人工智能工业应用痛点及解决思路 [session]

[b]Strata Data Conference北京站大会还有一个月即将召开，[/b]

有需求的同学还请抓紧时间，
点击二维码即可登录会议官网报名。



人工智能工业应用痛点及解决思路 
讲师：陈雨强 (第四范式)

16:20–17:00 Saturday, 2017-07-15

AI应用 (AI applications)

地点： 报告厅（Auditorium)

观众水平 (Level): Advanced
必要预备知识
1. 有机器学习领域知识储备 

2. 有机器学习工业应用经验
您将学到什么
1. 了解机器学习工业应用从建模到上线的痛点及解决思路； 

2. 从机器学习系统、模型、特征等要素在实战中如何组合如何优化； 

3. VC维理论、机器学习模型宽与深大战、迁移学习、DSN等理论/技术的前沿应用介绍； 

4. 如何推广AI在工业界的应用：模型可解释、可控、可干预、可参与。
描述
实验室中的AI技术一旦应用到实际，难免水土不服。那么，AI工业应用的必要条件是什么？痛点有哪些？如何解决？如何从系统层面、模型及特征层面、模型维度层面、实施上线层面实现突破？针对常见场景中的常见难点，有哪些黑科技正在起作用？

Part1： AI应用成功的五个必要条件

为什么AlphaGo 能在16年打败李世石而不是更早——AI应用成功的五个必要条件：

1）边界清晰

2）外部反馈

3）计算资源

4）顶尖跨界人才

5）大数据

Part2： AI工业应用的痛点及解决思路：

1）系统方面——工业界需要什么样的机器学习系统？如何获得？

2）模型、特征方面——模型和特征在机器学习工业应用中的角色&如何优化？

3）建模维度方面——如何看待机器学习宽与深的大战？如何做到宽与深的结合？（DNN、DSN等前沿技术应用案例及效果）

4）实施上线方面——机器学习系统如何上线？如何运用监督学习、强化学习等技术解决上线问题？如何把复杂目标拆解为单一目标，逐个优化？

Part3： AI工业应用推广

如何推广AI工业应用：

1）模型可解释

2）模型可控制

3）模型可干预

4）模型可参与

演讲内容基于第四范式在金融、电信、互联网等领域实践的百余个成功案例，覆盖精准营销、个性化推荐、风险管理、差异化定价等多个场景。本演讲中谈及都是我们在实践场景中的洞察及自主研发的解决方案，目的是为了让人工智能黑科技在走出实验室后能更好的被应用在各行各业。

讲师介绍：
陈雨强 (第四范式)



陈雨强，第四范式联合创始人、首席研究科学家。

世界级深度学习、迁移学习专家。

在百度主持了世界首个商用深度学习系统、在今日头条主持了全新的信息流推荐与广告系统的设计实现。

学术方面，他曾在 NIPS、AAAI、ACL、SIGKDD 等顶会上发表论文，并获 APWeb2010 Best Paper Award，KDD Cup 2011 名列前三，其学术工作在 2010 年作被全球权威科技杂志 MIT Technology Review 报道。