Presented By O’Reilly and Intel AI
Put AI to work
April 10-11, 2018: Training
April 11-13, 2018: Tutorials & Conference
Beijing, CN
 
紫金大厅B(Grand Hall B)
Add Decentralized data markets for training AI models to your personal schedule
11:15 Decentralized data markets for training AI models Roger Chen (Computable Labs)
Add AI在政府公共服务领域的实践与应用 to your personal schedule
14:00 AI在政府公共服务领域的实践与应用 yulun song (九次方大数据信息集团有限责任公司)
报告厅(Auditorium)
Add 深度学习在智能教育中的应用 to your personal schedule
13:10 深度学习在智能教育中的应用 Hui Lin (Liulishuo)
Add 计算机创作对联、诗歌和音乐 to your personal schedule
14:00 计算机创作对联、诗歌和音乐 周明 (微软亚洲研究院 (Microsoft Research Asia))
Add 深度学习与地质学能碰撞出什么样的火花? to your personal schedule
16:20 深度学习与地质学能碰撞出什么样的火花? 李苍柏 (中国地质科学院矿产资源研究所)
多功能厅2(Function Room 2)
Add Smart diagnosis in healthcare with deep learning to your personal schedule
16:20 Smart diagnosis in healthcare with deep learning Nishant Sahay (Wipro Limited)
多功能厅3A+B (Function Room 3A+B)
Add 微软亚洲研究院的深度图像合成技术 to your personal schedule
11:15 微软亚洲研究院的深度图像合成技术 Baining Guo (微软亚洲研究院 (Microsoft Research Asia))
Add 在TensorFlow中构建和部署模型 to your personal schedule
14:00 在TensorFlow中构建和部署模型 Sherry Moore (Google)
Add 视觉智能及其在机器人行业中的应用 to your personal schedule
14:50 视觉智能及其在机器人行业中的应用 李忠伟 (深圳普思英察科技有限公司)
多功能厅5A+B(Function Room 5A+B)
Add 基于Apache Spark的弹性调度在GPU/CPU异构环境中的深度学习应用 to your personal schedule
11:15 基于Apache Spark的弹性调度在GPU/CPU异构环境中的深度学习应用 Yonggang Hu (IBM), Junfeng Liu (IBM), Feng Kuan (IBM Canada)
Add 把AI注入BI: Kensho – 微软的自动化商业指标监控和分析工具 to your personal schedule
14:50 把AI注入BI: Kensho – 微软的自动化商业指标监控和分析工具 Tony Xing (Microsoft), Bixiong Xu (Microsoft)
多功能厅6A+B(Function Room 6A+B)
Add 无人驾驶技术产业链条 to your personal schedule
11:15 无人驾驶技术产业链条 Weiyue Wu (University of Oxford)
Add 理解视觉数据 to your personal schedule
14:50 理解视觉数据 陈玉荣 (Intel)
16:20
Add 周五欢迎致辞 (Friday opening welcome) to your personal schedule
紫金大厅A(Grand Hall A)
08:45 周五欢迎致辞 (Friday opening welcome) Ben Lorica (O'Reilly Media), Jason (Jinquan) Dai (Intel), Roger Chen (Computable Labs)
Add 基于深度学习的自然语言处理 to your personal schedule
08:55 基于深度学习的自然语言处理 Yinyin Liu (Intel AI)
Add TensorFlow对科学的影响 to your personal schedule
09:25 TensorFlow对科学的影响 Sherry Moore (Google)
Add Convergence of modalities in language technology to your personal schedule
10:00 Convergence of modalities in language technology Hassan Sawaf (Amazon Web Services)
Add 智能简史 to your personal schedule
10:15 智能简史 Hsiao-Wuen Hon (微软亚洲研究院 (Microsoft Research Asia))
10:45 上午茶歇 (Morning Break) | Room: 赞助商区域 (Sponsor Pavilion)
15:30 下午茶歇 (Afternoon Break) | Room: 赞助商区域 (Sponsor Pavilion)
Add Friday Afternoon Social to your personal schedule
17:00 Friday Afternoon Social | Room: 赞助商区域 (Sponsor Pavilion)
Add 快速社交 (Speed Networking) to your personal schedule
08:00 早咖啡/茶服务 (Morning Coffee and Tea Service), 快速社交 (Speed Networking) | Room: 3楼序厅(3rd Floor Foyer)
Add 周五午餐主题桌会 (Friday Topic Tables at Lunch) to your personal schedule
11:55 周五午餐主题桌会 (Friday Topic Tables at Lunch) | Room: 阳光厅&国际厅 (Sunshine Room & Ballroom)
11:15-11:55 (40m) 模型与方法 (Models and Methods), 英文讲话 (Presented in English)
Decentralized data markets for training AI models
Roger Chen (Computable Labs)
Blockchain technologies offer new internet primitives for creating open and online data marketplaces. Roger Chen explores how data markets can be constructed and how they offer a shared resource on the internet for AI-based research, discovery, and development.
13:10-13:50 (40m) 实施人工智能 (Implementing AI), 英文讲话 (Presented in English) AI应用的硬件、软件栈(Hardware and Software stack for AI applications)
The tensor processing unit: A processor for neural network designed by Google
Kaz Sato (Google)
The tensor processing unit (TPU) is a LSI designed by Google for neural network processing. The TPU features a large-scale systolic array matrix unit that achieves an outstanding performance-per-watt ratio. Kazunori Sato explains how a minimalistic design philosophy and a tight focus on neural network inference use cases enables the high-performance neural network accelerator chip.
14:00-14:40 (40m)
AI在政府公共服务领域的实践与应用
yulun song (九次方大数据信息集团有限责任公司)
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。
14:50-15:30 (40m) 实施人工智能 (Implementing AI), 英文讲话 (Presented in English)
Optimizing deep learning frameworks for modern Intel CPUs
Huma Abidi (Intel)
Intel has been optimizing deep learning frameworks (in collaboration with framework owners) for Intel Xeon processors based on its Skylake microarchitecture. Huma Abidi details these collaborative optimization efforts, particularly for TensorFlow and MXNet, explains how users can leverage these optimizations, and shares specific tuning tips to get the best performance on Skylake platforms.
16:20-17:00 (40m) 实施人工智能 (Implementing AI), 模型与方法 (Models and Methods), 英文讲话 (Presented in English)
Feature engineering: The missing link in applying machine learning to deliver business value
Hendra Suryanto (Rich Data Corporation )
Hendra Suryanto shares a case study from a Canadian financial lender that his company helped transition from manual to automated credit decisioning, using gradient boosting machine and deep learning to build the model. In addition to modeling techniques, Hendra highlights the role feature engineering plays in improving model performance.
11:15-11:55 (40m) 实施人工智能 (Implementing AI)
低精度计算用于深度学习推断和训练
Brian Liu (Intel)
目前,商用的深度学习应用大多使用32位单精度浮点数(fp32)进行训练和推断。已有不同的研究显示在训练或推断中使用更低精度表示(训练16位,推断8位或更低;由于反向传播中的梯度表示,训练需要相对较高精度)仍能保持基本相同的准确度。低精度表示在未来数年内很可能成为业界标准做法,尤其是针对卷积网络应用。低精度表示至少带来了两个好处。一是极大减少了模型的存储量,提高了缓存效率,数据可以更快地在内存、缓存、寄存器间搬移从而避免内存访问成为瓶颈;二是硬件可能提供更高的计算能力(每秒运算次数)。这里我们将回顾低精度表示用于深度学习训练或推断的历史,并展示英特尔是如何在志强可扩展处理器上利用低精度表示进行深度学习计算的(例如如何进行数值量化)。
13:10-13:50 (40m) 实施人工智能 (Implementing AI) 深度学习(Deep Learning), 自然语言与语音技术(Natural Language and Speech Technologies)
深度学习在智能教育中的应用
Hui Lin (Liulishuo)
教育的个性化和高效率离不开智能化。本次演讲将结合“流利说”在过去5年的实践,从问题定义、数据获取、算法设计、模型优化等方面介绍如何将深度学习运用于语音识别、知识跟踪、以及自然语言处理等领域。实验结果显示,搭载这些智能技术的学习产品能将学习效率提升三倍。
14:00-14:40 (40m) 实施人工智能 (Implementing AI), 模型与方法 (Models and Methods)
计算机创作对联、诗歌和音乐
周明 (微软亚洲研究院 (Microsoft Research Asia))
创作诗歌、音乐是人类独具的能力。然而,随着深度神经网络和大数据的发展,计算机已经逐步具备了创作诗歌和音乐的能力。我们致力于把AI融入到创作过程中,并且帮助普通实现创作梦想。为此,我们长期以来进行了对联、诗词的研究。2005年就开发了中文对联系统(http://duilian.msra.cn).。以后又陆续开发了格律诗写作,猜字谜和出字谜。2016年开发了小冰写诗。目前我们正在探索先进的神经网络和大数据来模仿人类的音乐创作过程。我们采用了融入上下文的编码-解码方法来产生诗歌、歌词和谱曲。取得了富有希望的成果。我们的电脑音乐创作已经在CCTV的机智过人节目播出。获得好评,由电脑写出歌词,然后配上曲谱,然后通过声音合成,唱出歌曲。
14:50-15:30 (40m) 实施人工智能 (Implementing AI), 模型与方法 (Models and Methods) 深度学习(Deep Learning), 运输与物流 (Transportation and Logistics)
用深度学习给地图换新颜
Li Li (ESRI)
制图学是一个历史悠久的学科。古希腊地理学家C.托勒密的《地理学指南》就是一部地图制图学著作。托勒密认为地理学就是“以线画形式描绘地球上所有迄今已知的部分及其附属的东西”。几百年以来,地图学领域都没有重大突破。 深度学习作为一个新的技术已经渗透到了各个行业。带来了各种各种的技术革新。本讲座就是探讨如何用深度学习来给地图换装。然后展示一些用深度学习技术给地图换装的结果。并讨论,深度学习在制图领域的应用。
16:20-17:00 (40m) 与人工智能交互 (Interacting with AI), 实施人工智能 (Implementing AI), 模型与方法 (Models and Methods) 深度学习(Deep Learning)
深度学习与地质学能碰撞出什么样的火花?
李苍柏 (中国地质科学院矿产资源研究所)
众所周知,现在的深度学习已经在各个行业开始了应用。但是深度学习如何与地质行业相结合,这还是一个新兴的话题,国外目前,已经开始用深度学习来处理实验室地震数据,用以提高地震预测的时间;国内也已经有很多人用卷积神经网络开始对岩石图像数据进行处理,这次议题我做的报告是,在介绍前人工作的基础上,介绍一下自己在地质上的应用!
11:15-11:55 (40m) 英文讲话 (Presented in English)
Amazon’s machine learning services: An overview of technologies and use cases
Hassan Sawaf (Amazon Web Services)
Hassan Sawaf discusses Amazon’s efforts to enable the enterprise with machine learning capability, in particular with newly released AWS services like Amazon Transcribe, Amazon Translate, Amazon Comprehend, Amazon Polly, Amazon Lex, Amazon SageMaker, and explains how some of these correlate with other Amazon products and services.
13:10-13:50 (40m) 企业人工智能 (AI in the Enterprise), 英文讲话 (Presented in English) 制造业与工业自动化 (Manufacturing and Industrial Automation), 增强学习(Reinforcement Learning)
Deep reinforcement learning’s killer app: Intelligent control in real-world systems
Mark Hammond (Bonsai)
Mark Hammond dives into two case studies highlighting how deep reinforcement learning can be applied to real-world industrial applications.
14:00-14:40 (40m) 实施人工智能 (Implementing AI), 英文讲话 (Presented in English) 增强学习(Reinforcement Learning), 深度学习(Deep Learning)
Building deep reinforcement learning applications on BigDL and Spark
Arsenii Mustafin (Fudan University)
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.
14:50-15:30 (40m) 实施人工智能 (Implementing AI), 英文讲话 (Presented in English)
Developing artificial intelligence applications in the cloud for time to deployment (TTD)
Le Zhang (Microsoft), Graham Williams (Microsoft)
Le Zhang and Graham Williams demonstrate how R-user data scientists and AI developers can use cloud services for convenient experimentation and production. Join Le and Graham for a walk-through of a proposed method that favors a TTD requirement for enterprise-grade AI and data applications.
16:20-17:00 (40m) 实施人工智能 (Implementing AI), 英文讲话 (Presented in English) 保健与医疗 (Health and Medicine), 深度学习(Deep Learning)
Smart diagnosis in healthcare with deep learning
Nishant Sahay (Wipro Limited)
Deep learning with ConvNet in particular has emerged as a promising tool in medical research labs and diagnostic centers to help analyze images and scans, and systems are now surpassing human capability for manual inspection. Nishant Sahay explains how to apply deep learning to analyze high-end microscope images and X-ray scans to provide accurate diagnosis.
11:15-11:55 (40m) 模型与方法 (Models and Methods) 计算机视觉(Computer Vision)
微软亚洲研究院的深度图像合成技术
Baining Guo (微软亚洲研究院 (Microsoft Research Asia))
关于微软亚洲研究院通过人工智能技术进行图像合成的最新研究概述。从把普通照片变成毕加索风格的绘画,到生成莱昂纳多·迪卡普里奥(Leonardo DiCaprio)的新图像,我们展示了深度学习所带来的新的可能性。
13:10-13:50 (40m) 实施人工智能 (Implementing AI)
人工智能在高精地图制作中的应用
Jialin Jiao (Uber)
在无人车科学家和工程师们孜孜不倦的实践和思辨中,高精地图(High Definition Map)事实上已经成为现今无人车技术生态系统中的不可缺少的基础设施之一。同样是对现实世界道路网络以及周边环境的建模,比起一般的电子地图,高精地图必须精确到厘米级,同时需要更频繁的更新以保证其正确性。如此高度的精确性和频繁更新的要求,给高精地图的制作带来来巨大的挑战,其中包括专用软硬件的设计和研发、成千上万的城市的天文数字级别的数据的收集、处理、存储和信息化、语义化等等。这一切,使得高精地图的制作成本非常昂贵,需要耗费大量的时间和人力。利用人工智能提高自动化的程度,是降低成本、加快其制作过程的必须的手段。本议题将会深入浅出的介绍各种人工智能技术在高精地图的制作中的各个环节中的应用,以科普大众并唤起专业人士对人工智能在无人车高精地图制作中的应用的兴趣和重视。
14:00-14:40 (40m) 模型与方法 (Models and Methods) 深度学习(Deep Learning)
在TensorFlow中构建和部署模型
Sherry Moore (Google)
TensorFlow可以让你进行高速运算,很多时候是在机器学习的情景下。 Sherry Moore将会介绍TensorFlow的最新进展,包括TensorFlow立刻执行机制和TensorFlow Lite。她还会分享一些最佳实践,并将演示机器学习的一些有用的应用。
14:50-15:30 (40m) 实施人工智能 (Implementing AI) AI应用的硬件、软件栈(Hardware and Software stack for AI applications), 制造业与工业自动化 (Manufacturing and Industrial Automation), 计算机视觉(Computer Vision), 运输与物流 (Transportation and Logistics)
视觉智能及其在机器人行业中的应用
李忠伟 (深圳普思英察科技有限公司)
本演讲主要阐述视觉智能(Visual Intelligence)的定义,传感器分类和介绍,流行算法和介绍,应用场景以及创新点。 介绍视觉传感器的发展历史以及分类,包括被动光摄像头和主动光摄像头以及其他衍生传感器 介绍基于视觉的算法:深度学习算法和SLAM算法 介绍视觉智能在机器人行业中的应用,包括家庭机器人,服务类机器人,无人驾驶汽车。 最后介绍多传感器融合的解决方案在机器人行业的应用以及必要性。
16:20-17:00 (40m) 实施人工智能 (Implementing AI)
使用Kyligence Robot高效调优和诊断Apache Kylin
Dong Li (Kyligence)
作为最流行的OLAP on Hadoop分析引擎之一,Apache Kylin基于预计算技术实现了查询的高性能和高并发。为了让Apache Kylin实际应用中展现最大威力,恰当的诊断和调优是必不可少的。当遇到系统故障或性能瓶颈,运维人员需要分析大量日志以寻找根本原因和解决方案。Kyligence Robot将这一切自动化起来,使用机器学习算法和规则引擎,通过日志分析对故障和瓶颈进行定位,并结合模型优化算法、知识库等机制给出建议。本次演讲将结合实际案例介绍如何使用Kyligence Robot高效率调优和诊断Apache Kylin。
11:15-11:55 (40m) 实施人工智能 (Implementing AI) 深度学习(Deep Learning)
基于Apache Spark的弹性调度在GPU/CPU异构环境中的深度学习应用
Yonggang Hu (IBM), Junfeng Liu (IBM), Feng Kuan (IBM Canada)
深度学习技术是从海量数据集中构建人工智能的关键技术。将Apache Spark与诸如Caffe, MXNet等深度学习框架的集成之后,可以使得后者的学习阶段能够大规模并行化,但在企业部署中会面临很多问题。我们将会分享我们在使用Apache Spark进行深度学习,特别是使用GPU的深度学习的方法以及相应的认知计算实际案例。
13:10-13:50 (40m) 实施人工智能 (Implementing AI) 计算机视觉(Computer Vision), 零售业与电子商务 (Retail and e-commerce)
基于BigDL的超大规模图像处理在京东的实践
邱鑫 (Intel)
BigDL(基于Apache Spark的大数据分布式的深度学习框架)为大规模图像处理提供了丰富的端到端支持。我们将介绍如何使用BigDL搭建灵活性和高可扩展性的端到端深度学习应用程序。我们还将分享我们在京东构建大规模图像特征提取流水线的经验。
14:00-14:40 (40m) 实施人工智能 (Implementing AI), 模型与方法 (Models and Methods) 运输与物流 (Transportation and Logistics)
自动驾驶系统中的人工智能: Artificial intelligence in autonomous vehicle systems
Liyun Li (京东硅谷研发中心X-lab)
尽管人工智能技术已经在诸如计算机视觉和自然语言处理等领域获得了巨大的成功,如何在自动驾驶系统中有效地利用AI的能力仍然是一个很大的挑战。我们将以"Apollo"这一百度的开源无人驾驶平台系统做为基准和样例, 深入讨论并且分享在搭建智能的无人驾驶系统各个方面利用AI技术的实践和经验。通过讲解Apollo无人驾驶系统背后的设计理念以及各个功能模块,我们将分享并展示AI技术在Apollo无人驾驶系统中各方面的应用, 包括环境感知,行为预测,行为决策,以及控制规划等。同时我们将结合Apollo系统中的端到端学习实践,探讨AI技术在未来无人驾驶系统中更好的应用场景。
14:50-15:30 (40m) 实施人工智能 (Implementing AI) 设计AI平台(Designing AI platforms)
把AI注入BI: Kensho – 微软的自动化商业指标监控和分析工具
Tony Xing (Microsoft), Bixiong Xu (Microsoft)
在这个议题中,我们会介绍Kensho, 一个基于AI的商业指标监控与诊断工具, 我们通过将AI元素注入这个BI工具,从而构建来服务不同的微软团队的历程。我们的从中学到的经验教训,技术的选择和演化,架构,算法等等。通过工程+数据科学解决了一个工业界的一个通用需求。另外我们会展望基于Kensho架构的下一代智能BI的解决方案。
16:20-17:00 (40m) 实施人工智能 (Implementing AI) 传媒、广告、娱乐 (Media, Advertising, Entertainment), 设计AI平台(Designing AI platforms), 零售业与电子商务 (Retail and e-commerce)
人工智能时代,二手交易平台的智能推荐系统如何演进
孙玄 (转转公司)
转转的推荐系统从0开始打造,针对业务的不同阶段,一步步发展演进。在发展的过程中经历了全局无个性化推荐阶段、个性化离线推荐阶段、个性化实时推荐阶段、机器学习排序推荐阶段等。 本文会详细讲解不同发展阶段的原因、架构&算法的演进,让同学们对二手交易平台的智能推荐系统能够深刻认识。
11:15-11:55 (40m) 实施人工智能 (Implementing AI) AI应用的硬件、软件栈(Hardware and Software stack for AI applications), 制造业与工业自动化 (Manufacturing and Industrial Automation), 运输与物流 (Transportation and Logistics)
无人驾驶技术产业链条
Weiyue Wu (University of Oxford)
无人驾驶技术是多个技术的集成, 一个无人驾驶系统包含了多个传感器,包括长距雷达、激光雷达、短距雷达、车载摄像头、超声波、 GPS、 陀螺仪等。每个传感器在运行时都不断产生数据,而且系统对每个传感器产生的数据都有很强的实时处理要求。 无人驾驶序幕刚启,其中有着千千万万的机会亟待发掘。在此背景之下,过去的几年中,自动驾驶产业化在多个方面取得了很大进步,其中合作共享已成为共识,产业链不断整合,业界企业相继开展合作,传感器价格将不断下降,预计在2020年,将有真正意义上的无人车面世。 我们可以预测一个不远的未来,届时所有行驶的车辆都是无人驾驶车,我们将迎来一个更加安全、更加清洁环保的世界。 本次演讲,我们将解析无人驾驶技术产业链条,分析无人驾驶发展和即将面临的问题。最后,将给出无人驾驶发展的路线图,揭示在 未来二十年内无人驾驶的走势。
13:10-13:50 (40m) 实施人工智能 (Implementing AI) 设计AI平台(Designing AI platforms)
Smart data – 从数据驱动智能到智能驾驭数据
Xiatian Zhang (TalkingData)
大数据直接推动了人工智能的发展,但如何有效管理和利用大数据也一直是非常有挑战的问题。梳理数据,整理数据,利用数据都非常依赖于数据工程师,数据分析师和数据科学家的个人能力,经验,以及责任心。基于数据创造和发展智能的一大瓶颈就在于这个过程非常的依赖于人。为了提高效率,降低基于数据的智能的成本,扩大其应用范围,我们必须利用智能技术来处理和利用大数据,尽量减少对人的依赖。
14:00-14:40 (40m) 实施人工智能 (Implementing AI) 设计AI平台(Designing AI platforms)
大规模人工智能在优步:大数据和机器学习的双城记
Zhenxiao Luo (Uber)
优步应用大数据技术和机器学习技术为客户寻找最舒适的出行地点,预测最佳的航行路线,从而更好的服务客户需求。在这个讲座中,我们将讨论优步如何建立起大数据系统,和机器学习系统,并逐渐将两个系统统一起来。我们会重点讨论优步大数据的缓存策略,以及如何有效的应用缓存来支持大规模的机器学习。
14:50-15:30 (40m) 实施人工智能 (Implementing AI)
理解视觉数据
陈玉荣 (Intel)
如今,视觉感知无处不在,其成本在日益下降,视觉数据也在快速增长。因此,分析和理解海量的视觉数据已成为一大挑战。为攻克这一挑战,英特尔研究院正对英特尔平台上的智能视觉数据处理技术进行创新型研究。在本演讲中,我们将介绍英特尔如何通过各个领域的前瞻性研究,如脸部分析、情绪识别、用于对象检测的高效 CNN 设计、DNN 模型压缩和密集视频字幕等,推进基于深度学习的视觉理解。
16:20-17:00 (40m) 实施人工智能 (Implementing AI) AI应用的硬件、软件栈(Hardware and Software stack for AI applications)
Session
08:45-08:55 (10m)
周五欢迎致辞 (Friday opening welcome)
Ben Lorica (O'Reilly Media), Jason (Jinquan) Dai (Intel), Roger Chen (Computable Labs)
Program chairs Ben Lorica, Jason Dai, and Roger Chen open the second day of keynotes.
08:55-09:05 (10m)
基于深度学习的自然语言处理
Yinyin Liu (Intel AI)
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。
09:05-09:20 (15m) 英文讲话 (Presented in English) 制造业与工业自动化 (Manufacturing and Industrial Automation), 增强学习(Reinforcement Learning)
Get your hard hat: Intelligent industrial systems with deep reinforcement learning
Mark Hammond (Bonsai)
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.
09:20-09:25 (5m) 赞助商赞助 (Sponsored) AI应用的硬件、软件栈(Hardware and Software stack for AI applications)
谷歌AI:把人工智能的益处带给每个人 (Google AI赞助议题)
Sherry Moore (Google)
Sherry Moore将会探讨谷歌在人工智能方面的工作,其中会包括TensorFlow在中国的发展。最重要的是Sherry将会解释谷歌想如何与中国(从顶级合作伙伴到普通开发者)进行合作,从而让他们能在人工智能时代中更具生产力和创新性。
09:25-09:40 (15m) 深度学习(Deep Learning), 计算机视觉(Computer Vision)
TensorFlow对科学的影响
Sherry Moore (Google)
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。

09:40-10:00 (20m) 零售业与电子商务 (Retail and e-commerce)
从狭义人工智能到广义人工智能:7大前沿研究方向
Bowen Zhou (JD.com)
在不久的将来,人工智能产业规模将会达到十倍乃至百倍的增长。要达到这个目标,目前基于大规模标注数据单任务学习的人工智能(ANI)必须进化到更强大的广义人工智能(ABI)。在这个演讲中,周伯文博士将分享他对这个进化的思考,介绍这个进化所需的七大关键路径、研究方向及近期成果。
10:00-10:15 (15m) 英文讲话 (Presented in English)
Convergence of modalities in language technology
Hassan Sawaf (Amazon Web Services)
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.
10:15-10:35 (20m) 自然语言与语音技术(Natural Language and Speech Technologies), 计算机视觉(Computer Vision)
智能简史
Hsiao-Wuen Hon (微软亚洲研究院 (Microsoft Research Asia))
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。
10:35-10:45 (10m)
结束致辞 (Closing remarks)
结束致辞 (Closing remarks)
10:45-11:15 (30m)
Break: 上午茶歇 (Morning Break)
15:30-16:20 (50m)
Break: 下午茶歇 (Afternoon Break)
17:00-17:30 (30m)
Friday Afternoon Social
Join fellow AI Beijing attendees and sponsors for coffee, tea, and refreshments in the Sponsor Pavilion following the last sessions on Friday.
08:00-08:45 (45m)
快速社交 (Speed Networking)
本次人工智能会议上午8:00-8:30可以和希望社交的与会来宾见面。我们将在周五主题演讲之前搞一个非正式快速社交活动。一定记得带名片参加活动。
11:55-13:10 (1h 15m)
周五午餐主题桌会 (Friday Topic Tables at Lunch)
午餐时寻找和其他与会者的社交?主题桌会讨论帮助你结识相似行业或有共同话题的与会来宾。