地点：北京富力万丽酒店 · 首府宴会厅 1
时间：2019年9月7日 9:00—16:50
近些年来随着互联网的不断发展，机器学习技术也有了长足的进步，我们看到了机器学习在各个领域遍地开花，特别是深度学习的发展。本专题将聚焦于机器学习前沿在工业界的落地实践以及前沿研究，真正解决开发者面临的问题。
袁进辉，2008年7月自清华大学计算机系获得工学博士学位，获得清华大学优秀博士学位论文奖，连续多年获得美国国家技术标准局组织的视频检索评测比赛的第一名。2013年加入微软亚洲研究院从事大规模机器学习平台的研发工作。2014年，发明了当时世界上最快的主题模型训练算法和系统LightLDA，只用数十台服务器即可完成以前数千台服务器才能实现的大规模主题模型，该技术成功应用于微软在线广告系统。2015年至2016年底，专注于搭建基于异构集群的深度学习平台，项目荣获微软亚洲研究院院长特别奖 (top 1%)。2017年创立北京一流科技有限公司，致力于打造分布式深度学习平台的事实工业标准。
【演讲大纲】 (1) 教育行业特点和需求； (2) AI在教育场景下落地的挑战； (3) AI+教育的应用探索； a. 教学辅助工具， b. 教学过程的量化评估， c. AI互动教学， d. 数据挖掘和个性化教学； (4) 未来趋势和展望。
以深度神经网络为代表的第二代AI存在不可靠、不安全、不可解释等缺点，RealAI针对这些问题提出了贝叶斯深度学习等应对方式，并在金融、工业等垂直行业得到应用，报告也会分享针对AI技术发展趋势的展望。
随着数据高速增长，AI进入大规模应用时代，而AI应用开发却着面临一致性和实时性的巨大挑战。一方面，数据一致性问题为AI应用开发带来不可预测的风险，而现有方案一般通过开发者人力进行模型转换及一致性校验，成本高且难以复用。另一方面，在AI应用中使用线上实时数据提升模型效果成为趋势，但该系统开发难度大周期长，需投入大量人力才能达到预期效果与性能。 第四范式AI特征数据库采用独有的AI存储计算一体化架构，通过线上线下同源解析保证数据一致性，通过将毫秒级变化作为特征自动入模降低AI生产级实时应用开发成本。开发者使用第四范式的AI特征数据库，只需编写离线调研脚本，即可快速构建线上线下数据一致的高性能实时AI应用。
Graph Embedding 技术是一种将图的拓扑结构进行向量表示的方法，从而获取到网络关系信息，应用于推荐等多种场景；在本报告中，我们重点讲一下 Graph Embedding 技术。首先，将简单回顾一些具有代表性的相关技术，包括DeepWalk／Node2Vec／SDNE等；接下来介绍两个在知乎的具体实践，包括知乎用户 embedding 的实践和在在知乎收藏夹数据中的应用。最后，我们再讲一下遇到的挑战。
为了支持上汽集团在自动驾驶、智能制造等领域的探索和落地，上汽帆一尚行和ThoughtWorks合作开发了iGear，一个全流程的AI工作平台。定位于打造一个支撑大型制造业智能化转型的AI平台，iGear涵盖了全流程的数据和计算服务管理。iGear主要分为数据平台和计算平台两大部分，数据平台管理海量的数据资源，包括PB级的数据存储和管理、素材的管理和标注服务；计算平台管理异构计算节点和任务分配，负责GPU算力调度、模型训练、AI科学家进行开发调试、模型发布、模型压缩等。基于iGear，可以方便地进行AI系统研发和构建行业智能化解决方案。 听众收益：了解构建大型AI平台面临的问题和挑战，以及在此基础上的AI平台的设计和架构上的考量取舍。了解传统制造业从数据采集到存储、处理、(预)标注、数据集管理、训练、资源调度、模型发布等全生命周期的研发流程和架构设计。
本次演讲从滴滴机器学习平台的特点开始探讨，与大家分享滴滴机器学习场景下的k8s落地实践与二次开发的技术实践与经验，包括平台稳定性、易用性、利用率、平台k8s版本升级与二次开发等内容。还会向大家介绍滴滴机器学习平台是如何从yarn迁移到到k8s的，以及yarn的二次开发、与k8s的对比等。最后与大家分享滴滴机器学习平台正在研发中的功能以及未来展望。
人眼的技术之一，除了看到物体之外，还可以得到物体的深度信息，从而可以从更高维度实现定位识别。在工业自动化和仓储物流等对自动化有较高需求的产业领域，3D视觉、人工智能和工业机器人的结合而成的“3D机器人视觉”正在逐渐成为一种趋势，3D机器人视觉让工业机器人等自动化装置能以更高精度、更快速度执行更复杂的工作，是产业自动化升级乃至将自动化技术推向更多产业领域必不可少的一环。
扫码回复：大会，加入大会福利群