AicinÄm uz tikÅ”anos par mÄkslÄ«go intelektu, tÄ pielietojumu mobilajÄs ierÄ«cÄs un jaunÄs desmitgades svarÄ«gÄkajÄm tehnoloÄ£iju un biznesa tendencÄm. ProgrammÄ interesanti reportÄžas, diskusijas, pica un labs garastÄvoklis.
Viens no runÄtÄjiem ir pionieris jaunÄko tehnoloÄ£iju ievieÅ”anÄ HolivudÄ, BaltajÄ namÄ; viÅa grÄmatu āPaplaÅ”inÄta: dzÄ«ve viedajÄ joslÄā Ķīnas prezidents savÄ Jaungada uzrunÄ minÄja kÄ vienu no viÅa iecienÄ«tÄkajÄm atsauces grÄmatÄm.
19:05 PastiprinÄÅ”anas mÄcÄ«bas NeurIPS 2019: kÄ tas bija - Sergejs KoļesÅikovs, TinkoffAr katru gadu pastiprinÄÅ”anas apmÄcÄ«bas (RL) tÄma kļūst arvien karstÄka un skaļÄka. Un katru gadu DeepMind un OpenAI pielej eļļu ugunij, izlaižot jaunu pÄrcilvÄcÄ«gas veiktspÄjas robotu. Vai aiz tÄ tieÅ”Äm ir kaut kas vÄrtÄ«gs? Un kÄdas ir jaunÄkÄs tendences visÄ RL dažÄdÄ«bÄ? Noskaidrosim!
19:25 PÄrskats par NLP darbu izstÄdÄ NeurIPS 2019 ā Mihails Burcevs, MIPTMÅ«sdienÄs lielÄkÄs izrÄvienu tendences dabiskÄs valodas apstrÄdes jomÄ ir saistÄ«tas ar arhitektÅ«ru konstruÄÅ”anu, pamatojoties uz valodas modeļiem un zinÄÅ”anu grafikiem. ZiÅojumÄ tiks sniegts pÄrskats par darbiem, kuros Ŕīs metodes tiek izmantotas, veidojot dialogu sistÄmas dažÄdu funkciju ievieÅ”anai. PiemÄram, saziÅai par vispÄrÄ«gÄm tÄmÄm, empÄtijas vairoÅ”anai un mÄrÄ·tiecÄ«ga dialoga vadÄ«Å”anai.
19:45 Veidi, kÄ izprast zaudÄjumu funkcijas virsmas veidu - Dmitrijs Vetrovs, NacionÄlÄs pÄtniecÄ«bas universitÄtes Ekonomikas augstskolas DatorzinÄtÅu fakultÄteEs apspriedÄ«Å”u vairÄkus rakstus, kas pÄta neparastus efektus dziļajÄ mÄcÄ«bÄ. Å ie efekti izgaismo zaudÄÅ”anas funkcijas virsmas izskatu svara telpÄ un ļauj izvirzÄ«t vairÄkas hipotÄzes. Ja tas tiks apstiprinÄts, optimizÄcijas metodÄs bÅ«s iespÄjams efektÄ«vÄk regulÄt soļu lielumu. Tas arÄ« ļaus prognozÄt zaudÄjuma funkcijas sasniedzamo vÄrtÄ«bu testa paraugÄ ilgi pirms apmÄcÄ«bas beigÄm.
20:05 Darbu apskats datorredzes jomÄ NeurIPS 2019 - Sergejs OvÄarenko, KonstantÄ«ns Lakhmans, YandexApskatÄ«sim galvenÄs pÄtniecÄ«bas un darba jomas datorredzÄÅ”anÄ. MÄÄ£inÄsim saprast, vai visas problÄmas jau ir atrisinÄtas no akadÄmijas viedokļa, vai GAN uzvaras gÄjiens turpinÄs visÄs jomÄs, kas tam pretojas un kad notiks bezpÄrraudzÄ«tÄ revolÅ«cija.
20:25 Kafijas pauze
20:40 SekvenÄu modelÄÅ”ana ar neierobežotu Ä£enerÄÅ”anas secÄ«bu - Dmitrijs EmeliaÅenko, YandexMÄs piedÄvÄjam modeli, kas var ievietot vÄrdus patvaļīgÄs vietÄs Ä£enerÄtajÄ teikumÄ. Modelis netieÅ”i apgÅ«st Ärtu dekodÄÅ”anas secÄ«bu, pamatojoties uz datiem. VislabÄkÄ kvalitÄte tiek sasniegta vairÄkÄs datu kopÄs: maŔīntulkoÅ”anai, izmantoÅ”anai LaTeX un attÄla aprakstÄ. PÄrskats ir veltÄ«ts rakstam, kurÄ mÄs parÄdÄm, ka apgÅ«tÄ dekodÄÅ”anas secÄ«ba patieÅ”Äm ir jÄga un ir raksturÄ«ga risinÄmajai problÄmai.
20:55 ApgrieztÄ KL-diverÄ£ences apmÄcÄ«ba par iepriekÅ”Äjiem tÄ«kliem: uzlabota nenoteiktÄ«ba un pretrunÄ«guma izturÄ«ba ā Andrejs MaļiÅins, YandexNenoteiktÄ«bas novÄrtÄÅ”anas ansambļa pieejas nesen tika izmantotas nepareizas klasifikÄcijas noteikÅ”anas, Ärpus izplatÄ«Å”anas ievades noteikÅ”anas un pretrunÄ«gu uzbrukumu noteikÅ”anas uzdevumiem. IepriekÅ”Äjie tÄ«kli ir piedÄvÄti kÄ pieeja, lai efektÄ«vi emulÄtu klasifikÄcijas modeļu kopumu, parametrizÄjot Dirihleta iepriekÅ”Äjo sadalÄ«jumu pa izvades sadalÄ«jumiem. Ir pierÄdÄ«ts, ka Å”ie modeļi pÄrspÄj alternatÄ«vas ansambļa pieejas, piemÄram, Monte-Carlo Dropout, veicot Ärpussadales ievades noteikÅ”anas uzdevumu. TomÄr, izmantojot sÄkotnÄji piedÄvÄtos apmÄcÄ«bas kritÄrijus, ir grÅ«ti pielÄgot iepriekÅ”Äjos tÄ«klus sarežģītÄm datu kopÄm ar daudzÄm klasÄm. Å is raksts sniedz divus ieguldÄ«jumus. PirmkÄrt, mÄs parÄdÄm, ka piemÄrotais apmÄcÄ«bas kritÄrijs iepriekÅ”Äjiem tÄ«kliem ir apgrieztÄ KL atŔķirÄ«ba starp Dirichlet sadalÄ«jumiem. Å Ä«s problÄmas attiecas uz apmÄcÄmo datu mÄrÄ·a sadalÄ«jumu bÅ«tÄ«bu, ļaujot iepriekÅ”Äjiem tÄ«kliem veiksmÄ«gi apmÄcÄ«t klasifikÄcijas uzdevumus ar patvaļīgi daudzÄm klasÄm, kÄ arÄ« uzlabojot Ärpus izplatÄ«Å”anas noteikÅ”anas veiktspÄju. OtrkÄrt, izmantojot Å”o jauno apmÄcÄ«bas kritÄriju, Å”ajÄ rakstÄ ir pÄtÄ«ta iepriekÅ”Äjo tÄ«klu izmantoÅ”ana, lai atklÄtu pretinieku uzbrukumus, un tiek piedÄvÄts vispÄrinÄts sacÄ«kstes apmÄcÄ«bas veids. Ir parÄdÄ«ts, ka veiksmÄ«gu adaptÄ«vu baltÄs kastes uzbrukumu izveide, kas ietekmÄ prognozÄÅ”anu un izvairÄ«Å”anos no atklÄÅ”anas, pret iepriekÅ”Äjiem tÄ«kliem, kas apmÄcÄ«ti CIFAR-10 un CIFAR-100, izmantojot piedÄvÄto pieeju, prasa lielÄku skaitļoÅ”anas piepÅ«li nekÄ pret tÄ«kliem, kas aizsargÄti, izmantojot standarta pretrunÄ«gus pasÄkumus. apmÄcÄ«ba vai MC-dropout.
21:10 Paneļdiskusija: "NeurlPS, kas ir pÄrÄk pieaudzis: kurÅ” ir vainÄ«gs un ko darÄ«t?" ā Aleksandrs Krainovs, Yandex
20:00-20:30 āBMS X5: kÄ veikt biznesa procesu ieguvi uz nestrukturÄtiem POS žurnÄliem, izmantojot Rā - JevgeÅijs Roldugins (X5 mazumtirdzniecÄ«bas grupa, pakalpojumu kvalitÄtes kontroles rÄ«ku nodaļas vadÄ«tÄjs), Iļja Å utovs (Media Tel, vadÄ«tÄjs departamenta datu zinÄtnieks).
āKad ir vÄrts pÄrrakstÄ«t lietojumprogrammu no nulles un kÄ par to pÄrliecinÄt biznesuā - Aleksejs Pyžjanovs, Sibur izstrÄdÄtÄjsReÄls stÄsts par to, kÄ mÄs visradikÄlÄk tikÄm galÄ ar tehnisko parÄdu. Es jums par to pastÄstÄ«Å”u:
KÄpÄc laba lietojumprogramma pÄrvÄrtÄs par briesmÄ«gu mantojumu.
KÄ mÄs pieÅÄmÄm grÅ«to lÄmumu visu pÄrrakstÄ«t.
KÄ mÄs pÄrdevÄm Å”o ideju produkta Ä«paÅ”niekam.
Kas galu galÄ radÄs no Ŕīs idejas un kÄpÄc mÄs nenožÄlojam pieÅemto lÄmumu.
āVuejs API mocksā ā Vladislavs Prusovs, Frontend izstrÄdÄtÄjs, AGIMA