Конференция по искусственному интеллекту OpenTalks.AI 3-5 Февраля 2021

Конференция по искусственному интеллекту OpenTalks.AI 3-5 Февраля 2021

С 3 по 5 Февраля 2021 г. проходит OpenTalks.AI – конференция по искусственному интеллекту в России. Лучшие российские докладчики по ML/DL на одной площадке. 3 дня, 4 трека: Natural Language Processing, Computer vision, Predictive analytics, Reinforcement learning & AGI. В каждом треке — доклады по науке, бизнесу и разработке.

Ожидается более 1,500 участников из нескольких стран. Первый день — образовательный, целый день tutorials от ведущих специалистов и воркшопов от компаний.

Организатор конференции — АйПи Лаборатория.

Место проведения: Конференц-зал гостиницы «Космос»
Москва, Проспект Мира, 150
5 минут от метро ВДНХ

Сайт конференции: https://opentalks.ai/

День Tutorials, 3 февраля

BERT Reranking model

Replika — это крупнейший в мире англоговорящий чатбот. Обсудим, как устроена одна из наших ключевых компонент, которая позволяет выбирать нам наиболее релевантный ответ из разных диалоговых моделей, в том числе GPT-3, значительно повышая качество диалога. Пройдемся по всему пути развития данной компоненты, поговорим об удачных и неудачных экспериментах.
Павел Факанов, Replika

Обнаружение аномалий и точек разладки генеративными моделями

Туториал по работе с GAN — генеративными нейронными сетями. Обнаружение изменений в режиме работы наблюдаемого объекта — хорошо известная задача, встречающаяся в различных контекстах: контроль качества производственных процессов, обнаружение сбоев в сложных системах, предиктивное обслуживание, мониторинг состояния пациентов в медицине, построение языковых помощников и анализе видео. Для решения этой задачи используются методы обнаружения точек разладки. Точка разладки — это момент времени, в котором меняется поведение временного ряда, который характеризует наблюдаемый объект. Возникновение разладки означает, что состояние объекта изменилось, и ее своевременное обнаружение может помочь предотвратить нежелательные последствия. В этом докладе мы представляем два подхода к обнаружению точек разладки в режиме онлайн на основе нейронных сетей. Эти алгоритмы демонстрируют линейную вычислительную сложность применения и подходят для обнаружения точек разладки в продолжительных многомерный временных рядах. В докладе приводится наглядное описание этих алгоритмов и их сравнение с наиболее известными методами на различных наборах синтетических и реальных данных. В частности, рассмотрим задачу детектирования смены физической активности человека по данным сенсоров смартчасов; протестируем алгоритмы на данных астрономических телескопов и детекторов частиц в физике высоких энергий.
Михаил Гущин, ВШЭ

Поиск архитектур нейросетей

Four variables make a machine learning model selected: the model parameters and their distribution, the model structure and its distribution. Changes in data implies changes in the model structure. For a complex data set one has to deal with an ensemble of selected models. An ensemble is supposed to collect different models, which fit the data holistically. This talk will discuss principles of model selection for a single model and for an ensemble.
Вадим Стрижов, МФТИ

Интеграция RL и планирования

Планирование действий по известной модели — один из важных классических подходов в искусственном интеллекте. При интеграции с методами обучения с подкреплением оказывается возможным использовать обновляемую модель и добиваться действительно значимых результатов. Начиная с простых алгоритмов, мы в этом туториале разберемся, как работает AlphaZero, после чего посмотрим на современные SOTA алгоритмы последних двух лет.
Кирилл Аксенов, МФТИ

AI Workflows for Intelligent Video Analytics with DeepStream

Deploy DeepStream pipeline for parallel, multi-stream video processing and deliver applications with maximum throughput at scale.
Configure the processing pipeline and create intuitive, graph-based applications.
Leverage multiple deep network models to process video streams and achieve more intelligent insights.
Дмитрий Миронов, NVIDIA

Краткое практическое введение в Azure Machine Learning

Этот мастер-класс будет посвящен обзору основного облачного инструмента Microsoft для машинного обучения – Azure Machine Learning от простой возможности запуска Jupyter Notebooks до планирования распределенных обучающих экспериментов и оптимизации гиперпараметров на вычислительном кластере. В качестве примера будет рассмотрена генерация картин генеративно-состязательными сетями и построение модели для ответов на вопросы по датасету научных статей о COVID-19.
Для прохождения потребуется подписка Microsoft Azure, получить пробную подписку можно по ссылке http://aka.ms/azfree, для студентов – http://aka.ms/az4stud.
Дмитрий Сошников, Microsoft

Запуск контейнера с демо Face recognition, используя систему Huawei FusionDirector

Деплой и запуск docker контейнера на edge устройстве Atlas500, используя систему Huawei FusionDirector. Настройка и запуск контейнера с facerecognition demo
Алесь Кучумов, Huawei

OpenFL: Federated Learning for everyone

Для построения качественных моделей машинного обучения часто нужны большие объемы данных. В мире огромное количество данных, которое растет каждый день. Однако эти данные обычно кому-то принадлежат и на них могут распространяться законы о персональных данных. Например, медицинские записи, финансовые операции, фотографии людей – это все примеры данных, на которые могут накладываться различные ограничения. Также иногда данные занимают огромное количество места и их фактически невозможно собрать в централизованное хранилище для последующего обучения. Однако для развития AI индустрии мы хотим использовать имеющиеся в мире данные по максимуму. Решить эти проблемы помогает подход, который получил название Federated Learning. Это подход к машинному обучению, который позволяет обучать модели на распределенных данных, не пересылая сами данные и не нарушая их приватности. Вместо того чтобы отправлять данные к моделям, в федеративном обучении мы отправляем модели к данным. Это позволяет организациям сотрудничать в проектах машинного обучения без обмена конфиденциальными данными, например, в медицинской и финансовой отраслях, а также решить проблему перемещения по сети больших данных. В рамках туториала мы познакомимся с Python open-source библиотекой для федеративного обучения – OpenFL (https://github.com/intel/openfl). Построим свою федеративную сеть для обучения на распределенных данных и разберем несколько примеров.
Алексей Груздев, Intel
Ольга Перепелкина, Intel

День NLP и CV, 4 Февраля

Computer vision — обзор результатов 2020 года
Алексей Досовицкий,
Google Brain
Vision in 2020: Transformers, Transfer, and Beyond

Моделирование 3Д сцен: новые подходы в 2020 году
Виктор Лемпицкий,
Samsung, Skoltech
В 2020 комьюнити компьютерного зрения активно исследовало новые подходы к моделированию 3Д сцен и объектов на основе визуальных данных. В рамках доклада мы посмотрим на эти подходы, их основные черты и отличия.

CV в медицине

Алексей Чернявский,
Philips
Нейросетевые алгоритмы для повышения качества медицинских изображений

Кирилл Арзамасов,
НПКЦ ДиТ ДЗМ
Особенности ИИ в медицинской диагностике: данные, валидация и практическое применение

Александр Громов,
Третье Мнение
Устойчивость нейросетевых моделей при анализе КТ/НДКТ-исследований

Инна Мороз,
Care Mentor AI
Эффект от внедрения технологий компьютерного зрения для детекции COVID-19

Разработка в NLP

Денис Тимонин,
NVIDIA
Megatron-LM: Обучение мультимиллиардных LMs при помощи техники Model Parallelism

Егор Филимонов,
Huawei
Возможности платформы Huawei Atlas и эффективный гетерогенный инференс.

Александр Прозоров,
Киберсин
Референсная архитектура робота сервисного центра в отраслях с изменчивыми бизнес-процессами

Наталья Лукашевич,
МГУ, МГТУ им. Баумана
Анализ тональности по отношению к компании — с чем не справился BERT

Артем Артемов,
Когнитивные системы
Фреймворк B2NLP. Модель определение эмоциональной тональности текста

Алексей Зорченков,
Huawei
Применение методов NLP для работы с программным кодом

Константин Воронцов,
МФТИ
Фейковые новости и другие типы потенциально опасного дискурса: типология, подходы, датасеты, соревнования

Научные доклады в ML

Дмитрий Ветров,
Samsung AI, НИУ ВШЭ
Фрактальность функции потерь, эффект двойного спуска и степенные законы в глубинном обучении — фрагменты одной мозаики

Сергей Николенко
ПОМИ РАН, Neuromation
Понимание мультимодального мира: последние результаты, проблемы и задачи

Андрей Устюжанин,
НИУ ВШЭ
The frontier of simulation-based inference

Андрей Савченко,
НИУ ВШЭ
Последовательный анализ в распознавании изображений: повышение эффективности инференса и классификации

Сергей Терехов,
РАИИ, РАНИ
Тензорная машина ассоциативного вывода

Юрий Визильтер,
ФГУП «ГосНИИАС»
Презентация отечественной экосистемы машинного обучения Plat

Предиктивная аналитика в бизнесе

Сергей Орлов, Газпром нефть
«КАПИТАН» Цифровой Арктики

Андрей Коцеруба,
ВТБ
Semi-supervised Geo2Vec

Вадим Седельников,
Норникель
Применение машинного обучения на примере флотации

Главные результаты в NLP в 2020 году
Григорий Сапунов,
Intento
В докладе будет сделан обзор самых важных работ и результатов в области обработки естественного языка в 2020 году

Как ИИ повлиял на бизнес в 2020 году
Сергей Лукашкин,
ВТБ
В этом году мы не будем делать отдельных обзоров, как CV или NLP применяются в бизнесе. Вместо этого мы посмотрим, какие глобальные тренды в технологиях ИИ появились в 2020 году и какое они окажут влияние на бизнес в этом и следующих годах.

NLP в бизнесе

Роман Доронин,
EORA.AI
Аналитикой животворящей. История о автоматизации контактного центра ДОДО

Максим Милков,
Softline
Оптимизация бизнес-процессов и документооборота с использованием NLP технологий. Бизнес-кейс: Цифровой аудитор

Анна Серебряникова,
nlogic
Влияние технологий ИИ на развитие машиночитаемого документооборота в России

Разработка в CV

Денис Пархоменко,
Huawei
Поиск интерпретируемой семмнатики в сигналах различного типа. Приложение к реальным продуктам

Дмитрий Пагин,
TrafficData
Ускорение сверточных сетей с помощью квантизации. Quantization aware training.

Илья Жариков,
МФТИ
Optimization of neural networks and their development

Никита Андриянов,
Финансовый университет
Анализ эффективности распознавания образов на нестандартных типах изображений на примере радиолокационных изображений местности и рентгеновских снимков багажа и ручной клади

Даниил Киреев,
VisionLabs
VisionLabs ATAC – мультикамерный трекинг людей

Сергей Алямкин,
Expasoft
AutoDL или как сократить затраты на разработку и использование в проде нейронных сетей

Евгений Никитин,
Цельс
Возможно ли обучить точную медицинскую AI-модель на неполных данных спорного качества?

Александр Петюшко,
Huawei
Исследование устойчивости сверточных нейросетей на примере систем детекции и распознавания лиц

Предиктивная аналитика в медицине

Александр Гусев,
Webiomed
Перспективы прогнозной аналитики в сокращении сердечно-сосудистой заболеваемости и смертности

Тимофей Пырков,
Gero
GeoSense: AI помогает следить за здоровьем и старением с помощью смартфона

Сергей Шевчук,
Третье Мнение
Модели прогнозирования возникновения осложнений и рисков тяжелого течения Covid-19 на основе данных историй болезни и рентгенологических исследований пациентов

Ольга Перепелкина,
Intel
Federated Learning for Healthcare: A privacy-preserving method to train data science models on sensitive datasets

Научные доклады — AGI

Олег Серебренников
Иерархическая Память Последовательностей

Олег Варламов,
МГТУ им. Н.Э. Баумана, НИИ МИВАР
Логические системы принятия решений «миварные мозги» для интеллектуальных автономных робототехнических комплексов, киберфизических систем и интернета вещей

Дмитрий Салихов
Измерение прогресса в сторону AGI с помощью тестов

День RL и AGI, 5 Февраля

RL в робототехнике
Александр Панов,
МФТИ, ИПИИ ФИЦ ИУ РАН
В докладе будет сделан обзор применения Reinforcement Learning в навигации роботов — основные методы, ключевые соревнования, результаты.

Обзор главных работ и результатов в RL в 2020 году
Александр Новиков,
DeepMind
Обзор основных результатов в Reinforcement Learning в 2020 году

Разметка данных для ML

Ольга Мегорская,
Yandex Toloka
Мы в ответе за то, на чем обучились: разметка данных как ключевая часть производства AI продуктов

Валентин Бирюков,
Yandex Toloka
ML в подготовке данных для ML: предсказание качества работы исполнителей при разметке данных

Роман Куцев,
Trainingdata.ru
Разметка изображений для японского стартапа

Андрей Ольховик,
AliExpress Россия
Как толокеры помогают улучшить перевод названий товаров AliExpress Россия

Иван Болохов,
Когнитивные Системы
Гибридный интеллект для задач разметки данных

Предиктивная аналитика в бизнесе

Андрей Арефьев,
InfoWatch
Сценарии использования машинного обучения в информационной безопасности

Алексей Цыплаков,
IPG
ИИ для экспертных систем в авиации и не только

Александр Хайдаров,
MITLabs
Извлечение и анализ ценовых факторов мониторинга зернового рынка

Адель Яруллин,
Университет Иннополис
Применение методов глубокого обучения для автоматического выявления дефектов магистральных трубопроводов

Максим Рассабин,
Университет Иннополис
Распознавание дефектов лопаток авиационного двигателя

Научные доклады в CV

Евгений Бурнаев,
Skoltech
Deep Vectorization of Technical Drawings

Антон Конушин,
ВШЭ, Samsung
Оценка карт глубины

Hardware for Deep Learning

Григорий Сапунов,
Intento
Обзорный доклад про железо для ИИ

Разработка NLP для юридической практики

Юлия Шевченко,
МИТЛАБС
Фемида и трансформеры: использование лингвистических моделей на основе архитектуры «трансформер» в юридической практике.

Игнат Постный,
ТАГ Консалтинг
Почему машинное обучение препятствует развитию Legal AI?

Елена Тутубалина,
КФУ
RuREBus-2020 Shared Task: Russian Relation Extraction for Business

Научные доклады — AGI

Антон Колонин,
Aigents
Обоснование нейросимвольной архитектуры общего искусственного интеллекта на примере обучения с подкреплением

Евгений Витяев,
ИМ СО РАН
Задачный подход к общему искусственному интеллекту

Инвестиции и стартапы в ИИ

Сергей Ходаков,
ИТ-Кластер Фонда «Сколково»
Программа Tech Explorer — помощь в развитии AI компаниям

Евгений Шеенко,
Фонд «Сколково»
Инвестиции в AI компании. Приоритетные направления и истории успеха

Мария Машкеева,
Электронные платформы
Экзамус: система прокторинга на базе AI

Сергей Захаров,
Цера маркетинг
Цера и умный супермаркет

Илья Пронин,
ООО «Скан-граф»
Технология SeaScan AI для идентификации подводных объектов

Разработка рекомендательных систем и предиктивной аналитики

Михаил Гущин,
ВШЭ
Обнаружение временных изменений для систем предсказательной аналитики

Артем Просветов,
LANIT / CleverDATA
Векторизация пользователей и наши шаги к Federated Learning

Евгений Цымбалов,
Huawei
Оценка неопределенности и принятие решений: метрики, методы и применимость

Фрэнк Шихалиев,
Mindset
insolver.io — opensource фреймворк для страховых вычислений.

Научные доклады — автономные системы

Алексей Окунев,
НГУ
Восстановление географических координат распознаваемых объектов на основе технологий SLAM и Deep Learning при обзорной видеосъемке с БПЛА

Роман Федоренко,
Университет Иннополис
Какие задачи есть у автономных дронов и как мы их решали на примере соревнований Аэробот

Владислав Кибалов,
ЭВОКАРГО
Безопасное управление скоростью наземного беспилотного транспортного средства в условиях неопределенности собственного положения

Игорь Пивоваров,
ЦНиТ ИИ МФТИ, OpenTalks.AI
AGI архитектуры и подходы — где мы сейчас и куда идти дальше
Обзор основных архитектур и подходов для построения AGI, биологические и математические аспекты, нейросетевые, когнитивные и вычислительные архитектуры. Обобщая результаты многих авторов, сформулируем основные принципы и условия для построения новых моделей интеллекта и предложим новую архитектуру.

Сергей Шумский,
Российская Ассоциация Нейроинформатики
Обратная инженерия мозга как путь к сильному ИИ
Рассмотрим как устроен мозг с точки зрения машинного обучения, какие блоки за что отвечают и как они моделируются. Наметим пути к новым моделям.

Константин Анохин,
МГУ
Нейрореалистичный искусственный интеллект: недостающие звенья
Искусственный интеллект движим идеей воспроизведения фундаментальных принципов естественного интеллекта. В докладе мы рассмотрим: а) ключевые особенности биологического интеллекта, которые пока ускользают от воспроизведения в искусственных системах, б) уже известные принципы устройства и функционирования естественных нейронных сетей, которые еще не вошли в искусственные нейросети. Эти знания могут способствовать созданию следующего поколения искусственного интеллекта.