议题大全｜AI Conference 2019北京站重磅回归！|人工智能|ibm|谷歌

分享至

2019年6月18日至21日，“AI Conference 2019北京站”大会将在北京国际饭店会议中心盛大举行。“AI Conference”由O^’Reilly和Intel联合主办，2018年的全球四站会议曾引起人工智能领域广泛关注和普遍好评。此次北京站大会也是今年这个全球瞩目的盛会即纽约站后的重磅回归。大会一如既往地将关注重点放在人工智能的实际应用上，宗旨就是为了弥合人工智能研究领域与产业商业应用之间的现实差距。

本次大会将硅谷与中国融合在一起，创造了一次全球人工智能专家难得的相聚。会议主题及相关议题的演讲者为来自各大公司、企业，以及国内外著名高校的人工智能专家，包括谷歌、Intel、Facebook、Uber、微软、阿里巴巴、亚马逊、中国人寿、美团、SAS、Unity、SalesForce、IBM、MIT、伯克利、斯坦福、清华大学等。

在这里你可以仔细剖析案例，深入钻研最新研究成果，学习如何在自己项目中实现人工智能，分享在智能工程和应用中正在出现的最佳实践，揭示人工智能的局限及未被发掘的机遇，并参与讨论人工智能将会如何改变商业世界的版图。无论你的关注点在哪里，都将在本次大会上找到：

企业中的人工智能：执行简报，案例研究及用例，行业特定应用等。

人工智能对商业及社会的影响：自动化，安全，规范等。

实施人工智能项目：应用，工具，架构，安全等

与人工智能交互：设计，指标，产品管理，机器人等。

模型及方法：增强及机器学习，TensorFlow，深度学习，GAN，自然语言处理及理解，语音识别，计算机视觉等。

那么本次大会上将会有哪些令人期待的专家大咖和引人入胜的精彩内容呢？让我们一起先睹为快：

卓越的主题演讲者（持续更新中）

Ion Stoica

加州大学伯克利分校EECS教授，RISELab主任。与Ali Ghodsi等人联合创立Databricks公司并兼任执行主席。ACM研究员。

贾扬清

加州大学伯克利分校计算机科学博士。目前担作阿里计算平台掌门人，Caffe、TensorFlow、Caffe2、ONNX 和 PyTorch 1.0的作者或共同作者。

Pete Warden

Google Brain团队移动和嵌入式TensorFlow Group技术主管。O'Reilly Media 《公共数据手册》和《大数据词汇表》作者，OpenHeatMap和 Data Science Toolkit以及其他开源项目的构建者。

Maria Zhang

Linkedin工程副总裁，IDG Capital创业合伙人。

Tim Kraska

麻省理工学院计算机科学与人工智能实验室副教授，研究重点是构建和使用机器学习系统。2017年大部分时间，Tim在Google Research工作，与MLX和Brain团队一起发明了学习型索引结构的概念。

Michael James

Cerebras Systems的创始人兼首席软件架构师。AMD的研究员。

出色的培训课

时间：6月18日（周二）和6月19日（周三）

Jike Chong(Tsinghua University|Acorns), 黄铃(Tsinghua University), 陈薇(排列科技)

量化互联网金融信用与反欺诈风控

本培训课基于清华大学交叉信息研究院开设的一门“量化金融信用与风控分析”研究生课。其中会用LendingClub的真实借贷数据做为案例，解说一些具体模型的实现，帮助学习者了解数据科学在互联网金融领域里在个人信用评估的价值；了解个人信用领域真实的数据科学流程和考虑方面；了解信用模型搭建中多种挑战的解决方案。

Rich Ott (The Data Incubator)

Deep Learning with PyTorch（使用PyTorch进行深度学习）

PyTorch是一个用于Python的机器学习库，允许用户以极大的灵活性构建深度神经网络。其易于使用的API和GPU的无缝使用使其成为深度学习的热门工具。本课程将介绍PyTorch工作流程并演示如何使用它。学习者将掌握使用真实数据集构建深度学习模型的知识。

Season Yang (McKinsey & Company)

Deep Learning with TensorFlow（使用TensorFlow进行深度学习）

TensorFlow库提供了计算图形的使用，可以跨资源自动并行化。该架构非常适合实现神经网络。本培训课程将介绍TensorFlow的Python功能。它将逐步从构建机器学习算法转向使用TensorFlow提供的Keras API和几个动手应用程序。

Jesse Anderson (Big Data Institute)

Professional Kafka development（专业的Kafka开发）

Jesse Anderson将带领大家深入研究Apache Kafka。学习者将在本课程中了解Kafka是如何工作的，以及如何用它创建实时系统。同时，学习者还将了解如何在Kafka中创建消费者和发布者，以及如何在探索Kafka生态系统时如何使用Kafka Streams，Kafka Connect和KSQL。

实用的教学辅导课

时间：6月19日（周三）

Alejandro Saucedo(The Institute for Ethical Ai & Machine Learning)

A practical guide towards explainability and bias evaluation in machine learning（机器学习中可解释性和偏差评估的实用指南）

学习者将获得关于机器学习中偏见概念的高层次的哲学概述，这将有助于消除歧义，并在面对实际情况时简化挑战。从技术角度来看，学习者将深刻了解到评估机器学习模型整个生命周期偏差的3个关键步骤，了解如何在实际示例中使用关键机器学习概念，如特征重要性，类不平衡，模型分析，部分依赖性等，以及这些数据科学基础设施如何用于与关键领域专家的互动之中。

Yijing Chen(Microsoft),Dmitry Pechyoni(Microsoft),Angus Taylor (Microsoft), Vanja Paunic (Microsoft), Henry Zeng (Microsoft)

基于深度学习的时间序列预测

在本课程中，学习者将：1.了解卷积和递归神经网络的基础知识及其在时间序列预测中有效的高级架构。2.了解何时在时间序列预测中使用深度学习模型而不是传统的时间序列模型。3.了解对于构建时间序列预测的成功深度学习模型非常重要的一些技术和技巧。4.获取使用Keras训练和调整时间序列预测深度学习模型示例的源代码。

Zhichao Li(Intel)

Analytics Zoo：Apache Spark上的分布式Tensorflow和Keras

“Analytics Zoo”：提供统一的分析+ AI平台，可将Spark，TensorFlow，Keras和BigDL程序无缝集成到一个集成的管道中; 然后，整个管道可以透明地扩展到大型Hadoop / Spark集群，以进行分布式培训或推理。

在本课程中，学习者将了解如何构建和生成大数据的深度学习应用程序（例如，基于转移学习的图像分类，降水临近预报的序列到序列预测，推荐的神经协同过滤，无监督的时间序列异常检测等）以及使用Analytics Zoo的真实用例（如JD.com，MLSListings，世界银行、银联、美的/ KUKA等）

Zhen Zhao (Intel)

英特尔OpenVINO：加速从边缘到云的深度学习推理和计算机视觉

在本教学课程中，学习者将学习英特尔OpenVINO?工具包的结构和工作流程，两个用于深度学习部署和计算机视觉的模块，异步和异构计算的优化方法，低精度（INT8）推理，带性能库的指令集加速，以及OpenVINO内部的分析工具。我们还将通过将英特尔OpenVINO集成到商业和工业应用中来讨论视频分析解决方案。

Chris Butler(IPSoft)

Design Thinking for AI

目的、明确的问题和人们的信任是任何系统的重要因素，特别是那些使用人工智能的系统。Chris Butler引导您通过借鉴设计思维原则的练习，帮助您创建更有效的解决方案和更好的团队协作。

Sujatha Sagiraju (Microsoft), Henry Zeng(Microsoft)

通过自动化机器学习民主化和加速AI落地(Democratizing and Accelerating AI through Automated Machine Learning)

人工智能提供的智能体验对用户来说就像魔术一样。然而，开发它们相当麻烦，包括一系列连续的、相互关联的决策，这一过程非常耗时。如果有一个自动服务可以识别给定问题/数据的最佳机器学习管道，该怎么办？自动机器学习就是这样！

Richard Liaw(UC Berkeley RISELab)

Building reinforcement learning models and AI applications with Ray

Ray是一个通用的集群编程框架。我们将深入研究Ray，引导您了解其API和系统架构，并共享应用程序示例，包括一些最先进的人工智能算法。

精彩纷呈的议题演讲

注：因篇幅有限，此处只列讲师和议题，详情请见官网

时间：6月20日（周四）

刘怀军 (研究员, 美团)：AI技术在外卖个性化场景中的落地与思考

David Low (Pand.ai)：The Unreasonable Effectiveness of Transfer Learning on NLP

刘祁跃(爱奇艺)：视频精彩度分析及智能创作

Tao Lu (Microsoft), Chenhui Hu (Microsoft)：使用扩张卷积神经网络预测客户活动：用例和最佳实践

Bichen Wu (UC Berkeley)：Efficient Deep Learning for the Edge（高效的边缘深度学习）

Henry Zeng(Microsoft),Emma Ning(Microsoft)：ONNX:开放和互操作平台让AI无处不在

Alex Ingerman(Google)：The future of machine learning is decentralized

Ying Liu(Abakus 鲸算科技(Wecash闪银))：A Humane AI Solution to Improve Debt Collection

Cong Yang(Clobotics)：Towards Automatic Product Recognition for Smart Retails

Tiezhen Wang(Google)：TensorFlow 2.0中令人兴奋的新功能

Vijay Agneeswaran(Publicis Sapient), Abhishek Kumar(Publicis Sapient)：Industrialized Capsule Networks for Text Analytics（用于文本分析的工业化胶囊网络）

杨博理(宜信大数据创新中心)：线上财富管理领域中的AI应用

Mark Ryan(IBM),Alina Li Zhang(Skylinerunners)：Using deep learning and time-series forecasting to reduce transit delays

Hui Xue(微软亚洲研究院)：自动机器学习（automated machine learning）技术的实践与应用

Arun Verma(Bloomberg)：Trading strategies using Alternative data and Machine Learning

Guoqiong Song(Intel),Luyang Wang(Office Depot),Jennie Wang(Intel),Jing (Nicole) Kong(Office Depot)：Real-time product recommendations leveraging deep learning on Apache Spark in Office Depot

David Maman (Binah.ai)：Hacking Humans Made Easy: Signal Processing + AI + Video

温浩(云从科技)：打造A.I.闭环引领产业变革

Dongfeng Chen (Clobotics)：人工智能如何彻底改变风电行业

Shengsheng Huang (Intel)：在Spark上使用人工智能玩游戏

时间：6月21日（周五）

Joseph Spisak (Facebook)：Bringing Research And Production Together With PyTorch 1.0

Yang Wang (Intel)：Analytics Zoo: Distributed TensorFlow in Production on Apache Spark

Sarah Aerni (Salesforce Einstein)：Achieving Salesforce-Scale Machine Learning in Production

Li Yuan (Perceptin 深圳普思英察科技有限公司)：自动驾驶技术是如何应用于新潮传媒、新零售行业

Yue Cathy Chang (TutumGene)：人工智能与基因组学的结合：加速理解我们的基因构成，并利用基因组编辑来革新医学

Yiheng Wang(Tencent)：Sparkling: 基于Apache Spark进行一站式机器学习

Weisheng Xie (China Telecom BestPay Co., Ltd)：中国电信如何利用Adversarial AutoEncoder打击金融诈骗