Практическая конференция «Технологии машинного обучения»

Проблемы текущего поколения глубинных нейронных сетей

Глубинное обучение нейронных сетей стало прорывом в развитии систем искусственного интеллекта – появилась возможность на уровне близком к возможностям человека решать многие задачи, недоступные ранее классическим методам машинного обучения. Тем не менее, при обучении нейронных сетей имеются существенные проблемы, серьезно ограничивающие практическое применение глубинного обучения: большой объем размеченных данных, необходимый для обучения сети; сложности переноса опыта обученной сети на другие задачи и др.
Доклад посвящен обсуждению этих проблем и анализу возможных путей их решения.

Машинное обучение в рекрутинге

Индустрия рекрутинга целиком основана на данных – здесь накапливаются огромные массивы сведений о вакансиях, работодателях и соискателях, представленные в самых разнообразных форматах. В докладе излагается опыт агрегатора Worki.ru, специализирующегося на подборе линейного персонала («синих воротничков»), по развертыванию и эксплуатации площадки, на которой соискатели находят работу по душе, а работодатели за минимальное время подобирают кандидатов, точно соответствующих специфике вакансии. Алгоритмы машинного обучения позволяют Worki.ru буквально сделать счастливыми всех участников не всегда приятного процесса подбора персонала, исключая, например, такие негативные явления как спам и фрод.

Обнаружение аномалий и прогноз неисправностей

Ряд практических задач в инженерии, финансах и медицине можно сформулировать в виде задачи обнаружения аномалий, решаемой путем описания нормального состояния объекта, выполненного, например, с помощью одноклассовой классификации. В докладе проведен краткий обзор моделей, методов и новых подходов к решению задачи обнаружения аномалий. Особое внимание уделено практическому использованию методов для предсказательного обслуживания различных инженерных систем: мониторинг технического состояния силовых установок, прогнозирование параметров дорожного полотна автомагистралей на основе обработки данных дорожных метеостанций и др.

Глубинная аналитика в маркетинге индустрии красоты

Рекомендательные системы уже успели показать свою эффективность в проектах электронной коммерции, однако развитие алгоритмов машинного обучения и нейронных сетей стимулировало развитие прогнозных моделей, применяемых для решения задач маркетинга. На примере проектов электронной коммерции для индустрии красоты в докладе разбираются особенности выполнения проектов прогнозной аналитики: предсказание отклика на рекламные кампании, оценка оттока клиентов, прогноз экономических показателей. Особое внимание уделено изложению опыта построения и применения нейронных сетей в рекомендательной системе, а также результатам оптимизации маркетинговых коммуникаций на основе данных о поведении потребителей.

Глубинное обучение для лучшего обслуживания клиентов

Авиакомпания S7Airlines в партнерстве с S7 ТехЛаб, внедряет технологию идентификации пассажиров для использования в центре обслуживания клиентов, маркетинговых кампаниях и программах лояльности. Развернутая в авиакомпании система Unified ID призвана повысить качество сервиса, предоставляемого авиапассажирам: автоматическая идентификация пассажира по накопленным о нем данным; подбор наиболее релевантных сервисов; поддержка программы лояльности за счет формирования наиболее привлекательных предложений по накоплению миль; разработка новых продуктов и сервисов. Система, построенная на технологиях глубинного обучения может применяться почти в любом секторе обслуживания авиапассажиров. Доклад посвящен обсуждению возможностей и архитектуры системы User ID, первых результатах ее эксплуатации, а также решениям обеспечения защиты персональных данных.

«Альфа-Капитал»: точное предсказание разворота рыночных трендов

Любой инвестор желает точно знать моменты начала и конца рыночных трендов, однако если моменты начала опытный трейдер определяет, как правило, верно, то ошибка обнаружения точки завершения обычно весьма значительна – осторожные трейдеры торопятся, а рисковые опаздывают. В докладе обсуждаются особенности применения модели скользящих окон, используемых в основе инвестиционных стратегий УК «Альфа-Капитал», а также перспективных алгоритмов на основе глубинного обучения и обучения с подкреплением.

Технологии разговорного машинного интеллекта

На рынке инструментов автоматизации текстовых и речевых коммуникаций сегодня происходят серьезные изменения – нейросетевые технологии позволили достичь существенных успехов при создании приложений, работающих с устной речью: виртуальных ассистентов, чат-ботов, суфлеров и других пользовательских сервисов, снабженных функций ведения диалогов. Интерес к возможностям данных технологий подогревается бумом мессенджеров и модой на разного рода персональных и корпоративных ассистентов, которые становятся основными точками контакта бизнеса со своими клиентами и потребителями информационного контента. Вместе с тем наблюдается серьезный разрыв между ожиданиями бизнеса, разогретого маркетинговой шумихой и реальным уровнем развития науки и технологий. В докладе обсуждаются проблемы цифровизации клиентских и внутренних коммуникаций, разбираются практические примеры использования технологий разговорного машинного интеллекта и других инструментов, основанных на искусственных нейронных сетях.

Машинное обучение на автомобильном аукционе

Компания CarPrice предлагает сервис оперативной продажи автомобиля по текущей реальной рыночной цене, складывабщейся в ходе аукциона с участием десятков тысяч дилерских центров по всей стране. В информационной системе поддержки автомобильного аукциона, а также в сопровождающих его сервисах применяются, в частности, технологии машинного обучения. В докладе рассматриваются особенности использования нейронных сетей в высоконагруженных и распределенных конфигурациях, разбираются преимущества, получаемые продавцами и дилерскими центрами от работы с сервисами на базе глубинного обучения.

Машинное обучение в ретейле

Большие данные, аналитика и технологии нейросетей стали сегодня локомотивами развития многих отраслей, включая и ретейл – бизнес, в котором накапливаются огромные объемы сведений о покупателях, их поведении и предпочтениях. Эффективная обработка всех этих данных потенциально может при минимальных затратах привести бизнес к конкурентным решениям, например за счет проведения строго таргетированных маркетинговых кампаний, оптимального размещения магазинов и выбора для них конкретного ассортимента с точным прогнозом срока их выхода на окупаемость, а также выявления «больных» магазинов. Росту товарооборота и снижению потерь способствуют различные программы повышения лояльности клиентов, позволяющие стимулировать посетителя торговой точки к покупке, исключать заведомо ненужные предложения или работу с незаинтересованной аудиторией. Доклад посвящен анализу тонкостей применения в компании Х5 Retail Group таких инструментов как Аплифт-моделирование – прогнозный метод на базе машинного обучения для оценки эффекта воздействия промо- акций на потребителя, снижения оттока клиентов и определения их ценовой эластичности. Особое внимание уделено разбору особенностям применения в маркетинговых исследованиях метода A/B-тестирования при невозможности разбиения покупательской аудитории на группы, что важно, например при оценке эффективности рекламы на телевидении.

Искусственный интеллект для банковской персонализации

Банки владеют сегодня огромными массивами актуальных сведений о своих клиентах, включающие данные о покупках, предпочтениях, текущем социальном статусе и пр., однако обычно их основная часть не используется. Между тем, эффективная обработка таких сведений дает возможность трансформировать банк в персонального финансового помощника для своих клиентов, способного своевременно предоставить ему финансовый совет, что существенно повысит лояльность финансовой организации, или же рекомендовать клиенту требуемый ему банковский продукт, сервис, коммерческое предложение от партнеров банка и т.п. Доклад посвящен изложению опыта применения современных технологий машинного обучения и анализа данных, позволяющих крупнейшим финансовым организациям максимально точно персонализировать взаимодействие с клиентами.

Как сделать успешными проекты машинного обучения в промышленности

Все больше компаний встают сегодня на путь цифровой трансформации, делая ставку на исследовании данных (Data Science) для получения новых знаний путем анализа всех имеющихся разнородных корпоративных бизнес-данных. Промышленные предприятия активно присматриваются к машинному обучению, как основному инструменту работы с большими объемами сведений, активно инициируют соответствующие пилотные проекты, зачатую считая нейронные сети «серебряной пулей», позволяющей достигнуть новых бизнес-целей. Однако в промышленности подобные проекты, как правило, сопровождаются множеством ограничений, сопряжены с большими рисками и, следовательно, часто проваливаются.
В докладе разбираются проблемы, с которыми сталкиваются предприятия при выполнении проектов машинного обучения и на конкретных примерах показывается как сделать их успешными.

Ускорение обучения и инференс нейронных сетей

Успех применения современных нейронных сетей непосредственно связан с прогрессом в области аппаратного и программного обеспечения высоконагруженных систем. Для быстрого обучения и инференса (прямого распространения – распознавания на неизвестных выборках с учетом «знаний» обученной сети) важно как высокопроизводительное оборудование, так и эффективное и удобное программное обеспечение. В серьезных проектах на базе машинного обучения трудно обойтись без инструментов высокого уровня, упрощающих процессы построения, обучения и оптимизации моделей на локальных и облачных вычислительных мощностях. Доклад посвящен обзору технологического стека от компании Nvidia, предназначенного для решения задач машинного обучения: GPU, Nvidia GPU Cloud, CUDA, cuDNN, TensorRT и др.

Библиотеки глубинного обучения

Появление высокопроизводительных графических процессоров, успехи в области машинного обучения и технологий больших данных привели к буму на рынке прикладных решений искусственного интеллекта – искусственные нейронные сети стали применяться для распознавания объектов, синтеза речи, перевода с различных языков и пр. Снижению порога вхождения в рынок решений на основе глубинного обучения способствовало появление инструментальных фреймворков, адаптированных под конкретное оборудование и включающих стандартный интерфейс программирования, компиляторы, библиотеки создания и обучения нейронных сетей: TensorFlow от Google, Caffe2 от Facebook, CNTK от Microsoft, Neon от Intel пр., каждый со своими преимуществами и недостатками. В докладе приводится обзор наиболее популярных библиотек работы с искусственными нейронными сетями и разбираются особенности их использования при решении конкретных задач. Особое внимание уделено российской библиотеке Puzzle.lib, применяемой сегодня в разнообразных приложениях и поддерживающей такие аппаратные платформы, как Intel, AMD, Nvidia, Apple GPU и Android GPU. В ближайших планах поддержка «Эльбрус», «Байкал» и ЭЛВИС ELISE.

Обеспечение качества данных в задачах машинного обучения

По оценкам разных источников, до 80% данных неструктурированны (их еще называют «темные»), а значит использовать их в задачах анализа и машинного обучения попросту невозможно, однако выход есть. В докладе анализируются основные проблемы, возникающие при анализе данных и их подготовке для обработки с помощью алгоритмов машинного обучения, разбираются преимущества и недостатки различных методов анализа текстов. Особое внимание уделено сравнению различных подходов к анализу больших массивов текстов с точки зрения их применения для решения задач глубинного обучения.

Открытая унифицированная архитектура для задач машинного интеллекта

Машинное обучение стало сегодня одним одним важнейших инструментов поддержки приложений, актуальных для различных предметных областей и требующих интенсивных вычислений при работе с большими данными. Наибольший эффект достигается от применения систем глубинного обучения, работающих с различными аппаратно-программными конфигурациями, включающими CPU, GPU и FPGA, а также популярными программными фреймворками и библиотеками, поддерживающими альтернативные модели машинного обучения и различные нейронные сети. Открытая унифицированная архитектура для глубинного обучения предусматривает стандартный интерфейс программирования, скрывающий гетерогенность аппаратной конфигурации, но позволяющий генерировать наиболее оптимальный для конкретных платформ код. Кроме фреймворков высокого уровня (TensorFlow, Theano, Caffe, Torch и MxNet) разработчикам сегодня необходимы инструменты, максимально полно использующие возможности конкретных процессоров. Доклад посвящен обзору платформы AMD ROCm и фреймворка MIopen, содержащих полнофункциональный технологический стек поддержки решений глубинного обучения для конфигураций из AMD EPYC CPU и AMD Radeon Vega GPU. Кроме поддержки распространенных библиотек машинного обучения эти инструменты включают драйверы, компиляторы и мониторы производительности как для уровня отдельных слоев, так и всей исполняемой искусственной нейронной сети.

Этика «искусственного интеллекта»

В многочисленных фантастических фильмах с разных сторон муссируются угроза, исходящая от искусственного интеллекта, но до появления сильного, действительно «умного» искусственного интеллекта пройдет еще немало времени и пока можно не спешить с проработкой «законов робототехники». Однако уже сейчас мы сталкиваемся с реальной опасностью – практика применения машинного обучения в различных областях показывает, что соответствующие системы часто могут принимать странные, дискриминационные и труднообъяснимые решения. Более того, человек может обмануть алгоритмы и получить требуемый ему результат, например надев очки специальной раскраски, чтобы система распознавания лиц приняла его за кинозвезду. Доклад посвящен анализу последствий все более широкого проникновения «умных» систем в повседневную жизнь человека, влияющего, в частности, на принятие решений.

Искусственный интеллект в киноиндустрии

В конце 2017 года компания Rambler&Co интегрировала крупнейшие киносети «Синема Парк» и «Формула кино», сформировав объединенную Rambler Group с целью максимально полной реализации потенциала рекламы в кино. Сегодня рынок рекламы в киносетях недооценен: имеются проблемы с прозрачностью рынка, инструментализацией доставки, таргетирования и оценкой эффективности. Например, нельзя точно сказать сколько людей видели конкретный рекламный ролик и что это были за люди (пол, возраст, интересы) – для оценки эффективности рекламы недостаточно лишь данных по купленным билетам. Доклад посвящен обсуждению особенностей применения технологии машинного обучения для решения задач оптимизации рекламных кампаний. Особое внимание уделяется вопросам использования компьютерного зрения, технологий детектирования, классификации и матчинга изображений при эксплуатации в промышленных решениях для огромных сетей.

Распознавание текстов в задачах страхования

В сфере добровольного медицинского страхования циркулирует большой объем неструктурированных и слабоструктурированных данных: прейскуранты клиник, счета за услуги, протоколы лечения и т. д., что крайне усложняет выполнение таких, например, процессов, как проверка соответствия лечения страховой программе. Применение технологий из арсенала систем искусственного интеллекта, в частности, алгоритмов обработки естественного языка (NLP), позволяет автоматизировать подобные процессы, выявлять случаи мошенничества и злоупотреблений, что непосредственно влияет на прибыли страховой компании.

Компьютерное зрение в производстве

В промышленности сегодня все шире используются системы компьютерного (технического) зрения, позволяющие автоматизировать процессы контроля выпускаемой продукции, управления производственными процессами циклом и пр. Особенно эффективны решения, включающие подсистемы на базе машинного обучения, позволяющие в реальном времени анализировать потоки видео, объемы, скорость получения или сложность которых не под силу для обработки с помощью альтернативных подходов. Доклад посвящен обсуждению особенностей применения систем компьютерного зрения в производстве: фиксация сотрудников без требуемых средств защиты, проникновение в опасные зоны, загромождение путей выхода сотрудников, мониторинг технологических циклов и т.п. Особое внимание уделено анализу опыта создания систем на базе искусственных нейронных сетей для промышленной эксплуатации в энергетике и металлургии, медицине и ретейле.

Классификация изображений: пакет Nvidia DIGITS

В рамках практической конференции «Технологии машинного обучения. Искусственный интеллект и нейросети: инструменты и опыт реальных проектов» Институт глубокого обучения компании Nvidia (Deep Learning Institute, DLI) проводит мастер-класс для программистов, специалистов по обработке данных и исследователей. Участники практических занятий осваивают современные техники тренировки нейронных сетей и способы интеграции алгоритмов машинного обучения. В ходе мастер-класса «Пакет Nvidia DIGITS: классификация изображений» проводится обучение искусственной нейронной сети распознаванию рукописных цифр: загрузка данных в среду обучения, выбор и тренинг нейронной сети, тестирование сети на новых данных и выполнение итерации для улучшения результата.

Машинное обучение для оптимизации сервиса поддержки сети банкоматов

Наличие высокоуровневых языков программирования и специальных открытых фреймворков снижает порог вхождения в область решений на основе машинного обучения, однако обилие готовых наборов данных и фиксированных метрик могут создать у неискушенных специалистов по анализу данных иллюзию простоты машинного обучения. На практике, когда требуется внедрить в промышленную эксплуатацию готовую модель, часто возникают проблемы, вовсе не связанные непосредственно с обучением модели. Доклад посвящен изложению опыта внедрения и поддержки актуальности модели машинного обучения для оптимизации работы сети обслуживания банкоматов. При работе с банкоматами важно, чтобы наличных денег в нем всегда было достаточно для удовлетворения клиентского спроса, но и не слишком много – деньги должны работать, а не лежать мертвым грузом. Банкоматы размещаются в разных городах, имеют различный режим и график работы, а возможности службы инкассации ограничены. Для планирования оптимального режима обслуживания важно иметь точный долгосрочный прогноз ситуации, что и обеспечивает анализ больших данных с помощью алгоритмов машинного обучения. Особое внимание в докладе уделено анализу проблем, которые пришлось преодолеть при выполнении проекта: коммуникация с заказчиком при постановке задачи, выбор метрик, масштабируемость архитектуры и др. Полученный при выполнении проекта опыт будет полезен для любых проектов в организациях, имеющих распределенную филиальную или сервисную сеть.

Эволюция данных: от больших к «умным»

Что главное в машинном обучении? Данные. Большие, качественные и репрезентативные, собранные по всем параметрам моделируемого процесса. В отличии от академических исследований, выполняемых на готовых публичных наборах, в реальных проектах искусственного интеллекта самая сложная и трудоемкая часть – это подготовка данных обучающих и тестовых выборок, способных натренировать (но не переобучить) «умные» модели до максимальной устойчивой точности. Для сбора, очистки и разметки обучающих выборок нужны универсальные масштабируемые и экономически эффективные серверы, системы хранения, а при промышленной эксплуатации обученной модели важна устойчивость работы под высокой нагрузкой и энергоэффективность. Доклад посвящен разбору технологий и программного стека Intel, предлагаемых для каждого шага на проекте по внедрению искусственного интеллекта: процессоры Intel Xeon Scalable, Intel Nervana Neural Network Processor, Intel Optane и Intel FPGA. Особое внимание в докладе посвящено реальным проектам, выполненным на платформах от Intel.

«Искусственный интеллект»: вызовы, тенденции, прогнозы

Успехи в области искусственного интеллекта последних лет впечатляют – в чем они проявляются, как меняют мировоззрение людей и общество в целом, какие угрозы несут, что ждать в будущем? Доклад посвящен ответам на эти и многие другие вопросы.

Альтернативные инструменты: «искусственный интеллект» без нейронных сетей

Обучение интеллектуальных информационных систем с помощью нейронных сетей — один из способов создания «умных» систем. Системы прикладного искусственного интеллекта в ряде случаев позволяют хорошо автоматизировать выполнение лишь отдельных действий без связи с другими процессами или операциями. Кроме этого, человек еще не знает, что такое сознание, как оно устроено и не может доказать правильность работы систем на базе нейронных сетей. Подходы инженерии знаний отталкиваются не от большого количества данных, а от формирования описания предметной области через онтологическое моделирование, вручную выполненное экспертом, что позволяет машине понимать «смысл» данных. Доклад посвящен изложению принципов и подходов к обучению «умных» систем при помощи инженерии знаний и онтологического моделирования. Особое внимание уделено обсуждению преимуществ и возможностей систем, способных самостоятельно делать логические выводы, создавать новые сущности и связи в больших массивах данных.

Рекомендательные системы: фантазии и реальность

Сегодня никого уже не удивляют новости про очередную компанию, внедряющую персонализированные рекомендации для продвижения и продажи своих услуг или товаров, однако часто это делается в угоду моде – надо обязательно, хоть в каком-нибудь бизнес-процессе попробовать применить машинное обучение. Мало того, имеется множество историй, когда весьма солидные организации затевают проекты с нейронными сетями даже без тени намека на экономическую осмысленность. Определить экономический эффект обычно сложно – часто не удается его статистически значимо проверить, что не дает серьезных оснований для его воспроизводимости в будущем. Однако не все так мрачно – да, имеются примеры проектов в которых компании и организации сталкиваются с серьезными проблемами реализации проектов машинного обучения, но есть и реализации, когда все получается легко и сразу. В докладе обсуждается практика построения рекомендательных систем на примере кейсов из промышленности, а также разбираются ситуации, когда рекомендации можно использовать особенно эффективно.

Эволюция данных: от больших к «умным»

Что главное в машинном обучении? Данные. Большие, качественные и репрезентативные, собранные по всем параметрам моделируемого процесса. В отличии от академических исследований, выполняемых на готовых публичных наборах, в реальных проектах искусственного интеллекта самая сложная и трудоемкая часть – это подготовка данных обучающих и тестовых выборок, способных натренировать (но не переобучить) «умные» модели до максимальной устойчивой точности. Для сбора, очистки и разметки обучающих выборок нужны универсальные масштабируемые и экономически эффективные серверы, системы хранения, а при промышленной эксплуатации обученной модели важна устойчивость работы под высокой нагрузкой и энергоэффективность. Доклад посвящен разбору технологий и программного стека Intel, предлагаемых для каждого шага на проекте по внедрению искусственного интеллекта: процессоры Intel Xeon Scalable, Intel Nervana Neural Network Processor, Intel Optane и Intel FPGA. Особое внимание в докладе посвящено реальным проектам, выполненным на платформах от Intel.

Нейронные сети на мобильных платформах

Сегодня нейронные сети считаются одним из эффективных методов решения большого числа прикладных задач, что стимулирует их применение на различных устройствах, начиная от смартфонов, телевизоров и заканчивая бытовыми холодильниками. Все такие устройства и приборы обычно имеют ограничения по памяти и производительности, что делает актуальной задачу сжатия нейронных сетей. Доклад посвящен обзору методов сжатия нейронных сетей в контексте задачи моделирования разговорных языков. Особое внимание в докладе уделено практическим применениям решения таких методов: предиктивный ввод на клавиатуре мобильных устройств, системы машинного перевода и анализа текста.

Искусственный интеллект в скрининге рака

По данным ВОЗ, во всем мире рак легкого – «лидер» по смертности среди онкологических заболеваний. К сожалению, сегодня 75% всех случаев злокачественных новообразований легкого верифицируются на поздних стадиях, что приводит к 50% летальности уже в первый год с момента постановки диагноза. Компьютерная томография, проводимая бессимптомным, «условно здоровым» гражданам из группы риска – единственный сейчас эффективный метод ранней диагностики данного онкологического заболевания. В 2017 году в Москве был запущен проект массового скрининга рака легкого, что сразу вызвало «цунами данных», проанализировать которые вручную невозможно. Доклад посвящен анализу программных продуктов, используемых для решения задач скрининга рака легкого. Особое внимание в докладе уделено работам, проводимым Радиологией Москвы для скрининга рака легкого на основе методов искусственного интеллекта: программы для раннего распознавания рака легкого путем автоматического поиска очагов и системы обработки естественного языка.

Роботизация в сельском хозяйстве

Машинное обучение, искусственный интеллект и роботизация (Robotics Process Automation, RPA) уже сегодня помогают повысить урожайность сельскохозяйственных культур, обеспечить контроль над ценами и увеличить прибыли. Эффективное сочетание этих технологий дает возможность предприятиям достигнуть требуемой для цифровой экономики гибкости, получать предсказуемый результат и ожидаемый экономический эффект. Программа RPA, запущенная в объединенном центре обслуживания группы компаний «Русагро», предусматривает развертывание средств имитации действий человека, по определенным правилам выполняющего обработку электронных документов, организующего взаимодействие с системами учета и онлайн-ресурсами. Доклад посвящен обсуждению особенностей развертывания и результатов программы RPA, позволившей предприятию сократить затраты, повысить качество управления цепочками поставок, оптимизировать продажи и улучшить клиентскую поддержку. Особое внимание уделено анализу способов преодоления проблем, возникающих при роботизации бизнес-процессов, разбору методов повышения эффективности, а также оценке побочных эффектов.

Построение платформ «искусственного интеллекта» для решения бизнес-задач

Применение технологий машинного обучения во всех сферах бизнеса – только вопрос времени и уже сегодня область интересов систем искусственного интеллекта простирается далеко за границы ИТ и связанных с ним секторов (телекоммуникации, финансы). Технологии машинного обучения все активнее применяются в пищевой промышленности, металлургии, машиностроении и т.д. Однако для бизнеса, ни машинное обучение, ни ИТ в целом не является профильной деятельностью, поэтому самостоятельная разработка систем искусственного интеллекта часто оборачивается настоящей головной болью. Как хранить и обрабатывать данные, где найти и чем привлечь дорогостоящих исследователей данных, где разместить готовую модель? В свою очередь исследователям данных нужны качественно размеченные данные и инфраструктура для тренировки модели. Dbrain – блокчейн-платформа, объединяющая бизнес, исследователей данных и специалистов по разметке данных. Доклад посвящен обсуждению проектов, реализованных с помощью данной платформы и демонстрации соответствующих инструментов обработки данных, включая протоколы блокчейна.

Роботизация на платформах UiPath и Tensor Flow

Технология Robotic Process Automation (RPA) позволяет снизить затраты и риски выполнения бизнес-процессов, способствуя повышению качества услуг и эффективности работы персонала. Выполняемые на уровне графического интерфейса RPA-программы имитируют работу человека и интегрируются в существующие ИТ-инфраструктуры – «виртуальный» сотрудник способен повторить действия оператора в различных программных системах согласно заданной инструкции. Доклад посвящен разбору особенностей роботизации на платформах UiPath и Tensor Flow. Особое внимание уделено анализу ошибок, возникающих при роботизации бизнес-процессов на реальных предприятиях.

Автоматическая классификация инцидентов

При обслуживании крупных федеральных сетей ИТ-служба обычно сталкивается с большими объемами работ по классификации и маршрутизации множества однотипных запросов и, как следствие, даже при «жестком» SLA задержка на первой линии обслуживания клиентов составляет несколько минут. Алгоритмы обработки естественного языка и методы машинного обучения могут помочь при решении актуальной для служб поддержки задачи маршрутизации, однако типичные запросы в службу обычно содержат слишком мало информации, а классификация должна осуществляться по нескольким сотням относительно близких классов, что приводит к увеличению числа ошибок при работе модели – эффект от внедрения подобного решения оказывается ниже ожидаемого. Приемы пред- и постобработки позволяют внедрять модели машинного обучения с незначительным уровнем ошибок. Доклад посвящен изложению опыта применения методов машинного обучения для оптимизации работы служб сервисной поддержки крупных федеральных сетей. Особое внимание в докладе уделено разбору проблем, возникающих при выполнении проектов машинного обучения и методам их преодоления.

Юридические аспекты роботизации

Сегодня в России нет системных исследований в области регулирования робототехники как совокупности общественных отношений, предметом которых являются производство, распределение и использование автоматизированных технических систем. Сейчас остро необходима разработка нового предметного законодательства. Какие шаги уже сделаны? На какие вызовы еще предстоит ответить? Доклад посвящен ответам на эти и другие вопросы, связанные с созданием отечественных законопроектов о робототехнике и подготовкой международной конвенции по робототехнике.

Машинное обучение – рабочая технология или война компромиссов?

-

Sberbank Robotics: проблемы, решения, результаты

-

Цифровые двойники: построение и настройка методами машинного обучения

В ИТ-системах, применяемых в индустрии сегодня набирают популярность цифровые двойники, однако, как это часто происходит на ранних этапах технологической готовности под одним и тем-же термином могут пониматься различные вещи – от систем визуализации до многоуровневых многоагентных моделей. Как бы то ни было, ключевая особенность технологии цифровых двойников – близость их поведения к реальным объектам моделирования. В докладе представлен подход к построению цифровых двойников для систем хранения данных, разбирается метод настройки моделей с помощью методов машинного обучения на основе обучения с подкреплением. Особое внимание в докладе уделено разбору сильных и слабых сторон такого подхода, а также анализу дальнейших возможных шагов развития технологии цифровых двойников.

Робототехника: революционный прорыв в промышленном производстве

-