O’REILLY、INTEL AI 主办
Put AI to work
2018年4月10-11日:培训
2018年4月11-13日:辅导课 & 会议
北京,中国

讲师幻灯片

议题幻灯片会在讲话结束后并且讲师已经上传文件的情况下提供给大家。如果您没找到需要的议题内容请稍后再回来查看 —— 可能稍晚就会有!(请注意有些讲师选择不分享讲话的幻灯片。)

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。
HUA YANG (eBay)
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。
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.
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.
Danny Lange (Unity Technologies)
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.
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.
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.
Arjun Bansal (Intel)
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.
Emmanuel Ameisen (Insight Data Science), Yan Kou (Insight Data Science)
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.
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.
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。

Reza Zadeh (Matroid | Stanford)
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.
Ben Lorica (O'Reilly Media), Roger Chen (Computable Labs)
Details to come.
Mingxi Wu (Tigergraph inc), Yu Xu (TigerGraph)
为了让机器像人一样思考,一个成功的人工智能应用程序的关键部分必须由强大的数据管理软件支持。在这次演讲中,我们将讨论人工智能数据管理的需求,并指出图模型的独特优势。我们将深入讨论几个现实生活中部署的,且将它们的成功归因于图模型的人工智能应用程序。
王书浩 (透彻影像)
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。
Hongyu Cui (DataVisor)
随着互联网不断发展,面向用户的线上网站服务也进入极速发展期,吸引了大量的用户,整个互联网进入“十亿用户时代”。一些有组织的欺诈团伙利用这个特点,大量创建虚假账户或盗取正常用户账户,以此潜伏在大量正常用户中,在银行、网站和手机应用软件上实施欺诈。由于规则引擎和传统机器学习模型需要经常更新、维护,而且只有在损失发生后才会生成相应反应机制,因此反欺诈团队很难领先一步走在欺诈者前面。人工智能的发展,给整个反欺诈领域带来新的机会。
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。
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)。
Xiaolei Xu (上海新智新氦数据科技有限公司)
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。
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。
Hui Xiong (Baidu)
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。
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。
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!
Bichen Wu (UC Berkeley)
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。
Erran Li (Uber ATG)
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。
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。