Program – Košice

Nadchádzajúce meetupy

Building Safe AI (Andrew Trask)

In the first half of this talk, I’ll introduce and describe Private Deep Learning, which is an approach to training neural networks in an encrypted state such that it’s growing intelligence (and the underlying data) is protected from theft. This will include a description of Federated Learning and Multi-Party Computation.

In the second half of this talk, I’ll be discussing the significant impacts this technology has when combined with the recent advancements in Blockchain and Peer-to-Peer into a new open-source platform called OpenMined. This will include a live demo showing how to train a neural network on a large, distributed, private dataset.

Andrew Trask is a PhD Student at the University of Oxford studying Deep Learning. He is also the author of Grokking Deep Learning, a Manning Publications introductory book which has sold over 6000 copies, an instructor in Udacity’s Deep Learning Nanodegree, and the author of a popular machine learning blog http://iamtrask.github.io/ . Previously, Andrew was a researcher and analytics product manager at Digital Reasoning where he trained the world’s largest artificial neural network with over 160 billion parameters and helped guide the analytics roadmap for the Synthesys AI platform deployed to many Enterprises such as Goldman Sachs, UBS, HCA (the largest hospital network in North America), various members of the Intelligence Community, and the US Military. Andrew lives on a boat in Oxford with his wife Amber and plays piano in his spare time.

Minulé meetupy

Deep learning: čo, prečo, ako? (Rudolf Jakša)

Čo je to deep learning? Ako a čím je obtiažny či jednoduchý? Čím je zaujímavý? V čom sa líši od iných prístupov? Čo umožňuje a v čom vyniká? Čo sa bez neho nedalo urobiť, alebo sa dalo horšie? A prečo? Ako ho aplikovať v praxi? Deep learning je zviazaný s algoritmom Backpropagation, konvolučnými neurónovými sieťami, príznakovými mapami. S rozpoznávaním reči a rozpoznávaním obrazu. So Silicon valley a Toronto univerzitou. S výpočtami na grafických kartách. Nakoniec ale Deep learning bol objavený vďaka algoritmu Backpropagation a vďaka algoritmu Backpropagation je deep a je learning.
Rudolf dvadsať rokov vyučoval neurónové siete na Katedre kybernetiky a umelej inteligencie na Technickej univerzite Košice. Dva roky pôsobil v laboratóriu profesora Takagiho v Kyushu inštitúte dizajnu v oblasti interaktívnych systémov
na báze umelej inteligencie. Aktuálne pracuje na vývoji predikčných a modelovacích aplikácii postavených na neurónových sieťach v Kybernetes s.r.o. Košice. Dlhodobo sa venuje algoritmu Backpropogation a otázke implementácie neurónových sietí a práci s numerickými dátami.

Rozpoznávanie šiat vo fashion industry – neurónky vs. geometrický prístup (RNDr. Andrej Hosťovecký, PhD.)

V Predictale sa venujeme rozpoznavaniu objektov v 2D obrázkoch. Chceme Vám povedať niečo o dvoch prístupoch, ktoré sme otestovali – už etablované neuronové siete a geometrický prístup založený na numerickej matematike a geometrii. Porovnávame nielen modely, ale aj typ chyby, ktoré robia. Ako porovnávať chybu neurónovej siete a analytickú chybu? Adnrej vyštudoval Matematickú analýzu, Počítačovú grafiku, Topológiu a Geometriu na FMFI UK v Bratislave v rámci magisterského a doktorandského štúdia. Vyučoval na FMFI UK a aj na STU SvF a STU FA. Momentálne pracuje pre spoločnosť Predictale ako návrhár neurónových sietí. Jeho špecializácia je aplikácia geometrického a analytického prístupu pri neuronových sieťach na riešenie biznis cases v oblasti fashion retail. Má rád slaninku a steaky.

Rankingová Alenka ve fintechové říši divů (Marek Modrý)

‘Learning to rank’ je zvláštní disciplína. Dodnes se k ní přistupuje jako ke klasifikaci, regresi i jako k vlastní zvláštní disciplíně. Co víc, narozdíl od jiných problémů, zde se stále neprosadil deep learning a state of the art je založen na rozhodovacích stromech. Ačkoliv je řazení výsledků ve vyhledávačích nejčastěji uváděnou aplikací rankingu, přínosný může být kdekoliv. Přijďte si poslechnout příběh (nejen) o tom, jak ani několikaleté zkušenosti s vývojem rankingu v Seznam.cz nemusí znamenat bezproblémové nasazení ve fintech oblasti, proč ani světoví fintech experti nedokážou nahradit algoritmus strojového učení a na co si machine learning engineer musí dávat pozor v oboru, kde za každým rohem číhá regulátor. Během prezentace se také podíváme na to, jak fungují algoritmy pro learning to rank a v čem je ten háček, jak běžně vypadá řešení rankingu (od ‘do it yourself’ úrovně po state of the art) a jak do toho všeho zapadá ranking ve fintech startupu založeném na AI. Marek vystudoval obor Umělé inteligence na pražském ČVUT. Vzhledem ke zkušenostem, které měl s rankingem, následně nastoupil do výzkumného týmu Seznam.cz, kde se dále věnoval mimo jiné rankingu a zlepšování vyhledávání, které ještě donedávna v ČR plnohodnotně konkurovalo Googlu. Po několika letech v Seznamu Marek přešel do CEAI, kde se dále věnuje zpracování jazyka a rankingu, a to zejména ve fintech oblasti.

Live predictions with schemaless data at scale (Ondrej Brichta)

Imagine you have huge amounts of data about your customers. All this data is schemaless and represents everything a customer is doing in your e-shop. From page visits and banner showings to purchases or registrations. Having all this data is a data scientists wet dream but also a nightmare at the same time. The data is schemaless and every project you track can send you different attributes and event types. Now, here comes the hard work. Create some universal data preprocessing engine which can turn all of this data into something that is reasonable and useful for machine learning algorithms for any project you have.
We will show you, how this is done at Exponea and much more. How to connect this data to Spark ML library and then translate the model into a sequence of mathematical functions and aggregation methods for our in memory database to evaluate it on all customers in real time. Ondrej Brichta – currently working at Exponea as AI Engineer. Studying Logic and computability at Vienna University of Technology, alumni of Nexteria Leadership Academy and Matfyz in Bratislava

Klasifikácia rakovinových nádorov pomocou machine learningu (Daniel Kuchta)

To, že machine learning úplne pretransformuje takmer všetky oblasti ľudskej činnosti je dnes už takmer old news. Jednou z týchto oblastí je určite aj medicína. Daniel bude rozprávať o tom, ako v GlobalLogic v Košiciach používaju rôzne machine learning prístupy na klasifikáciu rakovinových nádorov z CT snímkov. Môžete sa tešiť na priblíženie techník ako extrakcia features z CT snímkov, AutoML, 3D konvolučné neurónové siete a mnoho ďalšieho.

 

Daniel v súčasnosti pôsobí ako Head of Machine Learning Practice v GlobalLogic v Košiciach, kde má na starosti rozvoj machine learning tímu, získavanie skúseností s novými ML technológiami a ich uplatnenie v praxi na rôznych projektoch.

 

Máš nápad na prednášku? Ozvi sa nám na info@mlmu.sk