Эксперты S-PRO посетили крупнейшую конференцию по машинному обучению в Европе, и мы готовы поделиться с вами тем, как это было, что нас впечатлило и как AI/ML может применяться в разных отраслях, принося существенные изменения к огромному количеству процессов.

Готовы узнать подробности? Давайте приступим!

О чем пражская конференция по машинному обучению?

Наиболее технически глубокими и нагруженными (видимо, пока мозг еще под утренним кофе) были первые переговоры субботы и воскресенья.

Выступление Стюарта Армстронга было посвящено обучению с обратным подкреплением, тому, как мы можем интерпретировать поведение человека-эксперта для обучения алгоритмов обучения с подкреплением и с чем мы можем столкнуться, используя конкретную интерпретацию.

Томазо Поджио из Массачусетского технологического института в своей презентации попытался ответить на фундаментальный вопрос глубокого обучения: почему нейронные сети работают так хорошо. Томасо объяснил важность иерархического извлечения локальных признаков (как в сверточных нейронных сетях), а также почему этот подход позволяет нам избежать проклятия размерности.

Лиланд Макиннес выступил с интересным докладом о подходах к обучению без учителя с точки зрения топологии. Леланд показал, как, используя топологию для анализа многообразий в многомерных пространствах, мы можем решить проблемы кластеризации, обнаружения аномалий и уменьшения размерности. Этот подход кажется очень инновационным и перспективным для таких чрезвычайно важных задач нашего времени, как обучение без учителя и полуучителем, а также обучение на небольших наборах данных.

Выступление Марка Роймена из Spotify было, пожалуй, самым содержательным и хорошо структурированным. Я узнал, какую важную роль играют плейлисты на современных стриминговых платформах и как они влияют на музыкальную индустрию. Не упуская важных деталей, Марк рассказал о том, как работает рекомендательная система Spotify, включая алгоритмы, инфраструктуру, развертывание и инструменты, которые они используют. Я бы сказал, что этот отчет очень точно описывает то, с чем вы можете столкнуться при построении рекомендательной системы с высокой нагрузкой на рабочем уровне.

Приятно удивил тот факт, что для выдачи рекомендаций Spotify изучает вложения треков на основе их расположения в плейлисте (аналогично обучению встраиваниям слов на основе расположения слов в предложении). Кроме того, он использует информацию о содержимом трека, извлекаемую сверточной нейронной сетью из спектрограммы. Кстати, стоит сказать отдельное спасибо команде Spotify за отличный дизайн слайдов.

Лотем Пелед рассказал об очень интересных альтернативных способах сбора размеченных данных для обучения алгоритмов машинного обучения, когда нельзя применить классические методы, такие как поиск общедоступных размеченных данных и краудсорсинг.

Ян Зикеш и Ондржей Секей поделились с нами нюансами обработки спутниковых снимков с помощью сверточных нейронных сетей. Ян Зикеш описал очень интересные подходы к визуализации многоканальных изображений (полученных разными методами) с помощью GAN.

Ondřej Székely рассказал о трудностях, которые могут возникнуть при решении задач обнаружения и сегментации, таких как обнаружение мелких или загражденных объектов. Он также уделил особое внимание передовым методам предварительной обработки, таким как вейвлет-преобразование, показывающее, насколько сильно созданные вручную функции могут повлиять на производительность конкретного алгоритма.

Павел Кордик в своем докладе рассказал об алгоритмах автоматического поиска оптимальных архитектур нейронных сетей (алгоритмы AutoML) и последних исследованиях в этой области. Меня очень впечатлила работа авторов DARTS. Они описали дифференцируемый подход к поиску, генерирующий архитектуры, сравнимые по производительности с теми, которые были получены с помощью подходов, основанных на эволюционном обучении или обучении с подкреплением, но требующих в сотни раз меньше ресурсов для поиска.

Прошедшая воскресная лекция была одной из самых неожиданных и увлекательных, спикер Люба Эллиот рассказала об очень интересных примерах того, как современное искусство может развиваться на стыке с машинным обучением. Особенно мне запомнились концепты макияжа и прически, а также принты для шарфов, которые могли сломать системы распознавания лиц.

Были представлены работы художников, абстрактно изображающих такие объекты, как морская звезда или человеческий мозг, с пометкой автора, что будущий искусственный интеллект должен интерпретировать такие изображения так же эффективно, как это делает сейчас человек. Также упоминался созданный машиной портрет, проданный на аукционе за 432 500 долларов.

Вывод

Машины учатся все быстрее. Искусственный интеллект вместе с машинным обучением совершает настоящую революцию в мире современных технологий, напрямую влияя на нашу повседневную жизнь, бизнес-отрасли и глобальные процессы в целом.

Каждое успешное предприятие должно следить за последними тенденциями и совершенствовать бизнес-процессы, используя самые инновационные технологии.

S-PRO продолжает расширять свой опыт, внедряя передовые технологии в мощные ИТ-решения.

Если вам понравилось, продемонстрируйте свою поддержку, похлопав нас, чтобы поделиться с другими людьми на Medium.

Подпишитесь на нас в Facebook, Instagram, LinkedIn, Behance, Medium и посетите наш корпоративный блог, чтобы узнать больше новостей и статей об интеллектуальных решениях.

Есть вопросы? Не стесняйтесь связаться с нами!

Первоначально написано для блога S-PRO.