Jak zvládnout přirozenou inteligencí tu umělou

O akci

Učit se, učit se, učit se platí pro stroje mnohonásobně víc, než pro nás lidi, ale je právě na lidech, jak jim to učení půjde. V současné době se nejen v Silicon Valley prakticky nenajde společnost, která by netvrdila, že má pro Artificial Intelligence řešení, ale při bližším zkoumání je ve skutečnosti takových společností jen pár. Moving Fast se v rámci svého dalšího setkání podívá na tento problém prostřednictvím tří řečníků z pohledu výzkumu Machine Learningu, jeho monitoringu a použití v praxi.


ŘEČNÍCI:


VÍT LISTÍK: Vývojář nadšený do webových technologií, machine learningu a DevOps. Aktuálně pracuje v Seznam.cz, konkrétně řeší anti-spam pro email.cz a technologie pro interní cloud. V anti-spamu se věnuje převážně zpracování obrazu za použití strojového učení, což je i téma jeho Ph.D. studia.


O čem bude mluvit?



  • Jak si zprovoznit vývojové prostředí pro strojové učení. Konkrétněji za použití Tensorflow, Dockeru a Jupyteru.

  • Jak si zjednodušit život s frameworkem Keras.

  • Jak využít předtrénované modely.

  • Proč je lepší využívat k učení GPU.

  • Co je to pipeline a jaké kroky obsahuje.

  • Kde získat data.

  • Jak se zlepšovat ve strojovém učení.

  • Jak dostat model do produkčního prostředí a jak ho škálovat.


JAN GAURA: Po ukončení Ph.D. pracuje jako odborný asistent na Katedře informatiky FEI VŠB – TU Ostrava ve skupině analýzy obrazu a počítačové grafiky. Ve své práci se zabývá analýzou obrazu, převážně pak rozpoznáním a klasifikací objektů a své znalosti předává studentům ve specializovaných předmětech. K jeho oblíbeným nástrojům patří jazyky C a Python a framework PyTorch pro machine learning.


O čem bude mluvit?
Machine learning pro zpracování obrazu
Machine learning zažívá obrovský rozmach, tak se pojďme podívat, odkud se vzaly pojmy jako deep learning, konvoluční neuronové sítě, jak fungují a v čem nám mohou pomoci. Představíme si detekci objektů v obrazech pomocí konvolučních neuronových sítí s využitím frameworku PyTorch. Deep learning vyžaduje velké množství dat pro učení, podíváme se, jak si můžeme částečně usnadnit práci vytvářením dat pomocí generativních adversariálních sítí. Nakonec se seznámíme s nejzajímavějšími místy internetu, kde je možné najít informace pro to, abychom se machine learning dobře naučili nebo se jen inspirovali pro jeho další využití.


LUKÁŠ REVAY: Softwarový inženýr ve společnosti CGI, který občas programuje v jave a c/c++. O strojové učení se začal zajímat hlavně kvůli problematice monitorování velkých integrací postavených na (mikro)službách. Své znalosti programování a strojového učení chce nadále prohlubovat a používat i v oblasti hejnové inteligence.


O ČEM BUDE MLUVIT?
"Monitorování systému strojovým učením"
Monitorování infrastruktury je poměrně známá a prozkoumaná věc. Problémy nenastávají jen na úrovni hardwaru, ale i softwaru a i člověk dokáže věci pěkně zkomplikovat, ať už nesprávnou konfigurací nebo chybami v implementaci. Abychom byli schopni toto všechno detekovat, je monitoring samozřejmostí. V případě dohledu člověka není možné všechno vyhodnotit správně a vědět, které volání a procesy jsou, případně nejsou, správné. Proto jsme se rozhodli tuto část problematiky řešit prostřednictvím strojového učení spolu s uživatelským dohledem. Využíváme Markovův modelu, který je následně použit na predikci chování systému, a algoritmy jsou implementované převážně v R-ku, jejichž distribuované spuštění probíhá v prostředí Sparku. Aby samotné strojové učení mohlo fungovat, musí dojít k předzpracování a vyhodnocení už normalizovaných dat. Otázkou však vždy zůstává, na jakých datech jsme schopní stroje učit.


MOVE FAST AND STAY IN!


Celá akce je zdarma.


Organizuje
Organizátoři

Dominik Šimoník

Sledujte akci