Ju ftojmë në një takim për inteligjencën artificiale, aplikimin e saj në pajisjet mobile dhe tendencat më të rëndësishme teknologjike dhe të biznesit të dekadës së re. Programi përfshin raporte interesante, diskutime, pica dhe humor të mirë.
Një nga folësit është një pionier në prezantimin e teknologjive më të fundit në Hollywood, Shtëpia e Bardhë; libri i tij "Augmented: Life in the Smart Lane" u përmend si një nga librat e tij të preferuar të referencës nga Presidenti i Kinës në fjalimin e tij të Vitit të Ri.
19:05 Mësimi përforcues në NeurIPS 2019: si ishte - Sergey Kolesnikov, TinkoffÇdo vit tema e të mësuarit përforcues (RL) po bëhet më e nxehtë dhe më e zhurmshme. Dhe çdo vit, DeepMind dhe OpenAI i shtojnë benzinë zjarrit duke lëshuar një bot të ri të performancës mbinjerëzore. A ka vërtet diçka që ia vlen pas kësaj? Dhe cilat janë tendencat më të fundit në të gjithë diversitetin RL? Le ta zbulojmë!
19:25 Rishikimi i punës NLP në NeurIPS 2019 - Mikhail Burtsev, MIPTSot, tendencat më përparimtare në fushën e përpunimit të gjuhës natyrore lidhen me ndërtimin e arkitekturave të bazuara në modele gjuhësore dhe grafikët e njohurive. Raporti do të ofrojë një përmbledhje të punimeve në të cilat këto metoda përdoren për të ndërtuar sisteme dialogu për të zbatuar funksione të ndryshme. Për shembull, për komunikimin mbi tema të përgjithshme, rritjen e ndjeshmërisë dhe zhvillimin e dialogut të orientuar drejt qëllimit.
19:45 Mënyrat për të kuptuar llojin e sipërfaqes së funksionit të humbjes - Dmitry Vetrov, Fakulteti i Shkencave Kompjuterike, Universiteti Kombëtar i Kërkimeve Shkolla e Lartë e EkonomisëUnë do të diskutoj disa punime që eksplorojnë efekte të pazakonta në të mësuarit e thellë. Këto efekte hedhin dritë mbi pamjen e sipërfaqes së funksionit të humbjes në hapësirën e peshës dhe na lejojnë të parashtrojmë një sërë hipotezash. Nëse konfirmohet, do të jetë e mundur që në mënyrë më efektive të rregullohet madhësia e hapit në metodat e optimizimit. Kjo gjithashtu do të bëjë të mundur parashikimin e vlerës së arritshme të funksionit të humbjes në kampionin e provës shumë përpara përfundimit të trajnimit.
20:05 Rishikimi i punimeve në vizionin kompjuterik në NeurIPS 2019 - Sergey Ovcharenko, Konstantin Lakhman, YandexNe do të shqyrtojmë fushat kryesore të kërkimit dhe punës në vizionin kompjuterik. Le të përpiqemi të kuptojmë nëse të gjitha problemet tashmë janë zgjidhur nga këndvështrimi i akademisë, nëse marshi fitimtar i GAN-it vazhdon në të gjitha fushat, kush po i reziston dhe kur do të ndodhë revolucioni i pambikëqyrur.
20:25 Pushim për kafe
20:40 Modelimi i sekuencave me renditje të pakufizuar të gjenerimit - Dmitry Emelianenko, YandexNe propozojmë një model që mund të fusë fjalë në vende arbitrare në fjalinë e krijuar. Modeli në mënyrë implicite mëson një rend të përshtatshëm dekodimi bazuar në të dhënat. Cilësia më e mirë arrihet në disa grupe të dhënash: për përkthimin me makinë, përdorimi në LaTeX dhe përshkrimi i imazhit. Raporti i dedikohet një artikulli në të cilin tregojmë se rendi i mësuar i deshifrimit në fakt ka kuptim dhe është specifik për problemin që zgjidhet.
20:55 Trajnim i kundërt KL-Divergjenca e rrjeteve të mëparshme: Pasiguri e përmirësuar dhe qëndrueshmëri kundërshtare - Andrey Malinin, YandexQasjet e ansamblit për vlerësimin e pasigurisë janë aplikuar kohët e fundit për detyrat e zbulimit të keqklasifikimit, zbulimit të hyrjeve jashtë shpërndarjes dhe zbulimit të sulmeve kundërshtare. Rrjetet e mëparshme janë propozuar si një qasje për të imituar në mënyrë efikase një grup modelesh për klasifikim duke parametrizuar një shpërndarje paraprake Dirichlet mbi shpërndarjet e prodhimit. Këto modele janë treguar se tejkalojnë qasjet alternative të ansamblit, të tilla si Monte-Carlo Dropout, në detyrën e zbulimit të inputeve jashtë shpërndarjes. Megjithatë, shkallëzimi i Rrjeteve të mëparshme në grupe të dhënash komplekse me shumë klasa është i vështirë duke përdorur kriteret e trajnimit të propozuara fillimisht. Ky punim jep dy kontribute. Së pari, ne tregojmë se kriteri i duhur i trajnimit për rrjetet e mëparshme është divergjenca e kundërt KL midis shpërndarjeve të Dirichlet. Kjo çështje trajtohet në natyrën e shpërndarjeve të objektivave të të dhënave të trajnimit, duke mundësuar që rrjetet e mëparshme të trajnohen me sukses për detyrat e klasifikimit me shumë klasa në mënyrë arbitrare, si dhe duke përmirësuar performancën e zbulimit jashtë shpërndarjes. Së dyti, duke përfituar nga ky kriter i ri trajnimi, ky punim heton përdorimin e Rrjeteve Paraprake për të zbuluar sulmet kundërshtare dhe propozon një formë të përgjithësuar të trajnimit kundërshtar. Është treguar se ndërtimi i sulmeve të suksesshme adaptive whitebox, të cilat ndikojnë në parashikimin dhe zbulimin e shmangies, kundër Rrjeteve të mëparshme të trajnuar në CIFAR-10 dhe CIFAR-100 duke përdorur qasjen e propozuar kërkon një sasi më të madhe përpjekjesh llogaritëse sesa kundër rrjeteve të mbrojtura duke përdorur kundërshtarë standardë. trajnim ose MC-braktisje.
21:10 Paneli i diskutimit: "NeurlPS, i cili është rritur shumë: kush është fajtor dhe çfarë të bëjë?" - Alexander Krainov, Yandex
19:00-19:30 "Zgjidhja e problemeve operacionale duke përdorur R për dummies" - Konstantin Firsov (Netris SHA, Kryeinxhinier i Zbatimit).
19:30-20:00 "Optimizimi i inventarit në shitje me pakicë" - Genrikh Ananyev (PJSC Beluga Group, Shef i automatizimit të raportimit).
20:00-20:30 "BMS në X5: si të bësh minierat e procesit të biznesit në regjistrat e pastrukturuar POS duke përdorur R" - Evgeniy Roldugin (Grupi i shitjeve me pakicë X5, Shefi i Departamentit të Mjeteve të Kontrollit të Cilësisë së Shërbimit), Ilya Shutov (Media Tel, Shef i Departamentit të të dhënave shkencëtar).
"Kur ia vlen të rishkruash një aplikacion nga e para dhe si ta bindësh biznesin për këtë" - Alexey Pyzhyanov, zhvillues, SiburHistoria e vërtetë se si e trajtuam borxhin teknik në mënyrën më radikale. Unë do t'ju tregoj për të:
Pse një aplikacion i mirë u shndërrua në një trashëgimi të tmerrshme.
Si morëm vendimin e vështirë për të rishkruar gjithçka.
Si ia shitëm këtë ide pronarit të produktit.
Çfarë doli nga kjo ide në fund dhe pse nuk pendohemi për vendimin që morëm.
"Vuejs API tallet" - Vladislav Prusov, zhvillues i Frontend, AGIMA