AI Conference 

Как e-commerce, банкам и страховым исключить сбои и «падения» из-за высокой нагрузки на ИТ-мощности? Представим кейс из большого e-commerce: устойчивая модель прогнозирует изменение нагрузки на ИТ-ресурсы в зависимости от роста/снижения бизнес-показателей и различных факторов (акций, распродаж и т. д.), а также повышает бизнес-результаты.

Мы поговорим о том, как в последние годы боты-«говорилки» превратились в умных ассистентов и научились решать настоящие задачи бизнеса: от приема заявок до автоматизации внутренних процессов. Мы обсудим интеграцию чат-ботов в бизнес-среду: типы задач для ботов, способы найти требующие автоматизации бизнес-процессы и то, какие боты станут востребованы в ближайшие 3 года.

В ходе доклада будут рассмотрены примеры реальных кейсов внедрения биометрической идентификации, а также возможные сложности, требуемые ресурсы и что можно получить в стратегической перспективе от внедрения технологии. Поговорим об автоматизации процессов подтверждения личности клиентов в существующих каналах обслуживания, а также о переходе на удаленную идентификацию клиентов в дистанционных каналах обслуживания.

В то время как многие гонятся за полной заменой человека в некоторых областях деятельности, давайте немного отступим в сторону и рассмотрим концепцию дополненного интеллекта. В ходе доклада эксперт расскажет о том, как IBM помогает создавать помощников специалистам в различных областях бизнеса, каких подводных камней стоит ожидать и к чему это может привести.

Будут рассмотрены следующие вопросы:

• Рассмотрение решений ключевых задач бизнеса на примере платформы для разработки умных чат-ботов: как быстро создать бота, отладить его функции, обучить пониманию естественного языка.
• Построение сценариев поведения бота.
• Кейсы внедрения чат-ботов в различных отраслях.

В сердце современного искусственного интеллекта – глубокие нейронные сети. Сегодня они помогают нам с успехом решать задачи машинного зрения, обработки естественного языка и интеллектуального анализа других типов данных. Кроме того, та же технология обучения глубоких нейронных сетей оказалась пригодна для решения творческих задач: синтеза уникального контента из некоторого концепта или идеи. В докладе будет рассказано, как работают и обучаются современные нейронные сети, что такое Deep Learning и где это применяется.

При анализе медицинских изображений решается целый класс задач машинного обучения, включая сегментацию, классификацию, поиск и синтез медицинских изображений. Несколько ключевых характеристик выборок данных медицинских изображений существенно ограничивают использование классических методов глубокого обучения, разработанных для анализа двухмерных изображений. Прежде всего, высокая размерность данных сопровождается крайне низким объемом обучающей выборки, а использование методов аугментации данных существенно ограничено. Кроме того, большой размер 3D-изображений сам по себе накладывает определенные ограничения и приводит к разработке специфичных архитектур свёрточных сетей. Наконец, высокая инструментальная вариабельность данных существенно влияет на результат анализа. В докладе мы обсудим использование методов глубокого обучения для решения подобных задач и дадим несколько примеров проектов по анализу данных нейровизуализации.

Mobile Messenger Marketing как обязательная часть Digital-стратегии компаний в 2018–2019 гг. Мессенджеры стремятся стать основной точкой входа в Интернет, перспективы развития в России и угроза для поисковых систем «Яндекс» и Google.

Почему крупные компании уже обратили внимание на чат-ботов.
Как они помогают экономить расходы и увеличивать продажи и индекс удовлетворенности клиентов.
Успешные бизнес-кейсы, метрики, планы развития.

Глубокое обучение нейронных сетей явилось прорывом в развитии систем искусственного интеллекта. Многие задачи, недоступные классическим методам машинного обучения, были решены на уровне, близком к возможностям человека или даже более высоком. Тем не менее, существуют значительные проблемы обучения нейронных сетей, серьезно ограничивающие их применение. Примеры таких проблем: большой объем размеченных данных, необходимый для обучения сети, сложности переноса опыта обученной сети на другие задачи. Спикер подробно остановится на этих проблемах и возможных путях их решения.

Современные нейронные сети, применяемые при решении различных задач, базируются на знании о принципах работы мозга начала 20-го века. При этом имеются фундаментальные ограничения, в том числе при обучении и устойчивости работы этих алгоритмов. За последние 20 лет произошло множество значимых открытий в понимании принципов работы мозга, что позволило нам сформировать новую концепцию работы мозга. На ее основе ведутся разработки принципиально нового типа нейросетей, которые позволят работать со смыслом информации, создавать сильные обобщения и сильный ИИ.

Компьютерное зрение – одна из важнейших составляющих ИИ, применяется для решения широкого круга практических задач: от сбора умных данных с видеопотоков камер наблюдения до автоматической генерации тегов на фотографиях. Традиционно внедрение таких технологий требует не только высокой квалификации разработчиков, но и огромных массивов обучающих данных – сотни тысяч примеров и более.

Мы рассмотрим, как задачи компьютерного зрения могут быть реализованы с помощью различных решений от Microsoft: начиная с решения типовых задач на основе когнитивных сервисов, с помощью сервиса custom vision по созданию своих моделей распознавания, а также на основе нейросетей с использованием Cognitive Toolkit. Мы рассмотрим сами технологии и приведём ряд примеров использования распознавания изображений на практике.

Со времен изобретения конвейера Генри Фордом производительность физического труда принципиально не менялась. Компания SOLUT разрабатывает проект в сфере индустриального IoT, направленный на анализ эффективности использования рабочего времени сотрудниками, в промышленном сегменте, строительстве, ЖКХ и других отраслях экономики.

Цель проекта – повышение производительности труда представителей рабочих специальностей путем создания носимых устройств, выявляющих простои, критические нарушения техпроцесса и техники безопасности.

Устройства фиксируют активность работника в течение смены с помощью акселерометров и гироскопов и распознают виды деятельности, характерные для каждой конкретной специальности, используя модели, построенные с применением методов машинного обучения.

• Каковы задачи розничных сетей?
• Каковы задачи производителей товаров?
• Почему розничные сети пока не внедряют мониторинг полочного пространства.
• Как FMCG-бренды стали проводниками технологий в ритейле.
• Как компьютерное зрение меняет бизнес-процессы для крупнейших FMCG-компаний.