2019年6月18日至21日,「AI Conference 2019北京站」大會將在北京國際飯店會議中心盛大舉行。「AI Conference」由O』Reilly和Intel聯合主辦,2018年的全球四站會議曾引起人工智慧領域廣泛關注和普遍好評。此次北京站大會也是今年這個全球矚目的盛會即紐約站後的重磅回歸。大會一如既往地將關注重點放在人工智慧的實際應用上,宗旨就是為了彌合人工智慧研究領域與產業商業應用之間的現實差距。
本次大會將矽谷與中國融合在一起,創造了一次全球人工智慧專家難得的相聚。會議主題及相關議題的演講者為來自各大公司、企業,以及國內外著名高校的人工智慧專家,包括谷歌、Intel、Facebook、Uber、微軟、阿里巴巴、亞馬遜、中國人壽、美團、SAS、Unity、SalesForce、IBM、MIT、伯克利、斯坦福、清華大學等。
在這裡你可以仔細剖析案例,深入鑽研最新研究成果,學習如何在自己項目中實現人工智慧,分享在智能工程和應用中正在出現的最佳實踐,揭示人工智慧的局限及未被發掘的機遇,並參與討論人工智慧將會如何改變商業世界的版圖。無論你的關注點在哪裡,都將在本次大會上找到:
企業中的人工智慧:執行簡報,案例研究及用例,行業特定應用等。
人工智慧對商業及社會的影響:自動化,安全,規範等。
實施人工智慧項目:應用,工具,架構,安全等
與人工智慧交互:設計,指標,產品管理,機器人等。
模型及方法:增強及機器學習,TensorFlow,深度學習,GAN,自然語言處理及理解,語音識別,計算機視覺等。
那麼本次大會上將會有哪些令人期待的專家大咖和引人入勝的精彩內容呢?讓我們一起先睹為快:
卓越的主題演講者(持續更新中)
Ion Stoica
加州大學伯克利分校EECS教授,RISELab主任。與Ali Ghodsi等人聯合創立Databricks公司併兼任執行主席。ACM研究員。
賈揚清
加州大學伯克利分校計算機科學博士。目前擔作阿里計算平臺掌門人,Caffe、TensorFlow、Caffe2、ONNX和PyTorch 1.0的作者或共同作者。
Pete Warden
Google Brain團隊移動和嵌入式TensorFlow Group技術主管。O'Reilly Media《公共數據手冊》和《大數據詞彙表》作者,OpenHeatMap和Data Science Toolkit以及其他開源項目的構建者。
Maria Zhang
Linkedin工程副總裁,IDGCapital創業合伙人。
Tim Kraska
麻省理工學院計算機科學與人工智慧實驗室副教授,研究重點是構建和使用機器學習系統。2017年大部分時間,Tim在Google Research工作,與MLX和Brain團隊一起發明了學習型索引結構的概念。
Michael James
Cerebras Systems的創始人兼首席軟體架構師。AMD的研究員。
出色的培訓課
Jike Chong(Tsinghua University|Acorns),黃鈴(Tsinghua University),陳薇(排列科技)
量化網際網路金融信用與反欺詐風控
本培訓課基於清華大學交叉信息研究院開設的一門「量化金融信用與風控分析」研究生課。其中會用LendingClub的真實借貸數據做為案例,解說一些具體模型的實現,幫助學習者了解數據科學在網際網路金融領域裡在個人信用評估的價值;了解個人信用領域真實的數據科學流程和考慮方面;了解信用模型搭建中多種挑戰的解決方案。
Rich Ott(The Data Incubator)
Deep Learning with PyTorch(使用PyTorch進行深度學習)
PyTorch是一個用於Python的機器學習庫,允許用戶以極大的靈活性構建深度神經網絡。其易於使用的API和GPU的無縫使用使其成為深度學習的熱門工具。本課程將介紹PyTorch工作流程並演示如何使用它。學習者將掌握使用真實數據集構建深度學習模型的知識。
Season Yang(McKinsey & Company)
Deep Learning with TensorFlow(使用TensorFlow進行深度學習)
TensorFlow庫提供了計算圖形的使用,可以跨資源自動並行化。該架構非常適合實現神經網絡。本培訓課程將介紹TensorFlow的Python功能。它將逐步從構建機器學習算法轉向使用TensorFlow提供的Keras API和幾個動手應用程式。
Jesse Anderson(Big Data Institute)
Professional Kafka development(專業的Kafka開發)
Jesse Anderson將帶領大家深入研究Apache Kafka。學習者將在本課程中了解Kafka是如何工作的,以及如何用它創建實時系統。同時,學習者還將了解如何在Kafka中創建消費者和發布者,以及如何在探索Kafka生態系統時如何使用Kafka Streams,Kafka Connect和KSQL。
實用的教學輔導課
Alejandro Saucedo(The Institute for Ethical Ai & Machine Learning)
A practical guide towards explainability and bias evaluation in machine learning(機器學習中可解釋性和偏差評估的實用指南)
學習者將獲得關於機器學習中偏見概念的高層次的哲學概述,這將有助於消除歧義,並在面對實際情況時簡化挑戰。從技術角度來看,學習者將深刻了解到評估機器學習模型整個生命周期偏差的3個關鍵步驟,了解如何在實際示例中使用關鍵機器學習概念,如特徵重要性,類不平衡,模型分析,部分依賴性等,以及這些數據科學基礎設施如何用於與關鍵領域專家的互動之中。
Yijing Chen(Microsoft),Dmitry Pechyoni(Microsoft),Angus Taylor(Microsoft),Vanja Paunic(Microsoft),Henry Zeng(Microsoft)
基於深度學習的時間序列預測
在本課程中,學習者將:1.了解卷積和遞歸神經網絡的基礎知識及其在時間序列預測中有效的高級架構。2.了解何時在時間序列預測中使用深度學習模型而不是傳統的時間序列模型。3.了解對於構建時間序列預測的成功深度學習模型非常重要的一些技術和技巧。4.獲取使用Keras訓練和調整時間序列預測深度學習模型示例的原始碼。
Zhichao Li(Intel)
Analytics Zoo:Apache Spark上的分布式Tensorflow和Keras
「Analytics Zoo」:提供統一的分析+ AI平臺,可將Spark,TensorFlow,Keras和BigDL程序無縫集成到一個集成的管道中;然後,整個管道可以透明地擴展到大型Hadoop / Spark集群,以進行分布式培訓或推理。
在本課程中,學習者將了解如何構建和生成大數據的深度學習應用程式(例如,基於轉移學習的圖像分類,降水臨近預報的序列到序列預測,推薦的神經協同過濾,無監督的時間序列異常檢測等)以及使用Analytics Zoo的真實用例(如JD.com,MLSListings,世界銀行、銀聯、美的/ KUKA等)
Zhen Zhao(Intel)
英特爾OpenVINO:加速從邊緣到雲的深度學習推理和計算機視覺
在本教學課程中,學習者將學習英特爾OpenVINO工具包的結構和工作流程,兩個用於深度學習部署和計算機視覺的模塊,異步和異構計算的優化方法,低精度(INT8)推理,帶性能庫的指令集加速,以及OpenVINO內部的分析工具。我們還將通過將英特爾OpenVINO集成到商業和工業應用中來討論視頻分析解決方案。
Chris Butler(IPSoft)
Design Thinking for AI
目的、明確的問題和人們的信任是任何系統的重要因素,特別是那些使用人工智慧的系統。Chris Butler引導您通過借鑑設計思維原則的練習,幫助您創建更有效的解決方案和更好的團隊協作。
Sujatha Sagiraju(Microsoft),Henry Zeng(Microsoft)
通過自動化機器學習民主化和加速AI落地(Democratizing and Accelerating AI through Automated Machine Learning)
人工智慧提供的智能體驗對用戶來說就像魔術一樣。然而,開發它們相當麻煩,包括一系列連續的、相互關聯的決策,這一過程非常耗時。如果有一個自動服務可以識別給定問題/數據的最佳機器學習管道,該怎麼辦?自動機器學習就是這樣!
Richard Liaw(UC Berkeley RISELab)
Building reinforcement learning models and AI applications with Ray
Ray是一個通用的集群編程框架。我們將深入研究Ray,引導您了解其API和系統架構,並共享應用程式示例,包括一些最先進的人工智慧算法。
精彩紛呈的議題演講
註:因篇幅有限,此處只列講師和議題,詳情請見官網
劉懷軍(研究員,美團):AI技術在外賣個性化場景中的落地與思考
David Low(Pand.ai):The Unreasonable Effectiveness of Transfer Learning on NLP
劉祁躍(愛奇藝):視頻精彩度分析及智能創作
Tao Lu(Microsoft),Chenhui Hu(Microsoft):使用擴張卷積神經網絡預測客戶活動:用例和最佳實踐
Bichen Wu(UC Berkeley):Efficient Deep Learning for the Edge(高效的邊緣深度學習)
Henry Zeng(Microsoft),Emma Ning(Microsoft):ONNX:開放和互操作平臺讓AI無處不在
Alex Ingerman(Google):The future of machine learning is decentralized
Ying Liu(Abakus鯨算科技(Wecash閃銀)):A Humane AI Solution to Improve Debt Collection
Cong Yang(Clobotics):Towards Automatic Product Recognition for Smart Retails
Tiezhen Wang(Google):TensorFlow 2.0中令人興奮的新功能
Vijay Agneeswaran(Publicis Sapient), Abhishek Kumar(Publicis Sapient):Industrialized Capsule Networks for Text Analytics(用於文本分析的工業化膠囊網絡)
楊博理(宜信大數據創新中心):線上財富管理領域中的AI應用
Mark Ryan(IBM),Alina Li Zhang(Skylinerunners):Using deep learning and time-series forecasting to reduce transit delays
Hui Xue(微軟亞洲研究院):自動機器學習(automated machine learning)技術的實踐與應用
Arun Verma(Bloomberg):Trading strategies using Alternative data and Machine Learning
Guoqiong Song(Intel),Luyang Wang(Office Depot),Jennie Wang(Intel),Jing (Nicole) Kong(Office Depot):Real-time product recommendations leveraging deep learning on Apache Spark in Office Depot
David Maman(Binah.ai):Hacking Humans Made Easy: Signal Processing + AI + Video
溫浩(雲從科技):打造A.I.閉環引領產業變革
Dongfeng Chen(Clobotics):人工智慧如何徹底改變風電行業
Shengsheng Huang(Intel):在Spark上使用人工智慧玩遊戲
Joseph Spisak(Facebook):Bringing Research And Production Together With PyTorch 1.0
Yang Wang(Intel):Analytics Zoo: Distributed TensorFlow in Production on Apache Spark
Sarah Aerni(Salesforce Einstein):Achieving Salesforce-Scale Machine Learning in Production
Li Yuan(Perceptin深圳普思英察科技有限公司):自動駕駛技術是如何應用於新潮傳媒、新零售行業
Yue Cathy Chang(TutumGene):人工智慧與基因組學的結合:加速理解我們的基因構成,並利用基因組編輯來革新醫學
Yiheng Wang(Tencent):Sparkling:基於Apache Spark進行一站式機器學習
Weisheng Xie(China Telecom BestPay Co., Ltd):中國電信如何利用Adversarial AutoEncoder打擊金融詐騙
陳玉榮(Intel):在邊緣實現深度學習
Aileen Nielsen(Skillman Consulting):深度預測:時間序列深度學習一年回顧
Chaoguang Li(Qiniu),Bin Fan (Alluxio):AVA: a Cloud-Native Deep Learning Platform at Qiniu
安敖日奇朗(Rakuten, Inc.),TzuLin Chin (Rakuten, Inc.):Best practice of building data science platform in Rakuten
王書浩(透徹影像):人工智慧病理影像輔助診斷系統——從方法到落地
Mingxi Wu(TigerGraph):非監督學習在大規模圖譜上的案例應用和開源算法剖析
Kaz Sato(Google):ML OPS和Kubeflow管道
Zhenxiao Luo(Uber):查詢地球:Uber的地理空間大數據分析
WEIQIANG ZHUANG(IBM),Huaxin Gao (IBM):在集合平臺上的人工智慧管道
Hongyu Cui(DataVisor):運用自動化AI技術打擊「智能化」網絡欺詐
楊軍(Alibaba),龍國平(Alibaba):PAI張量加速器和優化器——又一個深度學習編譯器
Bas Geerdink(ING):AI在ING:數據驅動型企業的成因,方式和內容
鞠芳(中國人壽研發中心):保險中的機器學習實踐
Maulik Soneji(Go-jek),Jewel James(Go-jek):使用ML做個性化食物推薦議
李蒼柏(中國地質科學院礦產資源研究所):基於目標檢測的智能化成礦異常信息提取
Lei Xia(Intel):Intel架構的低精度推理
大會主題演講嘉賓和議題演講內容還在持續更新中,等到大會開幕的時候,還會新增哪些激動人心的大咖和內容呢?讓我們拭目以待!
搶票參會:
本屆AI Conference 2019北京站已經開始註冊,現在是早期優惠票價階段(截止日期:5月10日),搜索AI大會或人工智慧大會,進入官網查看詳情。