Иван Ямщиков (ABBYY / Институт Макса Планка), Данные — математикам, алгоритмы — бизнесу!, CodeFest 2017

https://2017.codefest.ru/lecture/1175

Мы поговорим о том, какие методы анализа данных используются в тех или иных продуктах, как строить новый бизнес на основе математики и какие области анализа данных будут активнее всего развиваться в ближайшее время.

Transcript

1. Данные – математикам! Алгоритмы – бизнесу! Иван Ямщиков, исследователь
2. Дейв Барри │ Компьютеры становятся все умнее. │ Ученые утверждают, что скоро они │ смогут разговаривать с людьми.
3. О чём поговорим? › Задачи, которые решает AI › Примеры этих задач в индустрии › Какие есть проблемы у машин? › Какие есть проблемы у людей? 3
4. Типы задач 4 классификация регрессия структура синтез аномалии
5. Классификация математика 5 › Большие массивы данных › Часть данных может «выпадать» › Алгоритм относит каждый случай к одной из категорий
6. Классификация предпринимателя 6 › E-commerce › аннотация продуктов › Веб-аналитика › сегментации › Машинное зрение › распознавание лиц › медицинская диагностика Brian Kenji Iwana and Seiichi Uchida at Kyushu University in Japan
7. Регрессия математика 7 › Хотим предсказать численную величину › И оценить точность предсказания
8. Регрессия предпринимателя 8 › Оценки рисков › Прогнозы доходности › Даже иногда выплавка стали › …
9. Структурирование математика 9 › Cложные разнородные массивы › Много взаимосвязанных параметров › Связи между этими параметрами не всегда известны
10. Структурирование предпринимателя 10 › Speech-to-text › Аннотация изображений › Data insights
11. Поиск аномалий математика 11 › Оценки «тяжёлых хвостов» › Повышение качества данных
12. Поиск аномалий предпринимателя 12 › Системы мониторинга и быстрого реагирования › Поиск «чёрных лебедей»
13. Генерация контента математика 13 › Эффективное представление информации › Эмуляция человеческой деятельности
14. Генерация контента предпринимателя 14 › Тут пока мало бизнесов, но они будут › Новые инструменты «творческих» профессий › Новое понимание творчества вообще
15. Что надо понимать про «машины»?
16. Джарвис │ Какое-то время все хорошо, │ а потом в конце фразы │ произношу не ту клюкву.
17. Машинное обучение поможет, если › У вас есть много данных… Действительно много › У вас есть экспертиза › Вам не нужно обосновывать результат 17
18. Машинное обучение НЕ поможет, если › Вы хотите быть модным › Вы не можете сформулировать задачу › Вам важно интерпретировать каждое отдельное решение 18
19. Что надо понимать про «людей, которые работают с машинами»?
20. Павел Ямщиков │ Все задачи делятся │ на «фуфло» и «глуховые».
21. Два главных навыка › Уметь быстро имплементировать то, что уже сделано › Находить баланс между прикладными и исследовательскими задачи 21
22. Стэн Марш. │ Сегодня я кое-чему научился!
23. Мы обсудили › Разные типы задач, которые может решать машинный интеллект › Как эти задачи могут быть использованы в индустрии › Какие есть ограничения на применение МИ в бизнесе 23
24. Спасибо! Иван Ямщиков Исследователь kroniker@yandex-team.ru