы к решению и отношение к соревнованиям.

Данный доклад относится к классу научно-популярным и состоит из трех частей:
- первая часть является кратчайшей из возможных версий истории науки об искусственном интеллекте, вы узнаете что "отцы-основатели" имели в виду под этим термином;
- во второй части слушатели узнают чем отличаются о современно состоянии ИИ и его пределах;
- третья часть доклада фокусируется на профессии data scientist, и отвечает на вопросы о том кто они такие, что они могу и сколько им нужно платить.

Задачей данного доклада является ознакомление аудитории с базовыми принципами машинного обучения и демонстрации того, что машинное обучение и статистика могут быть применимы к любым областям, в которых происходит сбор данных. Доклад состоит из трех частей:
- в первой части будет рассказано о том, что такое машинное обучение и какое место оно занимает в науке об искусственном интеллекте на примере линейной регрессии;
- во второй части слушатели ознакомятся с классическим А/Б тестированием;
- в третьей части будет представлен реальный пример из опыта работы с сетью розничной торговли, о том как можно использовать машинное обучение для обхода некоторых ограничение фреймворка А/Б тестирования в тестировании гипотез.

Хочу поделиться опытом разработки приложений на Spark в контексте Data Engineering.
Тема, которую я представлю на докладе - это реальный проект, разработкой которого я занимался.
Пример будет состоять из чтения данных из Kafka, обработки с помощью Spark Structured Streaming (включая stateful трансформации) и записи результатов в HDFS.
Также расскажу нюансы по деплою проекта (Yarn, HDFS, Apache Oozie).
Примеры будут на понятном для большинства слушателей подмножестве языка Scala (без монадных трансформеров и прочей живности).