发帖
雷达卡
AI conference 2018 Beijing 主题演讲slides
AI在政府公共服务领域的实践与应用
[size=1.2]yulun song (九次方大数据信息集团有限责任公司)
[size=1.5]AI在过去的几年中，在很多行业和技术领域取得了飞速的发展，甚至是突破。但如何使用AI技术为政府这样一种不属于任何产业却又兼容多个行业的特殊用户服务，还并没有引起AI从业者的广泛重视。我和我的团队，通过对数据科学的理解和应用，就政府公共服务事业的AI实践作了一些尝试。这些尝试既包括探索政府数据资源的治理途径，也包含一些政府部门的AI应用。例如，通过集成机器学习算法，对电力部门掌握的用户窃电行为进行判断与提醒；通过U-Net人工神经网络，对遥感图像进行处理，实现对重大工程项目进展的监管；通过使用NLP技术，帮助安监部门对企业的报告文档进行处理，挖掘安全生产隐患的重复性规律；通过图数据库与图算法的使用，对公安经济侦查部门调查的洗钱和非法集资行为进行侦查与取证，等等。随着更多AI技术与政府应用场景的打通，通过政府公共服务这个窗口，AI技术将进一步赋能中国社会快速稳定发展与人民幸福生活。
AI技术在eBay搜索平台的应用
[size=1.2]HUA YANG (eBay)
[size=1.5]搜索引擎是大量利用机器学习技术的平台。 AI推动了搜索技术的进一步发展，搜索引擎正在变成强大的AI平台。本次演讲将介绍深度学习和自然语言理解技术在eBay产品搜索平台的应用。
Building deep reinforcement learning applications on BigDL and Spark
[size=1.2]Arsenii Mustafin (Fudan University)
[size=1.5]Deep reinforcement learning is a thriving area and has wide applications in industry. Arsenii Mustafin shares his experience developing deep reinforcement learning applications on BigDL and Spark.
Convergence of modalities in language technology
[size=1.2]Hassan Sawaf (Amazon Web Services)
[size=1.5]With today’s device and user interface technology and also the advent of advanced machine learning and deep learning models, input and output modalities are converging in many different dimensions. Hassan Sawaf offers a brief overview of research in human language technology and machine learning in merging information that is captured by the senses of machines.
Democratizing deep reinforcement learning
[size=1.2]Danny Lange (Unity Technologies)
[size=1.5]Danny Lange offers an overview of deep reinforcement learning, an exciting new chapter in AI’s history that is changing the way we develop and test learning algorithms that can later be used in real life.
Get your hard hat: Intelligent industrial systems with deep reinforcement learning
[size=1.2]Mark Hammond (Bonsai)
[size=1.5]Mark Hammond explores a wide breadth of real-world applications of deep reinforcement learning, including robotics, manufacturing, energy, and supply chain. Mark also shares best practices and tips for building and deploying these systems, highlighting the unique requirements and challenges of industrial AI applications.
Modernizing the healthcare industry with AI
[size=1.2]Arjun Bansal (Intel)
[size=1.5]Artificial intelligence is transforming every industry, but the role it will play in healthcare is profound. Arjun Bansal explains how AI can give physicians new insights and speed time to diagnosis by leveraging vast amounts of healthcare data and how it can reduce the time and money spent to develop new medicines.
Practical considerations when shifting to using deep learning for your text data
[size=1.2]Emmanuel Ameisen (Insight Data Science), Yan Kou (Insight Data Science)
[size=1.5]Emmanuel Ameisen and Yan Kou share a guide for moving your company toward deep learning using a collection of NLP best practices gathered from conversations with 75+ teams from Google, Facebook, Amazon, Twitter, Salesforce, Airbnb, Capital One, Bloomberg, and others.
TensorFlow对科学的影响
[size=1.2]Sherry Moore (Google)
[size=1.5]人工智能已经不是未来的科技，它正快速地成为我们日常生活的一部分。在本演讲中，谷歌TensorFlow的领导者Sherry Moore将会介绍机器学习是如何造福世界的，特别是对于科学的发展。她将会讨论她自己的关于学习如何学习（AutoML）的工作以及几个在中国和全世界使用TensorFlow和机器学习的迷人案例。
Turning machine learning research into products for industry
[size=1.2]Reza Zadeh (Matroid | Stanford)
[size=1.5]Reza Zadeh details three challenges on the way to building cutting-edge ML products, with a focus on computer vision, offering examples, recommendations, and lessons learned.
Understanding automation
[size=1.2]Ben Lorica (O'Reilly Media), Roger Chen (Computable Labs)
[size=1.5]Details to come.
人工智能与系统工程助力病理影像辅助诊断
[size=1.2]王书浩 (透彻影像)
[size=1.5]病理影像是医学的金标准，其诊断结果对患者的治疗具有重要的指导意义。相比于CT、X光等医疗影像，病理影像的规模巨大（GB量级），为大规模智能诊断带来了挑战。在这个演讲中，我将介绍如何从人工智能和系统工程的层面去应对这些挑战。
人工智能在欺诈检测中的应用
[size=1.2]Hongyu Cui (DataVisor)
人工智能在高精地图制作中的应用
[size=1.2]焦加麟 (Uber Technologies Inc)
低精度计算用于深度学习推断和训练
[size=1.2]Brian Liu (Intel)
基于TensorFlow的高效交互式深度学习平台及应用（An efficient and interactive deep learning platform with TensorFlow）
[size=1.2]Xiaolei Xu (上海新智新氦数据科技有限公司)
[size=1.5]目前单机多卡训练是深度学习的标配，但是单机的GPU数目总有上限，因此如何通过多机多卡进行高效的分布式训练就尤其重要。比如，如何将简单的单机程序快速部署到多机并得到相应的加速比，如何使得对GPU的调度与大数据处理平台无缝对接，并使GPU成为平台上按需调度、动态扩容的资源，这些问题的解决对算法迭代优化起到关键作用。 本次talk会详细介绍如何基于Kubernetes和Docker构建TensorFlow的微服务化应用，具体从以下几个方面展开：从少量样本数据的单机快速原型设计验证，无缝切换到大量全数据的多机多卡分布式训练过程；一键启动分布式训练，即基于新氦定制的深度学习云平台，用户无需关注分布式细节，可直接通过可视化web界面进行分布式参数配置和训练代码提交，并可实时可视化监控模型训练收敛性、系统资源消耗和模型输出日志等；模型训练结束后可实时serving将模型快速部署到生产环境。
基于深度学习的自然语言处理
[size=1.2]Yinyin Liu (Intel AI)
[size=1.5]深度学习为自然语言处理 (NLP) 带来新机遇和新希望。借助全新的深度学习方法，数据科学家可处理基于文本、语言和对话的应用，创造性地构建适用于各种 NLP 应用的基础。了解人工智能技术正如何推动 NLP 的发展以惠及各行各业。
数据驱动的人工智能前沿
[size=1.2]Hui Xiong (Baidu)
[size=1.5]本议题中我将介绍数据驱动人工智能带来的一些新兴机会和挑战，同时关注深度学习、推荐引擎和数据密集型计算平台的趋势，以及自动驾驶、对话式AI、位置感知社交媒体和视觉搜索。
智能简史
[size=1.2]Hsiao-Wuen Hon (微软亚洲研究院 (Microsoft Research Asia))
[size=1.5]人工智能已经引发了众多关注和讨论，而关于人类智能和人工智能孰优孰劣的辩论也不断升温。在这个主题演讲中，洪小文博士将介绍人工智能（AI）以及人类智能（HI）的历史。从历史的维度，以深刻的洞察，阐述AI和HI是如何彼此交织并共同进化的，并预示AI和HI可能的未来。
用于无人驾驶的深度学习技术
[size=1.2]Bichen Wu (UC Berkeley)
[size=1.5]深度学习近年来的成功极大地促进了自动驾驶技术的快速发展。但不少问题依然存在：1）深度学习模型需要大量的训练数据 2）即便是深度学习模型也很难达到100%准确率 3） 深度学习模型的计算复杂度太高，超出了车载计算机的处理能力。这个讲座将会关注以上几个问题。
用于自动驾驶的机器学习
[size=1.2]Erran Li (Uber ATG)
[size=1.5]尽管最近人工智能等领域取得了很多的进展，但自动驾驶里的主要问题（不管是基础研究还是工程应用上的挑战）离完全被解决还有很大的距离。Erran Li将会探索自动驾驶所用的机器学习的基础，并讨论目前相关工作的进展。
京公网安备 11010802022788号
