AI / machine learning

Négy előadóval igyekszünk feltérképezni a mesterséges intelligencia tág területét. Megismerjük az IBM Watson felhasználásának példáit és a Microsoft törekvéseit, majd egy kutatást láthatunk a bevándorlókról szóló cikkek és képek elemzéséről, végül pedig a chatbotokról is beszélünk, hogy azok milyen esetben milyen megoldást tudnak nyújtani.

A 10 perces előadások után kb. 5 percben feltehetitek kérdéseiteket, 2 előadó után pedig szünetet tartunk, hogy közben is ismerkedjetek. A teremben az első 60 érkezőnek tudjuk garantálni az ülőhelyet, de lesznek állóhelyek, illetve a terem előtti pulttal ellátott előtérben azok is megtalálhatják a helyük, akik a network miatt jönnek.

• Sepp Norbert (Watson-szakértő, IBM): Mit gondolsz, Watson? - Kognitív rendszerek kora

Reneszánszát éli az M.I., ezen a pályán minden játékosnak vannak érdekes megoldásai. Az előadásban az egyik leghíresebb mesterséges intelligencián alapuló, úgynevezett "kognitív rendszert", az IBM Watson nézzük meg közelebbről alkalmazási példáin keresztül.

• Farkas Bálint (Technical Evangelist, Microsoft): Machine Learning halandóknak

Szerintem data science = statisztika + IT tudás (gépi tanulás, programozás, NoSQL) + területspecifikus tudás (egészségügy, olajipar, járványtan stb., amiről épp szó van). Mindhárom elég bonyolult, úgyhogy minden eszköz hasznos, ami az adattudós életét egyszerűsíti. A Microsoft nagyon komolyan belevágott a területbe, az Azure Machine Learning eszköz kimondottan egyszerűen elsajátítható. Ezt be is mutatom, élőben versenyzünk egyet a Kaggle.com-on.

• Varjú Zoltán (Research Lead, Precognox): Illa berek, nádak, erek, szövegek, képek, deep learning meg vektorterek

Megváltoztatja egy cikk mondandóját a benne közölt kép? Hogyan lehet közös reprezentációt találni két annyira eltérő modalitás számára, mint a képek és a szövegek? Tudunk-e keresni a különböző modalitásokon keresztül? Ilyen kérdések foglalkoztattak minket, amikor begyűjtöttünk több mint 40.000 cikket és ezekkel majd' harmincezer képet a bevándorlással kapcsolatban. Azóta is azon gondolkodunk, hogyan tudjuk a tartalomelemzésben bevett és általunk szeretett látens Dirichlet allokáció módszerét a képelemzéssel közös nevezőre hozni. Utunk során kipróbáltuk a hagyományos képfeldolgozás módszereit, elkalandoztunk a konvolúciós neurális hálókhoz, miközben kerestük a közös reprezentáció lehetőségét. Előadásunkban rögös utunkat szeretnénk bemutatni, csak a szépre emlékezve, azaz az eredményekre koncentrálva. Projektünkről bővebben itt lehet olvasni (https://www.nyest.hu/hirek/migransok-menekulok-bevandorlok-mit-sulykol-a-media). A begyűjtött szövegeket (a képek nélkül!) egy dashboardon elemeztük és kereshetővé tettük. (http://labs.precognox.com/migration-dashboard/#/dashboard)

• Major Zoltán (UX Designer, Isobar Budapest): Conversational Experience Design – Avagy, hogyan csináljuk jó chatbotot

Az Isobar Budapest Experience Design csapatában sokat foglalkozunk a chatbotok esetén is egyre inkább fontossá váló user experience-el es a conversation flow-al. Ennek a csapatnak vagyok én is a tagja, munkám mellett pedig képzéseket tartok, ahol a chatbotkészítés alapjaira tanítom meg a résztvevőket. Azért tartom fontosnak, hogy jól megtervezett és végiggondlt chatbotokat készítsünk már első alkalommal is, mert hatalmas a lemorzsolódás. A felhasználók többsége ha első alkalommal nem kapja meg a megfelelő információt vagy élményt, akkor soha többet nem fogja azt használni. Éppen ezért kifejezetten fontos, hogy pontosan körülírjuk a robotunk funkcióját, meghatározzuk azt az emlékezetes élményt, ami miatt a felhasználók megszeretik ezt a kis szoftverkaraktert, és biztosítjuk hogy a chatbot felhasználása a lehető legfelhasználó barátabb legyen. #ConversationalNavigation #ConversationFlow #DeliveredValue #ProgrammedPersonality #UserExperience ezek köré a kulcsszavak köré fogom építeni az előadásom.