Guarda qui le migliori sessioni virtuali di ODSC Europe 2023

Le migliori sessioni virtuali di ODSC Europe 2023

Ci siamo divertiti molto a ODSC Europe e speriamo che anche voi che ci avete raggiunto di persona o virtualmente abbiate fatto altrettanto! Per coloro che non sono riusciti a partecipare, vogliamo condividere alcuni momenti salienti della conferenza virtuale. Qui di seguito troverete solo alcune delle molte sessioni condotte da esperti a ODSC Europe 2023 che sono piaciute ai partecipanti – e potete guardarle anche voi qui!

AI e Bias: Come Rilevarli e Come Prevenirli

Sandra Wachter, PhD | Professore, Tecnologia e Regolamentazione | Oxford Internet Institute, University of Oxford

In riconoscimento dei numerosi pregiudizi e disuguaglianze presenti nei dati di addestramento, sono stati compiuti molti sforzi per testare il bias nei sistemi di apprendimento automatico e intelligenza artificiale. Questa sessione affronta la compatibilità delle metriche di equità tecnica e dei test utilizzati nell’apprendimento automatico rispetto agli obiettivi e allo scopo della legge europea antidiscriminazione ed offre raccomandazioni, tra cui una checklist facile da usare per la scelta della metrica di equità più appropriata per l’uso dell’apprendimento automatico ai sensi della legge europea antidiscriminazione.

Apprendimento Automatico Probabilistico per Finanza e Investimenti

Deepak Kanungo | Fondatore e CEO, Membro del Consiglio Consultivo | Hedged Capital LLC, AIKON

Questa sessione vi introdurrà ai motivi per cui l’apprendimento automatico probabilistico rappresenta la prossima generazione di intelligenza artificiale nel campo della finanza e degli investimenti. Affronterete

  • Perché i sistemi di apprendimento automatico standard sono intrinsecamente poco affidabili e pericolosi in finanza e investimenti
  • I tre tipi di errori presenti in tutti i modelli finanziari e perché sono endemici
  • L’importanza primaria della quantificazione dell’incertezza degli input e degli output del modello
  • I tre tipi di incertezza e diversi approcci per quantificarli
  • Le gravi lacune delle statistiche convenzionali per quantificare l’incertezza nei modelli finanziari
  • Il framework dell’apprendimento automatico probabilistico e i suoi vari componenti

Perché i Clusters GPU Non Hanno Bisogno di Essere Rumorosi? Sfruttare la Sparità Composta per Ottenere le Migliori Prestazioni di Inferenza su CPU

Damian Bogunowicz | Neural Magic e Konstantin Gulin | Ingegnere di Apprendimento Automatico | Neural Magic

Questa presentazione dimostrerà il potere della sparsità composta per la compressione dei modelli e l’accelerazione dell’inferenza nei domini NLP e CV, con un’attenzione particolare ai Large Language Models recentemente popolari. I partecipanti alla sessione impareranno la teoria alla base della sparsità composta, le tecniche all’avanguardia e come applicarla nella pratica utilizzando la piattaforma Neural Magic.

Apache Kafka per l’Apprendimento Automatico in Tempo Reale Senza un Data Lake

Kai Waehner | Global Field CTO, Autore, Relatore Internazionale

Questa presentazione confronta un’architettura di streaming di dati nativa del cloud con le alternative tradizionali basate su batch e big data e spiega i vantaggi, come l’architettura semplificata, la possibilità di riprocessare gli eventi nello stesso ordine per addestrare modelli diversi e la possibilità di costruire un’architettura di apprendimento automatico scalabile e critica per le previsioni in tempo reale con meno problemi e difficoltà.

Previsione delle Serie Temporali per i Manager – Tutte le Previsioni Sono Sbagliate ma Alcune Sono Utili

Tanvir Ahmed Shaikh | Stratega dei Dati (Direttore) | Genentech, Inc

La previsione delle serie temporali rimane una tecnica sottostimata nell’istruzione delle scienze dei dati, spesso oscurata da metodi di apprendimento automatico più popolari. Questa presentazione esplorerà una varietà di tecniche di previsione delle serie temporali (ETS, ARIMA, SARIMA, modelli VAR e modelli di apprendimento automatico come XGBoost, Random Forest e SVR) e le loro applicazioni in vari contesti aziendali.

Aggirare la Sfida dell’Apprendimento Automatico in Tempo Reale

Dillon Bostwick | Senior Solutions Architect | Databricks e Avinash Sooriyarachchi | Senior Enterprise Solutions Architect | Databricks

Con l’introduzione delle moderne piattaforme di streaming, è molto più facile per chiunque costruire pipeline di streaming affidabili, indipendentemente dalla propria esperienza in questo campo. Questa sessione utilizzerà uno scenario di rilevazione delle frodi per insegnare:

  • Tre importanti modelli per l’inferenza di modelli in tempo reale
  • Come dare priorità ai casi d’uso di apprendimento automatico in tempo reale più comuni nel vostro business
  • Come valutare gli strumenti di streaming e perché lo streaming è prezioso a qualsiasi latenza
  • Aspetti operativi come il monitoraggio, il rilevamento delle deviazioni e i feature store

Apprendimento Profondo e Confronti tra i Large Language Models

Hossam Amer, PhD | Scienziato Applicato | Microsoft

Guardate questa presentazione per saperne di più sui fondamenti dell’apprendimento profondo che sottendono i large language models. Discuterete anche diversi modelli di large language models popolari e confrontare le tecniche e l’accuratezza dei risultati tra i diversi large language models.

Cosa succede dopo?

Puoi controllare questi discorsi e altro qui. E non perdere l’opportunità di unirti a noi per il nostro prossimo virtual Generative AI Summit gratuito il 20 luglio e ODSC West 2023 a San Francisco (31 ottobre-3 novembre).