С одной стороны, тематика довольно узка: когда мы говорим "ИИ", то в 90% случаев подразумеваем глубокие нейронные сети. С другой стороны, докладчики приглашаются из совершенного разных областей, и ввиду разнообразия решаемых ими задач компания спикеров получается довольно разношерстной.
Семь эссе о том, заберут ли роботы нашу планету себе, надо ли их бояться или стоит подчиниться, помогут ли нам машины стать умнее, как они изменят образование и не придется ли в будущем человеку выбирать для своего робота школу и вуз.
Машинное обучение многим представляется чуть ли не магией: придут большие данные и улучшат твой бизнес. Ничего подобного. Без компетентных специалистов, которые глубоко понимают одновременно и бизнес-процессы, и методы анализа данных, ничего не получится.
Лет двадцать тому назад шарлатаны активно рекламировали услуги по «чтению ауры» и расшифровке биополя человека. С наступлением цифровой эры человек сам создал себе аналог ауры, по которой можно узнать не меньше, а то и больше, чем иной «расшифровщик биополя».
В своей статье Тянтов Эдуард из Mail.Ru Group рассказывает, что интересного произошло в мире машинного обучения за последний год (в основном в Deep Learning), останавливаясь на самых, на его взгляд, зрелищных и/или значимых достижениях.
На днях выпущено новое приложение Яндекс.Такси для iOS. В обновленном интерфейсе один из акцентов сделан на выбор конечной точки маршрута («точки Б»). Но новая версия – это не просто новый UI. К запуску обновления существенно переработана технология прогнозирования пункта назначения.
Мы часто слышим о том, как очередной сложный алгоритм искусственного интеллекта начал ошибаться или стал следовать предрассудкам, которым машины не должны быть подвержены. Почему так происходит? В истоках проблемы разбиралась cпециалист по работе с данными Ребекка Нджери (Rebecca Njeri) из Сиэтла.
Мобильные операторы, предоставляя разнообразные сервисы, накапливают огромное количество статистических данных. Вопрос: как в этих Больших Данных (Big Data) выявить максимум полезной информации? В этой статье на примере Ирисов Фишера мы пройдем весь путь начального обучения, а далее применим полученное понимание к реальным данным оператора связи.
Cейчас существует множество способов получить нужную информацию, и нет необходимости полагаться на свои инстинкты. A/B-тестирование — один из самых распространенных методов принятия решений на основе анализа данных, особенно в ситуациях, когда дело касается интернета.
В чем состоит качественное отличие этого недавно сформировавшегося научного направления от существующего несколько десятков лет и активно используемого в индустрии направления business intelligence? Чем различаются функции специалистов двух родственных специальностей data scientist и BI analyst?
«Искусственный интеллект» беспокоит бизнесменов. С одной стороны, бизнес прекрасно обходится без ИИ (по крайней мере, пока), — но с другой, преимуществами технологии могут воспользоваться конкуренты.
Через 30 лет мир будет вращаться вокруг человека, приспосабливаясь к его индивидуальным потребностям. В этом убежден Антуан Блондо — инвестор, консультант, сооснователь ИИ-компании Sentient и один из создателей технологии, легшей в основу Siri.
Люди не понимают, что такое аналитика. Особенно в маркетинге. В надежде увеличить ценность работы, аналитикой называют отчеты и статистические выкладки, что обычно игнорируется заказчиком, а впечатление об «анализе» складывается из количества страниц документа.
Многие компании, повинуясь велению моды, лихорадочно внедряют в свою работу алгоритмы машинного обучения, не заложив для этого надежной основы. Моника Рогати, консультант по работе с данными, объяснила, почему эта тактика не принесет ожидаемых результатов.
Мы оставляем огромный след своим поведением в интернете, о нас накоплено невероятное количество данных. Портал Finversia.ru порассуждал о возможных сценариях работы с данными вместе со Светланой Беловой, директором компании «Системы управления идентификацией», развивающей проект удаленного цифрового удостоверения личности IDX.