Vea las mejores sesiones virtuales de ODSC Europa 2023 aquí
Vea las mejores sesiones virtuales de ODSC Europa 2023 aquí' -> 'Mejores sesiones virtuales ODSC Europa 2023 aquí
¡Nos lo pasamos genial en ODSC Europa y esperamos que todos los que se unieron a nosotros en persona o virtualmente también lo hayan hecho! Para aquellos de ustedes que no pudieron asistir, queremos compartir algunos aspectos destacados de la conferencia virtual. A continuación, encontrarán solo algunas de las muchas sesiones dirigidas por expertos en ODSC Europa 2023 que a los asistentes les encantaron, ¡y pueden verlas ustedes mismos aquí!
IA y sesgo: cómo detectarlo y cómo prevenirlo
Sandra Wachter, PhD | Profesora, Tecnología y Regulación | Instituto de Internet de Oxford, Universidad de Oxford
En reconocimiento a los extensos sesgos y desigualdades presentes en los datos de entrenamiento, se ha realizado mucho trabajo para probar el sesgo en los sistemas de aprendizaje automático e IA. Esta sesión aborda la compatibilidad de las métricas de equidad técnica y las pruebas utilizadas en el aprendizaje automático en relación con los objetivos y el propósito de la legislación de no discriminación de la UE, y proporciona recomendaciones, incluida una lista de verificación fácil de usar para elegir la métrica de equidad más adecuada para el uso del aprendizaje automático según la legislación de no discriminación de la UE.
- Anunciando el nuevo tutorial de Microsoft Azure sobre Aprendizaje P...
- Matrices dispersas por bloques para modelos de lenguaje más pequeño...
- Búsqueda de hiperparámetros con Transformers y Ray Tune
Aprendizaje automático probabilístico para finanzas e inversiones
Deepak Kanungo | Fundador y CEO, Miembro del Consejo Asesor | Hedged Capital LLC, AIKON
Esta sesión te presentará las razones por las cuales el aprendizaje automático probabilístico es la próxima generación de IA en finanzas e inversiones. Cubrirás
- Por qué los sistemas de aprendizaje automático estándar son inherentemente poco confiables y peligrosos en finanzas e inversiones
- Los tres tipos de errores en todos los modelos financieros y por qué son endémicos
- La importancia primordial de cuantificar la incertidumbre de las entradas y salidas del modelo
- Los tres tipos de incertidumbre y diferentes enfoques para cuantificarlos
- Defectos profundos en las estadísticas convencionales para cuantificar la incertidumbre en los modelos financieros
- El marco de aprendizaje automático probabilístico y sus componentes
¿Por qué los clústeres de GPU no necesitan hacer ruido? Aprovecha la dispersión compuesta para lograr el rendimiento de inferencia más rápido en las CPU
Damian Bogunowicz | Neural Magic y Konstantin Gulin | Ingeniero de Aprendizaje Automático | Neural Magic
Esta charla demostrará el poder de la dispersión compuesta para la compresión de modelos y la aceleración de la inferencia para los dominios de NLP y CV, con un enfoque especial en los Modelos de Lenguaje Grandes recientemente populares. Los participantes de la sesión aprenderán la teoría detrás de la dispersión compuesta, las técnicas de vanguardia y cómo aplicarla en la práctica utilizando la plataforma Neural Magic.
Apache Kafka para aprendizaje automático en tiempo real sin un lago de datos
Kai Waehner | CTO de Campo Global, Autor, Conferencista Internacional
Esta charla compara una arquitectura de transmisión de datos nativa en la nube con alternativas tradicionales de lotes y big data, y explica beneficios como la arquitectura simplificada, la capacidad de reprocesar eventos en el mismo orden para entrenar diferentes modelos y la posibilidad de construir una arquitectura de ML escalable y crítica para la misión para predicciones en tiempo real con menos problemas y dificultades.
Pronóstico de series temporales para gerentes: todos los pronósticos son incorrectos, pero algunos son útiles
Tanvir Ahmed Shaikh | Estratega de Datos (Director) | Genentech, Inc
El pronóstico de series temporales sigue siendo una técnica subestimada en la educación de la ciencia de datos, a menudo eclipsada por métodos de aprendizaje automático más populares. En esta charla, exploraremos una variedad de técnicas de pronóstico de series temporales (ETS, ARIMA, SARIMA, modelos VAR y modelos de aprendizaje automático como XGBoost, Random Forest y SVR) y sus aplicaciones en diversos contextos empresariales.
Poniéndose al día con el aprendizaje automático en tiempo real
Dillon Bostwick | Arquitecto de Soluciones Senior | Databricks y Avinash Sooriyarachchi | Arquitecto Senior de Soluciones Empresariales | Databricks
Con la introducción de plataformas de transmisión modernas, es mucho más fácil para cualquier persona construir canalizaciones de transmisión confiables, independientemente de su experiencia en transmisión. Esta sesión utilizará un escenario de detección de fraudes para enseñar:
- Tres patrones importantes para la inferencia de modelos en tiempo real
- Cómo priorizar los casos de uso de ML en tiempo real más comunes en su negocio
- Cómo evaluar herramientas de transmisión y por qué la transmisión es valiosa en cualquier latencia
- Preocupaciones operativas como el monitoreo, la detección de deriva y los almacenes de características
Aprendizaje profundo y comparaciones entre modelos de lenguaje grandes
Hossam Amer, PhD | Científico Aplicado | Microsoft
Mira esta charla para obtener más información sobre los fundamentos del aprendizaje profundo que fundamentan los modelos de lenguaje grandes. También discutirás diferentes modelos de lenguaje grandes populares y compararás las técnicas y la precisión de los resultados entre diferentes modelos de lenguaje grandes.
¿Qué sigue?
Puedes revisar estas charlas y más aquí. Y no te pierdas la oportunidad de unirte a nosotros para nuestra próxima Cumbre virtual gratuita de IA Generativa el 20 de julio y ODSC West 2023 en San Francisco (del 31 de octubre al 3 de noviembre).
