Спікери

Mohamed-Achref Maiza
Mohamed-Achref Maiza
Senior Data Scientist, Renault Digital Оптимізація мультилейбелінгової класифікації та оркестрування за допомогою TFX та Kubeflow пайплайнів

Бізнес потік

Мова доповіді: англійська.

Мохамед-Ахреф має освіту у галузі компютерних наук та інженерії. Він працював над deep learning програмами для діагностики автомобілів та перевірки якості візуального контролю.

Розмова піде про такі технічні аспекти, як стратегії оптимізації втрат, математичні властивості, налаштування гіперпараметрів, компоненти для автоматизації пайплайнів ML, застосування для діагностики автомобілів та класифікація зображень за допомогою нейронних мереж.

Mohamed-Achref Maiza
Senior Data Scientist, Renault Digital Оптимізація мультилейбелінгової класифікації та оркестрування за допомогою TFX та Kubeflow пайплайнів
Luis
Dr. Luis Moreira-Matias
Head of Data Science, KreditechОсновні смертельні гріхи прикладного машинного навчання у фінансах

Бізнес потік

Мова доповіді: англійська.

Luis має докторський ступінь з машинного навчання, а його історію публікацій(50+) можна побачити на основних майданчиках Data Science у всьому світі, таких як KDD, AAAI, IEEE TKDE або ECML / PKDD. Його шлях в індустрію можна спостерігати у впровадженні методів ML в комерційну продукцію з доведеною додатковою вартістю в усіх галузях фінансів, роздрібної торгівлі та енергетики - від EMEA до APAC. Варто відзначити його нетипову манеру подачі комплексних концептів AI, також його регулярно запрошують на конференції по всьому світу (починаючи від Брісбена, Австралія до Лас-Пальмас, Іспанія).

У цій доповіді Luis розкриє загальну проблему, пов'язану із реалізацією прикладних проектів DS фінансах, та деякі найсучасніші рішення, які запропонувала його команда.

Dr. Luis Moreira-Matias
Head of Data Science, KreditechОсновні смертельні гріхи прикладного машинного навчання у фінансах
Oles Petriv
Олесь Петрів
CTO, Reface.AIML research: how to keep going

Keynote

Мова доповіді: українська.

Останні 7 років активно займається дослідженнями та розробкою систем комп’ютерного зору та обробки природної мови. Є автором курсу з машинного навчання на онлайн-платформі Prometheus та курсу з глибокого навчання в ARVI Lab.

Має великий досвід роботи в обробці відео із використанням методів deep learning для виявлення об’єктів та дiй, прогнозування карт глибини зображень, семантичної сегментації та генерації субтитрів до зображень i відео для кіностудій Голлівуду.

Розробляв одну із перших систем автоматизації контролю розміщень товарів на полицях за допомогою нейромереж. Керував розробкою ряду проектів з автоматизованого аналізу новин різними мовами, розпізнавання іменованих сутностей, аналізу концептуального дрифту та репрезентації мовних структур за допомогою систем машинного навчання.

Олесь Петрів
CTO, Reface.AIML research: how to keep going
Borys_Pratsiuk
Борис Працюк
CTO, Scalarr Розгортання та налаштування продакшн пайплайнів для постійного перетренування ML моделей

Технічний потік

Мова доповіді: українська.

Закінчив з відзнакою кафедру фізичної та біомедичної електроніки КПІ у 2007 році за спеціальністю “Фізична та біомедична електроніка”, а у 2012 році захистив дисертацію на факультеті електроніки в КПІ.

Борис працює CTO у компанії Scalarr.

Він розповість, чому навчання моделей ML не є основним завданням для розгортання моделі у продакшн.
Покаже, як у Scalarr розгортали Kubeflow і чому обрали саме його.
А також розповість про реальний випадок того, як це змінює філософію команди ML та як вони пишуть більш стандартний код для деплою.

Борис Працюк
CTO, Scalarr Розгортання та налаштування продакшн пайплайнів для постійного перетренування ML моделей
Майкл Коркін
CTO, EverguardHow to Identify An Object If You Must

Бізнес потік

Мова доповіді: російська.

Багато промислових робочих місць залишаються надзвичайно небезпечними для працівників! Сталеві заводи, будівельні майданчики, нафтові установки, шахти мають високий рівень аварійності, у тому числі смертельних випадків.

Наша компанія покращує безпеку працівників за допомогою комп’ютерного зору, глибокого навчання та синтезу датчиків. На відміну від типових застосувань комп’ютерного зору, ми стикаємось з складними умовами, низькою видимістю, відсутністю основних комунікаційних даних та труднощами в отриманні наборів даних. Все це вимагає високоінноваційних рішень та мислення поза межами.

Майкл Коркін
CTO, EverguardHow to Identify An Object If You Must
Vladislav-Zavadskyy
Владислав Завадський
Head of Research, NeoRender Анімовані нейронні 3D моделі

Технічний потік

Мова доповіді: українська.

Владислав навчався в КПІ на факультеті інформатики та обчислювальної техніки, захистив дипломну роботу на тему Neural Architecture Search з використанням Reinforcement Learning.

Зараз працює над створенням ефективних нейронних репрезентацій скалярних полів. На попередніх проектах працював над задачами Computer Vision (в основному з генеративними моделями), NLP та аналізом часових рядів.

Зараз полігональні меші є основним способом репрезентації 3D моделей. За час їх існування вже було розроблено чимало оптимізацій для їх ефективної растеризації. Однак, у них досі є чимало слабких сторін, які обмежують можливості їх застосування.

У NeoRender працюють над створенням нового способу репрезентації 3D моделей, який буде позбавлений цих недоліків. Під час доповіді Владислав покаже частину того, чим займається NeoRender, на прикладі анімованої 3D моделі людини. Розкаже, як конвертувати текстуровані 3D моделі в нейронні мережі, які можна ефективно растеризувати та використовувати для апроксимації фізичних взаємодій у різних конфігураціях.

Владислав Завадський
Head of Research, NeoRender Анімовані нейронні 3D моделі
Раід Арфуа
Senior Machine Learning Engineer, SoftConstructТрекінгова система на основі нейронних мереж у спорті

Технічний потік

Мова доповіді: українська.

Займався проектами, пов'язаними з рекомендаційними системами, комп’ютерним зором та великими даними. Має два магістерські ступені з математики та економіки. Прагне використовувати моделі машинного навчання найбільш ефективним чином. Має чимало інтересів у науці, філософії, спорті та застосовує це в щоденній роботі.

Трекінг складних об'єктів у спорті потребує комплексних підходів. Зокрема, як скомбінувати кілька нейронних мереж для вирішення різних підзадач в рамках однієї багатомодульної системи: детекція об'єктів, класифікація, кластеризація. Як використати доменну експертизу для покращення точності системи. Які методи обробки відео окрім нейронних мереж дозволяють покращити швидкість і точність трекінгу об'єктів. Як тестувати окремі модулі та систему в цілому. Розглянемо приклади на відео з футбольних матчів.

Раід Арфуа
Senior Machine Learning Engineer, SoftConstructТрекінгова система на основі нейронних мереж у спорті
Muntaniol
Марина Мунтаніол
Старший консультант практики People Advisory Services, EY в УкраїніДані рулять - вплив Data Science на бізнес

Бізнес потік

Мова доповіді: українська.

Марина очолює напрям Digital HR та фокусується на організаційній ефективності та
управлінні людськими ресурсами. Марина приєдналася до EY у 2015 році. Вона
спеціалізується на аналізі ефективності процесів, автоматизації в HR, розробці стратегії, порівняльному аналізі та відборі провайдерів ІТ-систем в HR, діагностиці й удосконаленні організаційних структур і процесів компанії.

Марина консультує компанії з питань створення ціннісної пропозиції та бренду роботодавця, проводить ряд досліджень у сфері інтегрованого управління талантами.
Марина має диплом НТУ «КПІ імені Ігоря Сікорського» за спеціальністю «Економічна кібернетика».

Доповідь Юлії та Марини буде присвячена даним, як одному із головних рушіїв зростання бізнесу на сьогодні. Консультанти зроблять короткий екскурс у сучасні виклики та рівень технологічності в бізнесі, розглянуть приклади основних запитів великого та середнього бізнесу у розрізі технологій та аналітики. Також колеги презентують кейси реалізації локальних та глобальних проектів EY, зокрема у сфері управління людьми.

Марина Мунтаніол
Старший консультант практики People Advisory Services, EY в УкраїніДані рулять - вплив Data Science на бізнес
Holovko
Юлія Головко
Менеджер практики People Advisory Services, EY в УкраїніДані рулять - вплив Data Science на бізнес

Бізнес потік

Мова доповіді: українська.

Юлія приєдналася до компанії EY в 2014 році. Вона спеціалізується на дослідженні ринку праці та управлінні людськими ресурсами.
Юлія проводить огляди заробітних плат і компенсацій в Україні та країнах СНД, розробляє грейдингові структури оплати праці, має досвід підготовки аналітичних звітів та досліджень у сфері інтегрованого управління персоналом, HR-аудиту та розробки програм короткострокового та довгострокового стимулювання співробітників, створення навчальних програм.
Юлія отримала диплом за спеціальністю «Економіка підприємства» у Київському
національному університеті імені Тараса Шевченка.

Доповідь Юлії та Марини буде присвячена даним, як одному із головних рушіїв зростання бізнесу на сьогодні. Консультанти зроблять короткий екскурс у сучасні виклики та рівень технологічності в бізнесі, розглянуть приклади основних запитів великого та середнього бізнесу у розрізі технологій та аналітики. Також колеги презентують кейси реалізації локальних та глобальних проектів EY, зокрема у сфері управління людьми.

Юлія Головко
Менеджер практики People Advisory Services, EY в УкраїніДані рулять - вплив Data Science на бізнес
Sokolov
Михайло Соколов
CTO, Dex Technologies17 витончених способів вистрілити собі в ногу при розробці систем вiдповiдей на запитання

Технічний потік

Мова доповіді: українська.

Михайло — фахівець з інформаційних стратегій, NLP експерт і системний архітектор. Успішно реалізовані десятки великих проектів, у тому числі проекти для уряду США і досягутi результати найсучаснішого рівня в системах вiдповiдей на запитання.

Він керує data science R&D компанією координує діяльність декількох компаній в області розробки і постачання програмного забезпечення та рішень для штучного інтелекту для ІТ, охорони здоров'я, фінансів, кібербезпеки та інших сфер.

У своєму виступі він розповість про найбільш поширені підводні камені при розробці систем відповідей на загальні і специфічні для домену питання. У доповіді також описуються 17 корисних моделей того, як уникнути цих підводних каменів. Крім того, ви дізнаєтеся, як управляти проектуванням, функціональністю, автоматизацією, масштабованістю і зниженням витрат для систем відповідей на питання. Презентація також допоможе вам зрозуміти найбільш поширені експлуатаційні аспекти систем запитань-відповідей. Для широкої аудиторії ці знання можуть бути екстрапольовані на NLP і програмну інженерію в цілому.

Михайло Соколов
CTO, Dex Technologies17 витончених способів вистрілити собі в ногу при розробці систем вiдповiдей на запитання
Микола Максименко
R&D Director at SoftServeПоєднання Квантових Обчислень і Машинного Навчання в Tensor Flow

Технічний потік

Мова доповіді: українська.

Квантові обчислення мають багато потенціалу для більшості обчислювально інтенсивних областей. Наразі ж більшість нових алгоритмів тестуються на класичних симуляторах квантових процесорів. Тут Тензорні Мережі є одним з зручних методів для проведення таких симуляцій. Вони забезпечують ефективне стиснення квантового стану та маніпуляції з квантовими вентилями.

З іншого боку, Tensor Networks можна розглядати як новий об’єкт для машинного навчання, в деяких випадках - більш експресивний, ніж глибокі нейронні мережі. Він дозволяє стиснути існуючі архітектури DNN та їх виконання.

Я розповім, що таке Tensor Networks з точки зору фізики для машинного навчання та стиснення DNN. Також наведу приклади, використовуючи бібліотеку Tensor Networks поверх Tensor Flow.

Микола Максименко
R&D Director at SoftServeПоєднання Квантових Обчислень і Машинного Навчання в Tensor Flow
Justin Shenk
CTO, VisioLabАвтоматизація розпізнавання їжі для їдалень за допомогою машинного зору

Бізнес потік

Мова доповіді: англійська.

Джастін здобув ступінь магістра когнітивних наук з поглибленим вивченням AI (Університет Оснабрюка, Німеччина) та кандидата наук, PhD (Університет Радбуд).

Розповість про автоматичну оплату замовлення з використанням машинного зору - майбутнє закладів громадського харчування.

Запропоноване рішення розпізнавання їжі на основі системи глибокого навчання спеціально розроблено для масштабування та швидкого запровадження у сотнях кафе і ресторанів. Будуть представлені напрацювання команди у Києві та результати випробовувань в їдальнях Німеччини.

Justin Shenk
CTO, VisioLabАвтоматизація розпізнавання їжі для їдалень за допомогою машинного зору
Олександр Шевченко
Lead Data Analyst, LetyshopsЯк ми проводимо продуктові АВ-тести: методологія та організація роботи

Бізнес потік

Мова доповіді: українська.

Бакалавр у галузі прикладної фізики, освіту отримав в університеті ім. Т. Шевченка на факультеті радіофизики (теперішній РЕКС). Працював у ролі аналітика в провідних компаніях з розробки комп'ютерних ігор у Франції, Німеччині та Україні (Ubisoft, Goodgames та Wargaming відповідно). Основна кваліфікація - продуктова та маркетингова аналітика. Останній рік займався розробкою та аналітичним супроводом продуктових АВ-тестів - про що і піде мова у доповіді.

У доповіді презентується досвід компанії Letyshops після введення продуктових спліт-тестів як основного методу прийняття рішень у ``data driven`` підході до розробки програмного забезпечення: методологічні та практичні складнощі, оцінка ефективності методу.

Олександр Шевченко
Lead Data Analyst, LetyshopsЯк ми проводимо продуктові АВ-тести: методологія та організація роботи
Костянтин Радченко
Product Analyst / Project Manager, LetyshopsЯк ми проводимо продуктові АВ-тести: методологія та організація роботи

Бізнес потік

Мова доповіді: українська.

Костянтин за освітою - магістр з Лазерної та оптикоелектронної техніки, працює над написанням кандидатської дисертації, область досліджень - біомедична інженерія з фокусом на розробці систем підтримки прийняття рішень. Аналіз даних - його пристрасть. В LetyShops працює у відділі Розвитку партнерів, проводить глибокий аналіз та прогнозування поведінки користувачів сервісу, їх інтересів.

Презентує досвід з організації структури компанії та робочих процесів, що підлаштовані під data driven модель прийняття рішень у динамічному середовищі розробки з великою кількістю гіпотез, що одночасно проробляються, та великою кількістю міждисциплінарних команд, що водночас незалежно працюють над одним продуктом.

Костянтин Радченко
Product Analyst / Project Manager, LetyshopsЯк ми проводимо продуктові АВ-тести: методологія та організація роботи
Vladyslav Horbatiuk
Владислав Горбатюк
ML Software Engineer, Snap Inc Проблеми трекінгу рук на мобільних пристроях

Технічний потік

Мова доповіді: російська.

Навчався в НТУУ ``КПІ імені Ігоря Сікорського``, факультет інформатики та обчислювальної техніки, кафедра технічної кібернетики.

Ми хотіли б обговорити проблеми щодо трекінгу рук на мобільних пристроях.
З якими викликами ми стикалися:
- Модельні критерії (обчислювальний бюджет, розмір моделі, точність, стійкість, тимчасова узгодженість)
- Дані ( синтетичні дані, реальні дані, об'єднання різних даних)
- Трейд оф у продукті (рішення для конкретного випадку, різні випадки використання з прикладами, апріорна інформація)
Ми детально поговоримо про проблеми та запропонуємо можливі рішення.

Владислав Горбатюк
ML Software Engineer, Snap Inc Проблеми трекінгу рук на мобільних пристроях
Сергій Тюрін
Data Scientist, Data Science UAВоркшоп: Створення веб-додатку для DS-матеріалів за допомогою Streamlit

Воркшоп

Мова доповіді: російська.

Сергій - дата саентист з глибоким розуміння бізнесу. Він працював над багатьма ML / DL проектами, такими як: оптимізація цін, прогнозування продажів та передбачення відтоку клієнтів.

Flask - не єдиний!
Отже, ви створили свою модель в Jupyter Notebook, що робити далі? Як створити для неї інтерфейс, щоб інші люди могли використовувати її як веб-сервіс?
Streamlit - бібліотека з відкритим кодом, що дозволяє швидко перетворити чисті сценарії Python в додаток без будь-яких «знань про створення додатків». Не потрібно писати бекенд, визначати маршрути та обробляти HTTP-запити.
Сергій розповість, як створити веб-сервіс для своїх даних за години, а не за дні, використовуючи Streamlit.

Сергій Тюрін
Data Scientist, Data Science UAВоркшоп: Створення веб-додатку для DS-матеріалів за допомогою Streamlit
Nikishaev
Андрій Нікішаєв
System Architect, MoneyveoВоркшоп: Object Detection with Single Shot Networks

Воркшоп

Мова доповіді: російська.

Закінчив мехмат в університеті Шевченка, спеціальність фіз-мат.
Більше 20 років в ІТ. Серед останніх проектів – створення рекомендаційної системи (фронт, бек, ETL, DevOps).

Перед цим робив аналітику блокчейн проектів для інвестиційних фондів і приватних інвесторів в розрізі співпраці з компанією BlockScience.

Так само займався рекомендаційними системами, розробкою алгоритмів поширення інформації в соц. мережах, автоматичним фоторетушуванням, аналітикою трафіку на дорогах тощо.
Нещодавно Андрій запустив практичний онлайн курс по Object Detection: https://learnml.today

На воркшопі Андрій розкаже про наступне:
- Основи object detection
- Різниця між різними архітектурами нейромереж
- Основні техніки навчання моделей
- Безпосереднє навчання моделей

Андрій Нікішаєв
System Architect, MoneyveoВоркшоп: Object Detection with Single Shot Networks
Олександр Гончар
Co-Founder and CTO, Neurons LabВоркшоп: Чому ваші найкращі алгоритми не можуть прогнозувати фінансові ринки

Воркшоп

Мова доповіді: російська.

Прогнозування фінансових ринків за допомогою математики та алгоритмів - спокуслива ідея, що постійно закликає як найкращі мізки планети, так і довірливих простачків витрачати багато часу на пошук того самого “святого Граалю”.

Цей воркшоп допоможе вам отримати перші прикладні навички у адаптації фінансових даних для роботи з вашими улюбленими алгоритмами машинного навчання. Ми пройдемо по всьому ML пайплайну і крок за кроком “покращимо” підготовку даних, їх нормалізацію, розмітку та валідацію моделей щоб вони адекватно працювали у реаліях непередбачуваного фінансового світу. Ви зможете самі побачити, що складність полягає не у “нейронках”, а у глибокому розумінні даних.

Після воркшопу у вас будуть не лише практичні навички для роботи з фінансовими часовими рядами, а і поглиблене розуміння пайплайну машинного навчання як такого, що буде корисним не лише у фінансах, а і медичних, воєнних та інших задачах де ціна помилки є дуже високою.

Олександр Гончар
Co-Founder and CTO, Neurons LabВоркшоп: Чому ваші найкращі алгоритми не можуть прогнозувати фінансові ринки

Ведучі

Daniel Che
Comandante, Che – Guerrilla Marketing

Daniel Che
Comandante, Che – Guerrilla Marketing
Jane Klepa
Executive director, 1991 Open Data Incubator

Jane Klepa
Executive director, 1991 Open Data Incubator