编辑推荐推荐书籍

O’Reilly和Intel人工智能大会(AIConference北京站)即将拉开大幕!
来源:O'Reilly  (转载协议)   发布日期:2018-03-14 14:56   浏览:39964专栏投稿 值班编辑:QQ281688302

2018年3月6日,北京首届 AIConference北京站 承诺将会带来一场史无前例的全球领先人工智能创新人士云集的会议,让中国的人工智能人才与全球人工智能思想领袖面对面地近距离交流。北京人工智能大会关注了一个独特的焦点:应用人工智能。这一焦点桥接了人工智

赞助本站

2018年3月6日,北京—首届AIConference北京站承诺将会带来一场史无前例的全球领先人工智能创新人士云集的会议,让中国的人工智能人才与全球人工智能思想领袖面对面地近距离交流。北京人工智能大会关注了一个独特的焦点:应用人工智能。这一焦点桥接了人工智能研究的发展与它在商业和工业中的真实应用。AIConference北京站由O'ReillyMedia和IntelAI共同主办。将于2018年4月10日至13日在北京国际饭店会议中心进行。

大会主席BenLorica、NaveenRao、JasonChai和RogerChen共同创建了一个以国际化专家和创新者为特色的大会议程内容。演讲者包括:

●BowenZhou,JD.com(京东)

●SherryMoore,Google(谷歌)

●Jason(Jinquan)Dai,Intel(英特尔)

●LiLi,Esri(美国环境系统研究所公司,EnvironmentalSystemsResearchInstitute,Inc.简称ESRI公司)

●Yuan(Alan)Qi,AntFinancialServicesGroup(蚂蚁金服)

●Dr.CatherineHavasi,Luminoso

●HaifengWang,Baidu(百度)

●MarkHammond,Bonsai

●RezaZadeh,Matroid

●DannyLange,Unity

●HassanSawaf,AmazonWebServices(亚马逊)

●YiZhang,UniversityofCalifornia,SantaCruz|Rulai(加州大学)

●Hsiao-WuenHon,MicrosoftResearch(微软研究院)

●WeiyueWu,UniversityofOxford(牛津大学)

本次大会内容丰富的议程将探索人工智能在企业、商业和社会中的应用,并将探索如何实施人工智能项目以及与人工智能的交互。大会议程还会涵盖模型和方法,包括增强学习和机器学习、TensorFlow、深度学习、生成对抗网络(GAN)、自然语言处理和理解、语音识别和计算机视觉等。

发言者包括来自中国和美国以及澳大利亚、加拿大、印度、韩国和英国的AI领袖。他们代表着百度、谷歌、eBay、Bonsai、Uber、微软、阿里巴巴、亚马逊、SAS、Unity、SalesForce和IBM等公司,以及加州大学伯克利分校、斯坦福大学和牛津大学等研究机构。

与会者将能了解如何利用人工智能的潜力在人工智能引起的颠覆中存活;能找到新的方法在多种行业和学科里利用他们的人工智能资源;能学习到如何将人工智能从科研成果转化为真正的商业应用;能发现学习、招聘和职业的机会;并能面对面地和其他创新者和思想领袖交流。

门票注册仍然开放。同时有限数量的媒体门票可供符合标准的记者和分析师使用。

Intel公司的人工智能团队与O'ReillyMedia共同主办了人工智能系列大会。凭借Intel在芯片创新方面的世界领先地位以及在创造支撑世界的计算标准方面的成功历史,IntelAI解决方案团队正在通过广泛的产品组合变革人工智能。从广为使用的通用CPU到为人工智能设计的专用芯片,从最大的云平台到边缘计算交付的解决方案,以及帮助部署规模化人工智能的工具,Intel都在帮助引领计算的下一场革命。

关于O'ReillyMedia

O'ReillyMedia通过提供技术和业务培训、知识和洞察力来帮助企业取得成功。我们独特的专家和创新者网络通过O'Reilly的Safari培训和学习平台以及O'Reilly主办的各种会议分享他们的知识和专长。作为一个SaaS学习平台,Safari通过企业、消费者和大学渠道为数百万用户提供热门和全面的技术和商业的学习解决方案。欲了解更多信息,请访问oreilly.com

点击跳转官网,或搜索AIConference官网查询详情。

Artificial Intelligence Training

410&12日,周二&周三

 

 
 
Michael Li (The Data Incubator), Season Yang (The Data Incubator) 
用TensorFlow进行深度学习 
TensorFlow是一个流行的深度学习的工具。我们会介绍TensorFlow的流程图、学习使用它的Python API,并展示它的用处。我们会从简单的机器学习算法开始,然后实现神经网络。我们还会讨论一些真实的深度学习的应用,包括机器视觉、文本处理和生成型网络。
 
 
Chia Wei Lim (Skymind), Wang Feng (Skymind)
用deeplearning4j框架构建神经网络分析时间序列
在分析时间序列或者序列数据方面循环神经网络(RNN)已经被证明是非常有效的,那么在实际的案例中如何才能把循环神经网络(RNN)的优点发挥出来呐?这里将演示如何用deeplearning4j框架构建循环神经网络(RNN)来解决时间序列的问题。
 
 
 Jike Chong (Tsinghua University | Acorns), 黄铃 (Tsinghua University)
人工智能和金融科技:量化金融信用与欺诈风险的评估
您想了解金融企业是怎样利用大数据和人工智能技术来画像个人行为并检测欺诈用户的吗?互联网金融幕后的量化分析流程是怎么杨的?个人信用是怎样通过大数据被量化的?在实践过程中,机器学习算法的应用存在着哪些需要关注的方面?怎样通过图谱分析来融合多维数据,为我们区分正常用户和欺诈用户? 这套辅导课基于清华大学交叉信息研究院2017年春天新开设的一门"量化金融信用与风控分析”研究生课。其中会用LendingClub的真实借贷数据做为案例,解说一些具体模型的实现。
教学辅导课,

411日,周三

 
Kristian Hammond (Narrative Science)
Secondary topics:  传媒、广告、娱乐 (Media, Advertising, Entertainment), 制造业与工业自动化 (Manufacturing and Industrial Automation), 设计AI平台(Designing AI platforms), 金融服务 (Financial Services)
Bringing AI into the enterprise
 
Even as AI technologies move into common use, many enterprise decision makers remain baffled about what the different technologies actually do and how they can be integrated into their businesses. Rather than focusing on the technologies alone, Kristian Hammond provides a practical framework for understanding your role in problem solving and decision making. 
 
 
 
Zhichao Li (Intel)
基于Apache Spark及BigDL运行分布式Keras
Secondary topics:  深度学习(Deep Learning)
从这个教学课程里,学员将会学到如何应用深度学习(最先进的机器学习技术)到他们的Apache Spark驱动的大数据工作任务里 
 
 
Yufeng Guo (Google)
Getting up and running with TensorFlow
Secondary topics:  深度学习(Deep Learning)
Yufeng Guo walks you through training a machine learning system using popular open source library TensorFlow, starting from conceptual overviews and building all the way up to complex classifiers. Along the way, you'll gain insight into deep learning and how it can apply to complex problems in science and industry. 
 
 
Erran Li (Uber ATG)
用于自动驾驶的机器学习
Secondary topics:  运输与物流 (Transportation and Logistics)
尽管最近人工智能等领域取得了很多的进展,但自动驾驶里的主要问题(不管是基础研究还是工程应用上的挑战)离完全被解决还有很大的距离。Erran Li将会探索自动驾驶所用的机器学习的基础,并讨论目前相关工作的进展。 
 
 
Arthur Juliani (Unity Technologies)
Deep reinforcement learning tutorial
Secondary topics:  增强学习(Reinforcement Learning)
Recently, computers have been able to learn to play Atari games, Go, and first-person shooters at a superhuman level. Underlying all these accomplishments is deep reinforcement learning. Arthur Juliani offers a deep dive into reinforcement learning, from the basics using lookup tables and GridWorld all the way to solving complex 3D tasks with deep neural networks.
 
 
 
 
Artificial Intelligence Conference 2018 Keynote Speakers
 
Arjun Bansal
Vice President, AI Lab and Software Frameworks, Intel 
08:50 Thursday, 2018-04-12 
 
Modernizing the Healthcare Industry with AI
Artificial intelligence is transforming every industry, but the role it will play in healthcare is profound. AI can give physicians new insights and speed time to diagnosis by leveraging vast amounts of healthcare data. AI can also reduce the time and money spent to develop new medicines. 
 
 
Roger Chen
CEO, Computable Labs
08:45 Thursday & Friday, 2018-04-12&13
 
周四欢迎致辞(Thursday opening welcome) 
大会日程主席 Ben Lorica、Roger Chen 与 Jason Dai致辞开始第一天主题演讲。
 
ason (Jinquan) Dai
CTO, Big Data Technologies, Intel 
8:45 Thursday & Friday, 2018-04-12&13
 
 
周四欢迎致辞(Thursday opening welcome) 
大会日程主席 Ben Lorica、Roger Chen 与 Jason Dai致辞开始第一天主题演讲。
 
Danny Lange
Vice President, AI and Machine Learning , Unity Technologies
10:20 Thursday, 2018-04-12 
 
Democratizing deep reinforcement learning 
Danny Lange offers an overview of deep reinforcement learning, an exciting new chapter in AI’s history that is changing the way we develop and test learning algorithms that can later be used in real life. https://ai.oreilly.com.cn/ai-cn/public/schedule/detail/65565
 
 
Mark Hammond
Founder and CEO, Bonsai 
09:05 Friday, 2018-04-13 
Get your hard hat: Intelligent industrial systems with deep reinforcement learning
 
Mark Hammond explores a wide breadth of real-world applications of deep reinforcement learning, including robotics, manufacturing, energy, and supply chain. Mark also shares best practices and tips for building and deploying these systems, highlighting the unique requirements and challenges of industrial AI applications.
 
 
 
 Hsiao-Wuen Hon
Managing Director, 微软亚洲研究院 (Microsoft Research Asia)
Friday, 2018-04-13
智能简史
人工智能已经引发了众多关注和讨论,而关于人类智能和人工智能孰优孰劣的辩论也不断升温。在这个主题演讲中,洪小文博士将介绍人工智能(AI)以及人类智能(HI)的历史。从历史的维度,以深刻的洞察,阐述AI和HI是如何彼此交织并共同进化的,并预示AI和HI可能的未来。 
 
 
 
Yinyin Liu
Data Scientist, Intel Nervana
08:50 Friday, 2018-04-13
 
Deep Learning-powered NLP
Deep learning provides new opportunities and promises for natural language processing. It enables data scientists to solve text, language, and conversation-based use cases with new deep learning approaches, and inspires new ways of building foundations that are applicable to a range of NLP applications. 
 
 
 
Ben Lorica
Chief Data Scientist, O'Reilly Media
08:45 Friday, 2018-04-13
 
周五欢迎致辞 (Friday opening welcome)
Program chairs Ben Lorica, Jason Dai, and Roger Chen open the second day of keynotes. Full Details
08:45 Thursday, 2018-04-12
周四欢迎致辞(Thursday opening welcome)
大会日程主席 Ben Lorica、Roger Chen 与 Jason Dai致辞开始第一天主题演讲。 
 
 
 
Sherry Moore
Software Engineer, Google
09:25 Friday, 2018-04-13
 
TensorFlow对科学的影响
人工智能已经不是未来的科技,它正快速地成为我们日常生活的一部分。在本演讲中,谷歌TensorFlow的领导者Sherry Moore将会介绍机器学习是如何造福世界的,特别是对于科学的发展。她将会讨论她自己的关于学习如何学习(AutoML)的工作以及几个在中国和全世界使用TensorFlow和机器学习的迷人案例。
 
 
Alan Qi
Vice President and Chief Data Scientist, Ant Financial
 
09:45 Thursday, 2018-04-12
主题演讲, Dr. Alan Qi
敬请期待更多细节。 
 
 
Reza Zadeh
CEO | Adjunct Professor, Matroid | Stanford
09:25 Thursday, 2018-04-12
 
Turning machine learning research into products for industry
Reza Zadeh details three challenges on the way to building cutting-edge ML products, with a focus on computer vision, offering examples, recommendations, and lessons learned. 
 
 
Bowen Zhou
Vice President of AI Platform & Research, JD.com
 
09:45 Friday, 2018-04-13
主题演讲, Dr. Bowen Zhou
敬请期待更多细节。
 
议题 (Session)
412日,周四
 11:15–11:55 Thursday, April 12, 2018
用于自动驾驶的机器学习:近期的进步和未来的挑战
Secondary topics:  增强学习(Reinforcement Learning), 运输与物流 (Transportation and Logistics)
Erran Li (Uber ATG)
深度增强学习已经让人工智能体在很多挑战性的领域可以取得超越人类的表现,例如玩Atari的游戏以及下围棋。这一方法还具有能显著地推进自动驾驶的潜力。Erran Li将会讨论近期在模仿学习方面(例如infoGAIL)、策略梯度法和层次增强学习(例如option-critic架构)等方面的进步,以及它们在自动驾驶方面的应用。Erran接着还会介绍在这个领域需要关注的剩余的挑战。 
 
11:15–11:55 Thursday, April 12, 2018
Crossing the enterprise AI chasm
Secondary topics:  设计AI平台(Designing AI platforms)
Simon Chan (Salesforce)
Building an end-to-end AI application in production is tremendously more complicated than simply doing algorithm modeling in a lab. Simon Chan explains how to cross the gap between AI research fantasy into real-world applications. 
 
11:15–11:55 Thursday, April 12, 2018
Xiaoice: Lessons learned from conversations between humans and AI
Secondary topics:  传媒、广告、娱乐 (Media, Advertising, Entertainment), 自然语言与语音技术(Natural Language and Speech Technologies)
力周 (Microsoft China)
Since its first release in May of 2014, more than 100 million users in China, Japan, and the US have interacted with renowned AI product Xiaoice (小冰), which builds human-like conversation. Li Zhou shares key lessons learned from the past four years and explains how to use them to build a better chatbot experience. 
 
11:15–11:55 Thursday, April 12, 2018
Scaling convolutional neural networks with Kubernetes and TensorFlow
Secondary topics:  AI应用的硬件、软件栈(Hardware and Software stack for AI applications), 计算机视觉(Computer Vision)
Reza Zadeh (Matroid | Stanford)
Reza Zadeh offers an overview of Matroid’s Kubernetes deployment, which provides customized computer vision and stream monitoring to a large number of users, and demonstrates how to customize computer vision neural network models in the browser. Along the way, Reza explains how Matroid builds, trains, and visualizes TensorFlow models, which are provided at scale to monitor video streams. 
 
11:15–11:55 Thursday, April 12, 2018
端到端深度学习优化在互联网业务场景下的应用实践
Secondary topics:  深度学习(Deep Learning), 设计AI平台(Designing AI platforms)
杨军 (阿里巴巴)
本议题会分享我们在典型互联网业务场景(图像、文本处理等)下的深度学习优化实践经验,包括离线训练和在线Inference,并会从系统与算法相结合的角度进行相关经验的阐述和介绍。 
 
11:15–11:55 Thursday, April 12, 2018
深度学习时代的数据科学和自然语言处理
Secondary topics:  自然语言与语音技术(Natural Language and Speech Technologies)
Yinyin Liu (Intel Nervana)
自然语言处理(NLP)带给计算机理解人类语言的能力。NLP利用深度学习最新算法发展例如文档理解之类的应用,使公司能够筛查海量文本,分类并找到相关信息。本议题我们将讨论深度学习最新发展如何影响处理文本、语言及基于对话应用,并启发了利用数据的新方向。我们还将讨论几个使用Intel® AI技术的NLP企业案例。 
 
13:10–13:50 Thursday, April 12, 2018
AI技术在eBay搜索平台的应用
Secondary topics:  设计AI平台(Designing AI platforms), 零售业与电子商务 (Retail and e-commerce)
HUA YANG (eBay)
搜索引擎是大量利用机器学习技术的平台。 AI推动了搜索技术的进一步发展,搜索引擎正在变成强大的AI平台。本次演讲将介绍深度学习和自然语言理解技术在eBay产品搜索平台的应用。 
 
13:10–13:50 Thursday, April 12, 2018
Using AI to analyze the impact of financial news
Secondary topics:  传媒、广告、娱乐 (Media, Advertising, Entertainment), 自然语言与语音技术(Natural Language and Speech Technologies), 金融服务 (Financial Services)
Zhefu Shi (University of Missouri)
It is critical to analyze the business impact on finance market from worldwide events. Zhefu Shi explains how to use AI to analyze the impact of financial news, using a financial data pipeline. Zhefu outlines how to extract financial entity information and use it to analyze business impact. All of the components use AI to enhance functionality. 
 
13:10–13:50 Thursday, April 12, 2018
Representing knowledge through graphical models
Secondary topics:  AI应用的硬件、软件栈(Hardware and Software stack for AI applications)
Tags: wl
Ruiwen Zhang (SAS Institute)
Drawing on several real-world cases, Ruiwen Zhang demonstrates how to visualize the structure of a probabilistic model and provide better insights into the model properties, which can be further used to design and motivate new models, and how to reduce the computational complexity required to perform inference and learning in sophisticated models using graphical models. 
 
13:10–13:50 Thursday, April 12, 2018
Practical considerations when shifting to using deep learning for your text data
Secondary topics:  自然语言与语音技术(Natural Language and Speech Technologies)
Emmanuel Ameisen (Insight Data Science), Jeremy Karnowski (Insight Data Science)
Emmanuel Ameisen and Jeremy Karnowski share a guide for moving your company toward deep learning using a collection of NLP best practices gathered from conversations with 75+ teams from Google, Facebook, Amazon, Twitter, Salesforce, Airbnb, Capital One, Bloomberg, and others. 
 
13:10–13:50 Thursday, April 12, 2018
对偶学习:探秘人工智能的对称之美
Secondary topics:  自然语言与语音技术(Natural Language and Speech Technologies)
Tie-Yan Liu (微软亚洲研究院微软亚洲研究院 (Microsoft Research Asia))
以深度学习为代表的人工智能技术通常需要大量的有标签训练数据,这对于很多应用领域而言并非易事。为了解决这个挑战,我们利用人工智能的对称之美——很多人工智能任务天然就是双向的,比如中到英翻译 vs.英到中翻译,图像分类 vs. 图像生成,语音识别 vs. 语音合成——来为机器学习建立闭环、生成有效的反馈信号,从而在缺乏有标签数据的情况下也能实现高效学习。我们将这种新型的学习方法称之为“对偶学习”。对偶学习已经被成功应用到诸多领域,取得了非同凡响的效果。本报告中,我们将针对对偶学习的数学模型、优化算法、概率解释、实验结果,收敛性分析等进行详细讨论,展示对偶学习的魅力,并对它在人工智能领域的更广泛应用进行展望。对偶学习有关的研究成果已发表在NIPS、ICML、IJCAI、AAAI等人工智能领域最顶尖的国际会议之上。 
 
13:10–13:50 Thursday, April 12, 2018
为什么图模型对人工智能应用至关重要?
Secondary topics:  AI应用的硬件、软件栈(Hardware and Software stack for AI applications)
Mingxi Wu (TigerGraph), Yu Xu (TigerGraph)
为了让机器像人一样思考,一个成功的人工智能应用程序的关键部分必须由强大的数据管理软件支持。在这次演讲中,我们将讨论人工智能数据管理的需求,并指出图模型的独特优势。我们将深入讨论几个现实生活中部署的,且将它们的成功归因于图模型的人工智能应用程序。 
 
14:00–14:40 Thursday, April 12, 2018
用于无人驾驶的深度学习技术
Secondary topics:  深度学习(Deep Learning), 运输与物流 (Transportation and Logistics)
Bichen Wu (UC Berkeley)
深度学习近年来的成功极大地促进了自动驾驶技术的快速发展。但不少问题依然存在:1)深度学习模型需要大量的训练数据 2)即便是深度学习模型也很难达到100%准确率 3) 深度学习模型的计算复杂度太高,超出了车载计算机的处理能力。这个讲座将会关注以上几个问题。 
 
14:00–14:40 Thursday, April 12, 2018
Introducing Spark NLP: State-of-the-art natural language processing at scale
Secondary topics:  自然语言与语音技术(Natural Language and Speech Technologies)
David Talby (Pacific AI)
Natural language processing is a key component in many data science systems that must understand or reason about text. David Talby offers an overview of the NLP library for Apache Spark, which natively extends Spark ML to provide open source, fully distributed, and optimized versions of state-of-the-art NLP algorithms, covering the library's design and sharing working code samples in PySpark. 
 
14:00–14:40 Thursday, April 12, 2018
小米语音交互的最新进展、面临的难题以及展望
王刚 (小米公司)
本次讲演将分享小米语音交互在产品和技术方面的最新进展和面临的一些难题,以及对未来语音技术发展的展望。 
 
14:00–14:40 Thursday, April 12, 2018
Conducting machine learning research within custom-made 3D game environments
Secondary topics:  传媒、广告、娱乐 (Media, Advertising, Entertainment), 增强学习(Reinforcement Learning)
Danny Lange (Unity Technologies)
Danny Lange demonstrates the role games can play in driving the development of reinforcement learning algorithms. Danny uses the Unity Engine with the ML-Agents toolkit as an example of how dynamic 3D game environments can be utilized for machine learning research. 
 
14:00–14:40 Thursday, April 12, 2018
智能对话机器人: 企业商务管理人员如何避免踩坑并且完全掌控人工智能
Secondary topics:  自然语言与语音技术(Natural Language and Speech Technologies)
Yi Zhang (University of California, Santa Cruz | Rulai)
美国加州大学圣克鲁斯分校终身教授,Rul.ai公司的创始人张奕博士将向您全面剖析智能对话机器人。在这里您可以了解到在建设智能对话机器人中,如何评估各种技术方案,如何建设合适的团队,并且设计出以用户为中心的机器人。 她也会分享智能对话机器人在不同行业的使用案例。 
 
14:00–14:40 Thursday, April 12, 2018
Spark+BigDL 基于Hadoop的推荐系统的深度学习实践
Secondary topics:  深度学习(Deep Learning), 零售业与电子商务 (Retail and e-commerce)
徐晓 (阿里巴巴)
随着深度学习的发展,其在推荐领域的可能性也被不断拓展,越来越多的基于深度学习的推荐算法在学术论文中被提出,比如:Google提出的Wide&Deep网络结构。 目前,很多大型推荐系统均构建在Hadoop生态上,而主流的深度学习工具(如:TensorFlow/Caffe/Torch)则更适合于gpu集群。因此,运行在Spark环境上的BigDL是非常合适于推荐系统的深度学习解决方案。 本议题将通过案例的形式,分享使用Spark与BigDL构建深度神经网络来优化现有推荐系统的经验。本议题的主要关注点是:如何在推荐工程中高效而健壮的实施深度学习,包括:技术选型的思考,实验场景的搭建,神经网络配置脚本的定制,模型数据的IO,自定义神经网络组件的开发等。 
 
14:50–15:30 Thursday, April 12, 2018
PerceptIn低成本无人驾驶解决方案
Secondary topics:  AI应用的硬件、软件栈(Hardware and Software stack for AI applications), 运输与物流 (Transportation and Logistics)
Bo Yu (PerceptIn)
得益于人工智能和机器人技术的快速发展,无人驾驶技术逐渐成熟,预计将会孕育出一个万亿规模的市场,并深刻地改变人们的交通出行方式。我们认为低速限制性的园区将会首先大规模部署无人驾驶技术,首先因为限制性园区对无人驾驶应用的需求巨大,其次由于驾驶环境简单限制性园区容易实现无人驾驶,第三从成本角度考虑,大规模部署无人驾驶方案成本需要在万元美金以内。所以,这里我们将主要探讨适用于限制性园区的低成本无人驾驶解决方案。 
 
14:50–15:30 Thursday, April 12, 2018
Extending Spark NLP: Training your own deep-learned natural language understanding models
Secondary topics:  自然语言与语音技术(Natural Language and Speech Technologies)
David Talby (Pacific AI)
To achieve high accuracy when reasoning about text, you generally need to understand specific languages, jargons, domain-specific documents, and writing styles. David Talby explains how to train custom word embeddings, named entity recognition, and question-answering models on the NLP library for Apache Spark. 
 
14:50–15:30 Thursday, April 12, 2018
即时配送调度中的人工智能
Secondary topics:  运输与物流 (Transportation and Logistics)
jinghua hao (美团点评)
近两年外卖行业发展迅速,美团外卖每日超过1600万订单,线下有50万名骑手每天奔波在大街小巷进行配送,是全球最大的外卖平台。如何使数据巨大的骑手配送得更有效率,减少空驶?如何让用户更早地享受到美食,减少超时率?这是一个强随机环境下的大规模复杂优化问题。本次分享将介绍美团配送在运用大数据、机器学习和运筹优化技术解决即时配送业务难题、利用 AI 技术来取代人工上的若干进展和探索,帮助大家了解这一技术领域的进展和挑战。 
 
14:50–15:30 Thursday, April 12, 2018
Deep learning for speech recognition and profiling
Secondary topics:  自然语言与语音技术(Natural Language and Speech Technologies)
Yishay Carmiel (IntelligentWire | Spoken Labs)
Yishay Carmiel offers an overview of neural models in speech applications, covering the dominant techniques and the elements that have contributed to the rapid progress. Yishay also looks to the future, examining which problems still remain and how far we are from solving them. 
 
14:50–15:30 Thursday, April 12, 2018
深度学习与人工智能在神经影像中的前沿应用
Secondary topics:  保健与医疗 (Health and Medicine), 计算机视觉(Computer Vision)
Enhao Gong (Stanford University | Subtle Medical), Greg Zaharchuk (Stanford University)
人工智能与深度学习正在快速改变医疗产业发展。本讲座将介绍斯坦福的深度学习领域学者与斯坦福医院医生、教授合作研发的技术,以及如何快速地优化临床医学影像的使用。人工智能技术让医学影像的采集与处理更加快速、高效、便捷与智能。 具体技术应用包括: 1. 如何通过人工智能优化临床影像流程,优化诊断治疗规划 2. 如何通过人工智能与深度学习预测神经疾病病人的预后和疾病发展 3. 如何通过人工智能与深度学习技术加速神经影像流程 4. 如何通过人工智能与深度学习技术显著减少放射性与显影剂使用 
 
14:50–15:30 Thursday, April 12, 2018
基于TensorFlow的高效交互式深度学习平台及应用(An efficient and interactive deep learning platform with TensorFlow)
Secondary topics:  AI应用的硬件、软件栈(Hardware and Software stack for AI applications), 设计AI平台(Designing AI platforms)
Xiaolei Xu (上海新智新氦数据科技有限公司)
目前单机多卡训练是深度学习的标配,但是单机的GPU数目总有上限,因此如何通过多机多卡进行高效的分布式训练就尤其重要。比如,如何将简单的单机程序快速部署到多机并得到相应的加速比,如何使得对GPU的调度与大数据处理平台无缝对接,并使GPU成为平台上按需调度、动态扩容的资源,这些问题的解决对算法迭代优化起到关键作用。 本次talk会详细介绍如何基于Kubernetes和Docker构建TensorFlow的微服务化应用,具体从以下几个方面展开:从少量样本数据的单机快速原型设计验证,无缝切换到大量全数据的多机多卡分布式训练过程;一键启动分布式训练,即基于新氦定制的深度学习云平台,用户无需关注分布式细节,可直接通过可视化web界面进行分布式参数配置和训练代码提交,并可实时可视化监控模型训练收敛性、系统资源消耗和模型输出日志等;模型训练结束后可实时serving将模型快速部署到生产环境。 
 
16:20–17:00 Thursday, April 12, 2018
TensorFlow下的构建高性能神经网络模型的最佳实践
Secondary topics:  深度学习(Deep Learning)
李嘉璇 (梅卡曼德)
随着神经网络算法在图像、语音等领域都大幅度超越传统算法,但在应用到实际项目中却面临两个问题:计算量巨大及模型体积过大,不利于移动端和嵌入式的场景;模型内存占用过大,导致功耗和电量消耗过高。因此,如何对神经网络模型进行优化,使尽可能不损失精度的情况下,能减少模型的体积,并且计算量也降低,就是我们将深度学习在更广泛地场景下应用时要解决的问题。本次讲解主要着眼于在安防、工业物联网、智能机器人等设备,需要解决图像、语音场景下深度学习的加速问题,减小模型大小及计算量,构建高性能神经网络模型。 
 
16:20–17:00 Thursday, April 12, 2018
Building a commercial natural language understanding system
Secondary topics:  电信 (Telecom), 自然语言与语音技术(Natural Language and Speech Technologies)
Sangkeun Jung (SK Telecom)
Natural language understanding is a core technology for building natural interfaces such as AI speakers, chatbots, and smartphones. Sangkeun Jung offers an overview of a spoken dialog system and recently launched AI speaker, NUGU, and shares lessons learned building a commercially efficient and sustainable natural language understanding system. 
 
16:20–17:00 Thursday, April 12, 2018
人工智能在欺诈检测中的应用
Secondary topics:  金融服务 (Financial Services), 零售业与电子商务 (Retail and e-commerce)
Zhong Wu (DataVisor)
随着互联网不断发展,面向用户的线上网站服务也进入极速发展期,吸引了大量的用户,整个互联网进入“十亿用户时代”。一些有组织的欺诈团伙利用这个特点,大量创建虚假账户或盗取正常用户账户,以此潜伏在大量正常用户中,在银行、网站和手机应用软件上实施欺诈。由于规则引擎和传统机器学习模型需要经常更新、维护,而且只有在损失发生后才会生成相应反应机制,因此反欺诈团队很难领先一步走在欺诈者前面。人工智能的发展,给整个反欺诈领域带来新的机会。 
 
16:20–17:00 Thursday, April 12, 2018
Modernizing the healthcare industry through AI
Secondary topics:  保健与医疗 (Health and Medicine)
Arjun Bansal (Intel)
Precision medicine promises to revolutionize healthcare by delivering better health outcomes at lower cost by eliminating trial-and-error medicine, and Intel is working to make this a reality. Arjun Bansal shares emerging algorithms and models used to analyze healthcare data, including electronic health records, medical images, and pharmaceutical and genomics datasets. 
 
16:20–17:00 Thursday, April 12, 2018
高性价比AI产品在IoT设备上的实现
Secondary topics:  AI应用的硬件、软件栈(Hardware and Software stack for AI applications), 制造业与工业自动化 (Manufacturing and Industrial Automation)
Shaoshan Liu (PerceptIn)
通过深度学习技术,物联网(IoT)设备能够得以解析非结构化的多媒体数据,智能地响应用户和环境事件,但是却伴随着苛刻的性能和功耗要求。我们探讨了两种方式以便将深度学习和低功耗的物联网设备成功整合。 
 
16:20–17:00 Thursday, April 12, 2018
深度学习在 Android 平台的应用
Secondary topics:  AI应用的硬件、软件栈(Hardware and Software stack for AI applications), 深度学习(Deep Learning)
xiahoao wang (TalkingData)
目前,深度学习在移动端的应用越来越受到重视,从芯片制造商到手机厂商,一直到应用开发者,都在为在智能手机上运行深度学习模型做出了很多努,开发者一方面很难找到针对移动端优化过的解决特定应用场景的模型,一方面不知道应该如何选择这些框架,TalkingData 推出的 Android Deep Learning Framework 就为了解决这些问题。我们提供了针对移动平台的各种类型的模型,以及它们在主流机型行的实测 Benchmark,另外也提供了利用这些预训练模型和自己的数据集进行再训练的服务器端脚本和自动化工具,最后就是封装了一个上层 DL API,让开发者可以支持各种移动端深度学习框架,并为这些模型的使用提供统计分析服务。
 
 

413日,周五

 11:15–11:55 Friday, April 13, 2018
微软亚洲研究院的深度图像合成技术
Secondary topics:  计算机视觉(Computer Vision)
Baining Guo (微软亚洲研究院 (Microsoft Research Asia))
关于微软亚洲研究院通过人工智能技术进行图像合成的最新研究概述。从把普通照片变成毕加索风格的绘画,到生成莱昂纳多·迪卡普里奥(Leonardo DiCaprio)的新图像,我们展示了深度学习所带来的新的可能性。 
 
11:15–11:55 Friday, April 13, 2018
Transfer learning and the future of AI
Secondary topics:  深度学习(Deep Learning), 自然语言与语音技术(Natural Language and Speech Technologies)
Dr. Catherine Havasi (Luminoso)
The next frontier in AI is transfer learning, which enables computers to apply what they’ve learned in one scenario to new situations, making AI-based systems far more powerful, reusable, and flexible. But is it ready for enterprise deployment, and if so, how can it be applied to solve business problems? Join Catherine Havasi to find out. 
 
11:15–11:55 Friday, April 13, 2018
低精度计算用于深度学习推断和训练
Brian Liu (Intel)
目前,商用的深度学习应用大多使用32位单精度浮点数(fp32)进行训练和推断。已有不同的研究显示在训练或推断中使用更低精度表示(训练16位,推断8位或更低;由于反向传播中的梯度表示,训练需要相对较高精度)仍能保持基本相同的准确度。低精度表示在未来数年内很可能成为业界标准做法,尤其是针对卷积网络应用。低精度表示至少带来了两个好处。一是极大减少了模型的存储量,提高了缓存效率,数据可以更快地在内存、缓存、寄存器间搬移从而避免内存访问成为瓶颈;二是硬件可能提供更高的计算能力(每秒运算次数)。这里我们将回顾低精度表示用于深度学习训练或推断的历史,并展示英特尔是如何在志强可扩展处理器上利用低精度表示进行深度学习计算的(例如如何进行数值量化)。 
 
11:15–11:55 Friday, April 13, 2018
基于Apache Spark的弹性调度在GPU/CPU异构环境中的深度学习应用
Secondary topics:  深度学习(Deep Learning)
Yonggang Hu (IBM), Junfeng Liu (IBM), Feng Kuan (IBM Canada)
深度学习技术是从海量数据集中构建人工智能的关键技术。将Apache Spark与诸如Caffe, MxNet等深度学习框架的集成之后,可以使得后者的学习阶段能够大规模并行化,但在企业部署中会面临很多问题。我们将会分享我们在使用Apache Spark进行深度学习,特别是使用GPU的深度学习的方法以及相应的认知计算实际案例。 
 
11:15–11:55 Friday, April 13, 2018
无人驾驶技术产业链条
Secondary topics:  AI应用的硬件、软件栈(Hardware and Software stack for AI applications), 制造业与工业自动化 (Manufacturing and Industrial Automation), 运输与物流 (Transportation and Logistics)
Weiyue Wu (University of Oxford)
无人驾驶技术是多个技术的集成, 一个无人驾驶系统包含了多个传感器,包括长距雷达、激光雷达、短距雷达、车载摄像头、超声波、 GPS、 陀螺仪等。每个传感器在运行时都不断产生数据,而且系统对每个传感器产生的数据都有很强的实时处理要求。 无人驾驶序幕刚启,其中有着千千万万的机会亟待发掘。在此背景之下,过去的几年中,自动驾驶产业化在多个方面取得了很大进步,其中合作共享已成为共识,产业链不断整合,业界企业相继开展合作,传感器价格将不断下降,预计在2020年,将有真正意义上的无人车面世。 我们可以预测一个不远的未来,届时所有行驶的车辆都是无人驾驶车,我们将迎来一个更加安全、更加清洁环保的世界。 本次演讲,我们将解析无人驾驶技术产业链条,分析无人驾驶发展和即将面临的问题。最后,将给出无人驾驶发展的路线图,揭示在 未来二十年内无人驾驶的走势。 
 
13:10–13:50 Friday, April 13, 2018
人工智能在高精地图制作中的应用
焦加麟 (Uber Technologies Inc)
在无人车科学家和工程师们孜孜不倦的实践和思辨中,高精地图(High Definition Map)事实上已经成为现今无人车技术生态系统中的不可缺少的基础设施之一。同样是对现实世界道路网络以及周边环境的建模,比起一般的电子地图,高精地图必须精确到厘米级,同时需要更频繁的更新以保证其正确性。如此高度的精确性和频繁更新的要求,给高精地图的制作带来来巨大的挑战,其中包括专用软硬件的设计和研发、成千上万的城市的天文数字级别的数据的收集、处理、存储和信息化、语义化等等。这一切,使得高精地图的制作成本非常昂贵,需要耗费大量的时间和人力。利用人工智能提高自动化的程度,是降低成本、加快其制作过程的必须的手段。本议题将会深入浅出的介绍各种人工智能技术在高精地图的制作中的各个环节中的应用,以科普大众并唤起专业人士对人工智能在无人车高精地图制作中的应用的兴趣和重视。 
 
13:10–13:50 Friday, April 13, 2018
The tensor processing unit: A processor for neural network designed by Google
Secondary topics:  AI应用的硬件、软件栈(Hardware and Software stack for AI applications)
Kaz Sato (Google)
The tensor processing unit (TPU) is a LSI designed by Google for neural network processing. The TPU features a large-scale systolic array matrix unit that achieves outstanding performance-per-watt ratio. Kazunori Sato explains how a minimalistic design philosophy and a tight focus on neural network inference use cases enables the high-performance neural network accelerator chip. 
 
13:10–13:50 Friday, April 13, 2018
深度学习在智能教育中的应用
Secondary topics:  深度学习(Deep Learning), 自然语言与语音技术(Natural Language and Speech Technologies)
Hui Lin (Liulishuo)
教育的个性化和高效率离不开智能化。本次演讲将结合“流利说”在过去5年的实践,从问题定义、数据获取、算法设计、模型优化等方面介绍如何将深度学习运用于语音识别、知识跟踪、以及自然语言处理等领域。实验结果显示,搭载这些智能技术的学习产品能将学习效率提升三倍。 
 
13:10–13:50 Friday, April 13, 2018
Deep reinforcement learning’s killer app: Intelligent control in real-world systems
Secondary topics:  制造业与工业自动化 (Manufacturing and Industrial Automation), 增强学习(Reinforcement Learning)
Mark Hammond (Bonsai)
Mark Hammond dives into two case studies highlighting how deep reinforcement learning can be applied to real-world industrial applications. 
 
13:10–13:50 Friday, April 13, 2018
基于BigDL的超大规模图像处理在京东的实践
Secondary topics:  计算机视觉(Computer Vision), 零售业与电子商务 (Retail and e-commerce)
邱鑫 (Intel)
BigDL(基于Apache Spark的大数据分布式的深度学习框架)为大规模图像处理提供了丰富的端到端支持。我们将介绍如何使用BigDL搭建灵活性和高可扩展性的端到端深度学习应用程序。我们还将分享我们在京东构建大规模图像特征提取流水线的经验。 
 
13:10–13:50 Friday, April 13, 2018
Smart Data – 从数据驱动智能到智能驾驭数据
Secondary topics:  设计AI平台(Designing AI platforms)
Xiatian Zhang (TalkingData)
大数据直接推动了人工智能的发展,但如何有效管理和利用大数据也一直是非常有挑战的问题。梳理数据,整理数据,利用数据都非常依赖于数据工程师,数据分析师和数据科学家的个人能力,经验,以及责任心。基于数据创造和发展智能的一大瓶颈就在于这个过程非常的依赖于人。为了提高效率,降低基于数据的智能的成本,扩大其应用范围,我们必须利用智能技术来处理和利用大数据,尽量减少对人的依赖。 
 
14:00–14:40 Friday, April 13, 2018
在TensorFlow中构建和部署模型
Secondary topics:  深度学习(Deep Learning)
Sherry Moore (Google)
TensorFlow可以让你进行高速运算,很多时候是在机器学习的情景下。 Sherry Moore将会介绍TensorFlow的最新进展,包括TensorFlow立刻执行机制和TensorFlow Lite。她还会分享一些最佳实践,并将演示机器学习的一些有用的应用。 
 
14:00–14:40 Friday, April 13, 2018
Lessons learned from Singles Day: Using AI to keep ecommerce and internet business glitch free
Shyam Sundar (Anodot)
Shyam Sundar explains how to use unsupervised machine learning to keep websites and mobile apps running smoothly under the stress of massive numbers such as those seen on Singles Day. With this method, pricing errors, conversion problems, and business opportunities can be caught early and resolved, protecting companies against revenue loss and brand damage. 
 
14:00–14:40 Friday, April 13, 2018
计算机创作对联、诗歌和音乐
周明 (微软亚洲研究院 (Microsoft Research Asia))
创作诗歌、音乐是人类独具的能力。然而,随着深度神经网络和大数据的发展,计算机已经逐步具备了创作诗歌和音乐的能力。我们致力于把AI融入到创作过程中,并且帮助普通实现创作梦想。为此,我们长期以来进行了对联、诗词的研究。2005年就开发了中文对联系统(http://duilian.msra.cn).。以后又陆续开发了格律诗写作,猜字谜和出字谜。2016年开发了小冰写诗。目前我们正在探索先进的神经网络和大数据来模仿人类的音乐创作过程。我们采用了融入上下文的编码-解码方法来产生诗歌、歌词和谱曲。取得了富有希望的成果。我们的电脑音乐创作已经在CCTV的机智过人节目播出。获得好评,由电脑写出歌词,然后配上曲谱,然后通过声音合成,唱出歌曲。 
 
14:00–14:40 Friday, April 13, 2018
Building deep reinforcement learning applications on BigDL and Spark
Secondary topics:  增强学习(Reinforcement Learning), 深度学习(Deep Learning)
Arsenii Mustafin (Fudan University)
Deep reinforcement learning is a thriving area and has wide applications in industry. Arsenii Mustafin shares his experience developing deep reinforcement learning applications on BigDL and Spark. 
 
14:00–14:40 Friday, April 13, 2018
自动驾驶系统中的人工智能: Artificial intelligence in autonomous vehicle systems
Secondary topics:  运输与物流 (Transportation and Logistics)
Liyun Li (百度美国硅谷研发中心)
尽管人工智能技术已经在诸如计算机视觉和自然语言处理等领域获得了巨大的成功,如何在自动驾驶系统中有效地利用AI的能力仍然是一个很大的挑战。我们将以"Apollo"这一百度的开源无人驾驶平台系统做为基准和样例, 深入讨论并且分享在搭建智能的无人驾驶系统各个方面利用AI技术的实践和经验。通过讲解Apollo无人驾驶系统背后的设计理念以及各个功能模块,我们将分享并展示AI技术在Apollo无人驾驶系统中各方面的应用, 包括环境感知,行为预测,行为决策,以及控制规划等。同时我们将结合Apollo系统中的端到端学习实践,探讨AI技术在未来无人驾驶系统中更好的应用场景。 
 
14:00–14:40 Friday, April 13, 2018
大规模人工智能在优步:大数据和机器学习的双城记
Secondary topics:  设计AI平台(Designing AI platforms)
Zhenxiao Luo (Uber)
优步应用大数据技术和机器学习技术为客户寻找最舒适的出行地点,预测最佳的航行路线,从而更好的服务客户需求。在这个讲座中,我们将讨论优步如何建立起大数据系统,和机器学习系统,并逐渐将两个系统统一起来。我们会重点讨论优步大数据的缓存策略,以及如何有效的应用缓存来支持大规模的机器学习。 
 
14:50–15:30 Friday, April 13, 2018
视觉智能及其在机器人行业中的应用
Secondary topics:  AI应用的硬件、软件栈(Hardware and Software stack for AI applications), 制造业与工业自动化 (Manufacturing and Industrial Automation), 计算机视觉(Computer Vision), 运输与物流 (Transportation and Logistics)
李忠伟 (深圳普思英察科技有限公司(PerceptIn China))
本演讲主要阐述视觉智能(Visual Intelligence)的定义,传感器分类和介绍,流行算法和介绍,应用场景以及创新点。 介绍视觉传感器的发展历史以及分类,包括被动光摄像头和主动光摄像头以及其他衍生传感器 介绍基于视觉的算法:深度学习算法和SLAM算法 介绍视觉智能在机器人行业中的应用,包括家庭机器人,服务类机器人,无人驾驶汽车。 最后介绍多传感器融合的解决方案在机器人行业的应用以及必要性。 
 
14:50–15:30 Friday, April 13, 2018
Optimizing deep learning frameworks for modern Intel CPUs
Huma Abidi (Intel)
Intel has been optimizing deep learning frameworks (in collaboration with framework owners) for Intel Xeon processors based on its Skylake microarchitecture. Huma Abidi details these collaborative optimization efforts, particularly for TensorFlow and MXNet, explains how users can leverage these optimizations, and shares specific tuning tips to get the best performance on Skylake platforms. 
 
14:50–15:30 Friday, April 13, 2018
用深度学习给地图换新颜
Secondary topics:  深度学习(Deep Learning), 运输与物流 (Transportation and Logistics)
Li Li (ESRI)
制图学是一个历史悠久的学科。古希腊地理学家C.托勒密的《地理学指南》就是一部地图制图学著作。托勒密认为地理学就是“以线画形式描绘地球上所有迄今已知的部分及其附属的东西”。几百年以来,地图学领域都没有重大突破。 深度学习作为一个新的技术已经渗透到了各个行业。带来了各种各种的技术革新。本讲座就是探讨如何用深度学习来给地图换装。然后展示一些用深度学习技术给地图换装的结果。并讨论,深度学习在制图领域的应用。 
 
14:50–15:30 Friday, April 13, 2018
Databases: The past, the present, and the future of cognitive computing
Secondary topics:  AI应用的硬件、软件栈(Hardware and Software stack for AI applications)
Haikal Pribadi (GRAKN.AI)
The relational database enabled the rise of BI systems, and NoSQL databases enabled web scale applications. Now, the future is cognitive computing. However, these systems process data that is more complex than before. Haikal Pribadi reviews the evolution of databases and explains where knowledge graphs and bases sit in this evolution. Could they serve as the next generation of databases? 
 
14:50–15:30 Friday, April 13, 2018
把AI注入BI: Kensho – 微软的自动化商业指标监控和诊断工具
Secondary topics:  设计AI平台(Designing AI platforms)
Tony Xing (Microsoft), Bixiong Xu (Microsoft)
在这个议题中,我们会介绍Kensho, 一个基于AI的商业指标监控与诊断工具, 我们通过将AI元素注入这个BI工具,从而构建来服务不同的微软团队的历程。我们的从中学到的经验教训,技术的选择和烟花,架构,算法等等。通过工程+数据科学解决了一个工业界的一个通用需求。 
 
16:20–17:00 Friday, April 13, 2018
华为人工智能平台的探索与实践
Secondary topics:  电信 (Telecom), 自然语言与语音技术(Natural Language and Speech Technologies), 设计AI平台(Designing AI platforms)
张华 (华为技术有限公司)
(1)阐述下华为是怎么定义与认识人工智能这座山峰的 (2)华为的人工智能平台逻辑架构 (3)华为的这座人工智能山峰,在自然语言处理与机器学习中的技术栈 (4)在NLP+ML上的应用探索 (5)构建细而窄领域的知识图谱的探索及应用 
 
16:20–17:00 Friday, April 13, 2018
Feature engineering: The missing link in applying machine learning to deliver business value
Hendra Suryanto (Rich Data Corporation )
Hendra Suryanto shares a case study from a Canadian financial lender that his company helped transition from manual to automated credit decisioning, using gradient boosting machine and deep learning to build the model. In addition to modeling techniques, Hendra highlights the role feature engineering plays in improving model performance. 
 
16:20–17:00 Friday, April 13, 2018
深度学习与地质学能碰撞出什么样的火花?
Secondary topics:  深度学习(Deep Learning)
李苍柏 (中国地质科学院矿产资源研究所)
众所周知,现在的深度学习已经在各个行业开始了应用。但是深度学习如何与地质行业相结合,这还是一个新兴的话题,国外目前,已经开始用深度学习来处理实验室地震数据,用以提高地震预测的时间;国内也已经有很多人用卷积神经网络开始对岩石图像数据进行处理,这次议题我做的报告是,在介绍前人工作的基础上,介绍一下自己在地质上的应用! 
 
16:20–17:00 Friday, April 13, 2018
Smart diagnosis in healthcare with deep learning
Secondary topics:  保健与医疗 (Health and Medicine), 深度学习(Deep Learning)
Nishant Sahay (Wipro Limited)
Deep learning with ConvNet in particular has emerged as a promising tool in medical research labs and diagnostic centers to help analyze images and scans, and systems are now surpassing human capability for manual inspection. Nishant Sahay explains how to apply deep learning to analyze high-end microscope images and X-ray scans to provide accurate diagnosis. 
 
16:20–17:00 Friday, April 13, 2018
人工智能时代,二手交易平台的智能推荐系统如何演进
Secondary topics:  传媒、广告、娱乐 (Media, Advertising, Entertainment), 设计AI平台(Designing AI platforms), 零售业与电子商务 (Retail and e-commerce)
孙玄 (转转公司)
转转的推荐系统从0开始打造,针对业务的不同阶段,一步步发展演进。在发展的过程中经历了全局无个性化推荐阶段、个性化离线推荐阶段、个性化实时推荐阶段、机器学习排序推荐阶段等。 本文会详细讲解不同发展阶段的原因、架构&算法的演进,让同学们对二手交易平台的智能推荐系统能够深刻认识。 
 
16:20–17:00 Friday, April 13, 2018
多核嵌入式智能系统的实时调度策略及实现
Secondary topics:  AI应用的硬件、软件栈(Hardware and Software stack for AI applications)
韩建军 (华中科技大学计算机科学与技术学院)
嵌入式AI与云端AI的协同融合已成为当今人工智能计算系统的主流方式。首先介绍嵌入式AI的应用范围、特点及其发展趋势。面向异构多核+特定加速器的嵌入式计算系统,基于资源共享的多核体系结构,结合无人驾驶、机器人等AI领域的混合关键实时系统,针对制约实时应用效率提升的关键因素,从实时应用的调度算法、调度策略及Linux操作系统实现等方面,汇报当前的研究进展。侧重多核系统中资源竞争限制下的实时可调度理论、划分调度算法、节能调度机制、操纵系统实现等相关内容,介绍目前的高效调度策略及技术实现方案,用以提高嵌入式智能系统的资源利用率、并行效能及能量效率。 面向嵌入式AI系统的发展趋势,从主流的计算平台体系结构的特征分析出发,提出当前实时调度理论及应用实现中尚存的关键问题,共同探讨可行解决方案及技术手段,为奠定嵌入式AI系统中实时应用的理论及实践的基础提供有益思路。 

登陆 | 注册 欢迎登陆本站,认识更多朋友,获得更多精彩内容推荐!

赞助本站

人工智能实验室
网友评论
好车贷
推荐内容
展开