Инфопространство,
Москва, 16 сентября 2019

Принятые доклады

Поиск по тегам:

Компьютерное зрение

Wasserstein Regularization for Generative and Discriminative Learning

We propose regularization strategies for learning models that are robust to in-class variations of the input data. We use the Wasserstein-2 metric to capture semantically meaningful neighborhoods in the space of images. We define a Riemannian Wasserstein gradient penalty to be used in Wasserstein Generative Adversarial Networks, and derive an effective Tikhonov-type Wasserstein smoothness regularizer from an input-dependent data augmentation model. The regularizer is computed efficiently via convolutions with negligible computational cost. Experiments demonstrate improved robust generalization.

Доклад принят в программу конференции

Системы принятия решений

Modern Neural Net Architectures / Year 2019 version

The talk about modern neural network architectures with the focus on the results of the last two years

Доклад принят в программу конференции

Машинное обучение и анализ данных в коммерции

Машинное обучение для предсказания продаж интернет-магазина OZON.RU. Оптимизация цен с помощью моделей предсказания спроса

- Ансамблирование разнородных моделей машинного обучения.
"Деревянная" модель выбирает наилучшую непрерывную модель (нейросети или даже линейные регрессии) исходя из категориальных фичей, описывающих "состояние" системы

- ML модель, как фича для другой ML модели.
Unsupervised кластеризация временных рядов продаж товаров, для создания размеченной выборки для обучения supervised классификации товаров без истории продаж по описательным признакам.

- Оптимизация цен товаров для максимизации оборота с ограничением по марже.
Применение моделей предсказания продаж в оптимизации цен. Линеаризация сложной модели для ускорение работы оптимизатора.

- Теория вероятностей в процессах пополнения складов.
Оценка распределений ошибок прогноза, ошибок поставок (опоздания, "недовозы" поставщиков). Расчет страховых запасов на основе полученных распределений.

- Замкнутый цикл разработки ML решений для продакшена.
feature engineering -> model selection -> training -> results evaluation -> feature engineering -> ...

Логирование и мониторинг
,
Внедрение и поддержка
,
Теории и техники анализа
,
Общение с заказчиком, извлечение требований
,
Hadoop
,
Machine Learning
Доклад принят в программу конференции

Эффект от тв-рекламы: оценка и оптимизация

Запуск тв-рекламы - дорогое удовольствие. Поэтому важно уметь оценивать получаемый от этого профит, а также важно выбрать хороший способ оптимизировать показы рекламы в телевизионной сетке для увеличения получаемого эффекта.
В докладе будет рассказано о том, какие данные потребовались для замера, чем и как замеряли в России и Европейских странах. А также о том, как на основе полученной оценки была предложена оптимизация показов и получен дополнительный эффект. Поделимся опытом в оценке рекламы в рамках выпусков тв-шоу.

Доклад принят в программу конференции

Прочее

Project Management 2.0: AI Transformation

Машинное обучение проникает во все сферы нашей жизни с все нарастающей скоростью, что меняет наши привычные паттерны взаимодействия с продуктами и отношение к ним.
Пользователи уже привыкают к тому, что магические алгоритмы делают всю работу за них и часто лучше их: выбирают новости или книги, подбирают фильтр для улучшения фотографии и даже заказывают столик в ресторане по телефону.

Чтобы обеспечить всю эту магию, со стороны разработки происходит так называемый переход от Software 1.0 к 2.0: теперь не нужно четко описывать алгоритм принятия решения, нейросети смогут вывести его на данных лучше нас. Это в корне меняет традиционные подходы, а компетенция ML становится все более востребованной в стэке технологий разработчика.

Аналогичный переход надо совершить и в подходах к ведению проектов и продуктов. С добавлением ML в продукт знакомые техники и правила перестают работать. Постановка задачи с точными требованиями и привычные методы контроля с большой вероятностью не приведут к успеху. Ведение продукта, в основе которого лежит технология машинного обучения, принципиально отличается.

За последние пару лет мы в Mail.ru запустили десятки продуктов и фичей на основе ML, и я расскажу о:
* выработанных практиках ведения проекта с ML в основе,
* многочисленных шишках, которые мы набили,
* адаптации софтверной разработки
* и многом другом

Доклад будет полезен всем кто так или иначе участвует в разработке AI продуктов.

Доклад принят в программу конференции