Presented By O’Reilly and Intel AI
Put AI to work
April 10-11, 2018: Training
April 11-13, 2018: Tutorials & Conference
Beijing, CN

Schedule: AI应用的硬件、软件栈(Hardware and Software stack for AI applications) sessions

One of the reasons we’re excited to hold a conference in China is that it’s one of the countries where innovation throughout the entire AI hardware and software stack is happening. Deep learning requires big data, big models, and big compute. Thus the right combination of hardware and software infrastructure are essential. If you take a step back, data collection usually involves a host of sensors many of which are equipped with compute resources. While stories in the popular press focus on machine learning, in fact an end-to-end AI application involves many important hardware and software components that need to work seamlessly. With recent global investments in hardware startups, new hardware optimized for AI workloads will be coming in the near future.

Add to your personal schedule
11:1511:55 Thursday, April 12, 2018
Reza Zadeh (Matroid | Stanford)
Reza Zadeh offers an overview of Matroid’s Kubernetes deployment, which provides customized computer vision and stream monitoring to a large number of users, and demonstrates how to customize computer vision neural network models in the browser. Along the way, Reza explains how Matroid builds, trains, and visualizes TensorFlow models, which are provided at scale to monitor video streams. Read more.
Add to your personal schedule
13:1013:50 Thursday, April 12, 2018
Mingxi Wu (TigerGraph), 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。 Read more.
Add to your personal schedule
13:1013:50 Thursday, April 12, 2018
模型与方法 (Models and Methods), 英文讲话 (Presented in English)
Location: 报告厅(Auditorium) Level: Intermediate
Tags: wl
Ruiwen Zhang (SAS Institute)
Drawing on several real-world cases, Ruiwen Zhang demonstrates how to visualize the structure of a probabilistic model and provide better insights into the model's properties, which can be further used to design and motivate new models. She also explains how to reduce the computational complexity required to perform inference and learning in sophisticated models using graphical models. Read more.
Add to your personal schedule
14:5015:30 Thursday, April 12, 2018
实施人工智能 (Implementing AI)
Location: 多功能厅3A+B (Function Room 3A+B) Level:
Bo Yu (PerceptIn)
得益于人工智能和机器人技术的快速发展,无人驾驶技术逐渐成熟,预计将会孕育出一个万亿规模的市场,并深刻地改变人们的交通出行方式。我们认为低速限制性的园区将会首先大规模部署无人驾驶技术,首先因为限制性园区对无人驾驶应用的需求巨大,其次由于驾驶环境简单限制性园区容易实现无人驾驶,第三从成本角度考虑,大规模部署无人驾驶方案成本需要在万元美金以内。所以,这里我们将主要探讨适用于限制性园区的低成本无人驾驶解决方案。 Read more.
Add to your personal schedule
14:5015:30 Thursday, April 12, 2018
实施人工智能 (Implementing AI), 模型与方法 (Models and Methods)
Location: 多功能厅6A+B(Function Room 6A+B) Level:
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。 Read more.
Add to your personal schedule
16:2017:00 Thursday, April 12, 2018
实施人工智能 (Implementing AI)
Location: 多功能厅5A+B(Function Room 5A+B)
Shaoshan Liu (PerceptIn)
通过深度学习技术,物联网(IoT)设备能够得以解析非结构化的多媒体数据,智能地响应用户和环境事件,但是却伴随着苛刻的性能和功耗要求。我们探讨了两种方式以便将深度学习和低功耗的物联网设备成功整合。 Read more.
Add to your personal schedule
16:2017:00 Thursday, April 12, 2018
模型与方法 (Models and Methods)
Location: 多功能厅6A+B(Function Room 6A+B) Level:
Xiaohui Wang (TalkingData)
目前,深度学习在移动端的应用越来越受到重视,从芯片制造商到手机厂商,一直到应用开发者,都在为在智能手机上运行深度学习模型做出了很多努,开发者一方面很难找到针对移动端优化过的解决特定应用场景的模型,一方面不知道应该如何选择这些框架,TalkingData 推出的 Android Deep Learning Framework 就为了解决这些问题。我们提供了针对移动平台的各种类型的模型,以及它们在主流机型行的实测 Benchmark,另外也提供了利用这些预训练模型和自己的数据集进行再训练的服务器端脚本和自动化工具,最后就是封装了一个上层 DL API,让开发者可以支持各种移动端深度学习框架,并为这些模型的使用提供统计分析服务。 Read more.
Add to your personal schedule
09:2009:25 Friday, April 13, 2018
赞助商赞助 (Sponsored)
Location: 紫金大厅A(Grand Hall A)
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。 Read more.
Add to your personal schedule
11:1511:55 Friday, April 13, 2018
实施人工智能 (Implementing AI)
Location: 多功能厅6A+B(Function Room 6A+B) Level:
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。 Read more.
Add to your personal schedule
13:1013:50 Friday, April 13, 2018
实施人工智能 (Implementing AI), 英文讲话 (Presented in English)
Location: 紫金大厅B(Grand Hall B) Level: Intermediate
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. Read more.
Add to your personal schedule
14:5015:30 Friday, April 13, 2018
实施人工智能 (Implementing AI)
Location: 多功能厅3A+B (Function Room 3A+B) Level:
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。 Read more.