Přejít k navigační liště

Zdroják » Různé » Jaká byla Machine learning Prague 2017

Jaká byla Machine learning Prague 2017

Články Různé

Konference Machine learning Prague 2017 byla zaměřena, jak název napovídá, na strojové učení, zpracování dat a umělou inteligenci. Já jsem se zúčastnil pouze její nedělní části, ale i ta stála za to. Popíšu vám, jak probíhala.

Kiwi.com

Den začal krátkým vstupem Romana Rožníka z Kiwi.com, který stručně pověděl o tom, jak se stal prvním data scientist v Kiwi, a v jakých rozměrech se pohybují jejich datové toky, které zpracovávají i pomocí strojového učení.

TensorFlow & Deep Learning

Druhá, velmi informativní přednáška, se týkala TensorFlow opensource knihovny pro neuronové sítě a deep learning od Googlu. Přednášející vyzdvihoval sílu opensource komunity, která se kolem této knihovny vytvořila a ukázal několik zajímavých nástrojů, kde si člověk může hrát s neuronovými sítěmi (playground.tensorflow.org) či nalézt nástroje pro uvedení neuronových sítí do produkčního prostředí (tensorflow.github.io/serving).

The World’s Most Efficient Supercomputer for AI and Deep Learning

Hinschke prezentoval nový čip od NVIDIA, ze kterého sestavili nejúčinnější superpočítač světa 9.4 GFLOPs/Watt. Jejich cílem je dosáhnout počítače s výkonem řádu exaFLOPS, který by ovšem i při současné spotřebě potřeboval obrovské množství energie.

Deep Learning in the Life-Sciences

Baldi přednášel o možném využití strojového učení v přírodních vědách. Jeho skupina má záběr opravdu široký od předpovídání vlastností jednoduchých molekul (jako je teplota tání nebo rozpustnost), 3D struktur proteinů a bílkovin až po online rozeznávání polypů z videa natáčeného přímo v průběhu kolonoskopického vyšetření. Zmíněné aplikace lze řešit i jinými způsoby než strojovým učením, nicméně musíme pro ně znát dané fyzikální zákony, což by právě strojové učení mohlo pomoci překonat. Hlavním problémem tohoto přístupu je především malé množství volně dostupných dat.

Seed-programmed self-improving machine learning

K.R. Thórisson předvedl ukázku modelu strojového učení, který je schopen se s časem sám vylepšovat. Jejich model dokázal z 20 hodin velmi jednoduchých (tzn. s omezenou slovní zásobou) rozhovorů pochytit nejen gramatickou strukturu věty, ale i nonverbální část komunikace probíhající mezi tazatelem a dotazovaným.

Creating adaptive worlds where people experience imagination

Vircikova ze slovenského herního studia Matsuko ukazovala, jak vytvářejí smíšenou realitu, ve které budou vystupovat 3D holografičtí společníci, které uvidíme i bez brýlí pro virtuální realitu. Možným použitím by mohli být jednak terapeutické programy pro děti, průvodci v muzeích, nebo zajímavé projekce podobné té v ZOO v Bordeaux.

Towards Good AI

Před obědem nás na výlet do apokalyptické budoucnosti vzal Roman Yampolskiy. Řeč byla o tom, co by se mohlo stát, až lidstvo vyvine superinteligentní počítač. Jedním z trochu překvapivých řešení by mohlo být nedělat nic a doufat, že výsledný algoritmus bude na nás hodný díky své vysoké inteligenci nebo prostě budeme muset přijmout porážku od inteligentnějšího a „sbalit si kufry“. V každém případě R. Yampolskiy nepochybuje o tom, že superinteligenci lidstvo v dohledné době vytvoří a že krátkodobé důsledky pro nás budou velmi přínosné. Jak to bude v dlouhodobějším horizontu, je otázkou…

DeepStack: Expert-Level Artificial Intelligence in No-Limit Poker

Schmid z MMF Univerzity Karlovy prezentoval unikátní výzkum, kdy se jim povedlo sestavit algoritmus, který poprvé dokázal porazit profesionálního hráče pokeru ve hře 1:1. Práce byla publikována ve vědeckém magazínu Science, ale výsledný algoritmus není k dispozici. Hlavním důvodem je obava ze zneužití. Zajímavostí je, že tento algoritmus dokáže porazit profesionální hráče, i pokud běží pouze na jediné grafické kartě.

Multi-Instance Learning in Security

Pevný přednášel o multi-instance learningu, který využívají v Cisco pro odhalení nakažených počítačů podle jejich síťové komunikace. Výsledná identifikace daného počítače se zdá být proveditelná, nicméně vysvětlení, proč je daný počítač nakažen, je poměrný velký oříšek. Takovouto problematiku je potřeba řešit především kvůli samotným uživatelům, aby měli možnost zasáhnout proti danému škodlivému softwaru.

Fighting malicious software with machine learning

Poslední přednášku nedělního dne měl M. Vejmelka z Avastu. Ukazoval, jak za pomocí klastrování vzorků potenciálního malwaru a následného použití random forest algoritmů snižují false pozitivitu jejich antivirových programů. Pro analýzu získaných dat používají virtuální realitu a zpracovávají 300 TB dat vzorků během jediného dne.

Sobotní program

Této části konference jsem se bohužel nemohl zúčastnit, nicméně prý stály za to především přednášky:

L. Backstroma o tom, komu a kdy ukázat jaký status na Facebooku,

L. Vrábela o vyhledávání obrázků na Seznam.cz,

nebo M. Illicha o použití strojového učení pro obchodování na burze s překvapivým koncem.

Takže až se objeví záznamy z těchto přednášek buď na YouTube profily Jirky Materny nebo na samotné stránce konference www.mlprague.com  já se na ně určitě podívám.

Závěrem

Slovy jednoho z účastníků:

A na příští ročník se už můžete těšit teď.

Komentáře

Subscribe
Upozornit na
guest
1 Komentář
Nejstarší
Nejnovější Most Voted
Inline Feedbacks
View all comments
milos

diky za info
minimalne 4 omrknu
milos

Enum a statická analýza kódu

Mám jednu univerzální radu pro začínající programátorty. V učení sice neexistují rychlé zkratky, ovšem tuhle radu můžete snadno začít používat a zrychlit tak tempo učení. Tou tajemnou ingrediencí je statická analýza kódu. Ukážeme si to na příkladu enum.

Pocta C64

Za prvopočátek své programátorské kariéry vděčím počítači Commodore 64. Tehdy jsem genialitu návrhu nemohl docenit. Dnes dokážu lehce nahlédnout pod pokličku. Chtěl bych se o to s vámi podělit a vzdát mu hold.