Reti Neurali a Grafico, il nuovo modo di fare Deep Learning

La maggior parte dei dati nel mondo reale è di tipo non-euclideo, vale a dire che non sono in forma tabulare. Comprimendo i dati in una tabella, liberiamo informazioni inestimabili, specialmente in termini di somiglianze strutturali e relazioni causali. Le reti neurali a grafico sfruttano i dati non tabulari. Negli ultimi anni, scienza e tecnologia hanno fatto progressi per permettere, infine, enormi calcoli paralleli su grafici e aprire nuove frontiere sul deep learning. Partecipando a questa conversazione, imparerai le reti neurali a grafico e un esempio di come addestrare facilmente una rete neurale a grafico usando Neptune ML.

Relatore: Will Badr, Principal SA, AWS

Nessun machine learning di codice con Amazon Sagemaker Canvas

Spesso esiste una miniera d'oro di dati interni disponibili per modellatori, ingegneri e analisti di dati nelle imprese. Gli esperti di dati dei cittadini in quelle aziende spesso non sono data scientist e possono utilizzare i loro dati solo per relazioni analitiche reattive. In questa sessione scoprirai come Amazon Canvas fornisce strumenti visivi senza codice per l'analisi predittiva dei dati.

Relatore: Sofian Hamiti, Senior ML Solutions Architect, AWS

ML in modo semplice Sandbox ML gratuito con Amazon SageMaker Studio Lab

In un campo in rapido movimento come quello del machine learning (ML), l'apprendimento continuo è fondamentale. Sia che si tratti di data scientist e ricercatori intenti a studiare nuovi temi o di principianti intenti a sperimentare il campo per la primissima volta, avrebbero bisogno di un ambiente che sia gratuito, libero da complessità per il consumo di servizi e privo dallo stress e dalla seccatura di dover utilizzare carte di credito per accedere e di commettere errori che comporterebbero importi da pagare. Amazon SageMaker Labs offre un ambiente aperto in cui uno sperimentatore può addestrare modelli su istanze GPU senza dover pagare o utilizzare una carta di credito come garanzia. Inoltre, Amazon SageMaker Labs fornisce connettività ad altri servizi AWS fondamentali per offrire agli sperimentatori la capacità di testare il proprio lavoro contro ambienti simili a quelli che utilizzano al lavoro. Questa discussione intende fornire una guida pratica introduttiva all'utilizzo di Amazon SageMaker Labs.

Relatore: Boaz Ziniman, Principal Developer Advocate, AWS

Addestra più velocemente i tuoi modelli utilizzando Amazon SageMaker Training Compiler

Via via che i modelli di DL crescono in complessità, aumenta anche il tempo necessario per ottimizzarli e formarli. In pratica, ottimizzare il codice di machine learning (ML) è difficile, richiede tempo ed è un raro set di capacità da acquisire. Normalmente, i data scientist scrivono il loro codice di formazione in un framework di ML basato su Python e si affidano a quei framework per compilare i loro modelli in kernel efficienti. Questi trasferimenti sono spesso molto inefficienti. In questa sessione imparerai a utilizzare SageMaker Training Compiler per compilare automaticamente il codice di formazione Python e generale kernel GPU specificamente per il tuo modello.

Relatore: Gili Nachum, AI/ML Specialist Solutions Architect, AWS

Creazione di set di dati di alta qualità utilizzando Amazon SageMaker GroundTruth Plus

La maggior parte dei modelli di machine learning attualmente in produzione si basano sull'apprendimento supervisionato. I dati etichettati come di alta qualità sono al centro dell'apprendimento supervisionato. La sfida sta nel fatto che, nonostante l'enorme crescita del volume di dati disponibili, i dati etichettati come di alta qualità sono ancora un lusso. Amazon SageMaker Ground Truth Plus ti consente di creare facilmente set di dati di formazione di alta qualità senza dover creare applicazioni di etichettatura e di gestire le forze lavoro per l'etichettatura personalmente. Partecipando a questa discussione, riceverai un'introduzione pratica all'etichettatura automatica dei dati utilizzando Amazon Ground Truth Plus.

Relatore: Sohan Maheshwar, Developer Advocate, AWS

Elaborazione di dati su larga scala con EMR e Spark utilizzando Amazon Sagemaker Studio

L’addestramento su larga scala richiede streaming di dati ed elaborazione di dati su grande scala. Spesso Apache Spark è al centro di questa data pipeline. Apache Spark, Apache Hive e Presto in esecuzione su Amazon EMR si raggruppano direttamente dai notebook Amazon SageMaker Studio per eseguire machine learning e analisi di dati dell'ordine di petabyte. Questa conversazione offre un'introduzione pratica all'utilizzo di Apache Spark dall'interno dei notebook Sagemaker.

Relatore: Jon Reade, Senior AI/ML Specialist Solutions Architect, AWS

Prepara e dai un senso ai dati rapidamente utilizzando Amazon SageMaker Data Wrangler

Il processo di preparazione dei dati e di progettazione delle funzionalità è forse la parte più tediosa e dispendiosa a livello di tempo del machine learning. La fase che ha inizio con tempo e risorse per la fase preparatoria si protrae a lungo alla commercializzazione e all'incertezza sul raggiungimento di un input ottimale per i modelli attraverso l'elaborazione dei dati e la progettazione delle funzionalità. Amazon SageMaker Data Wrangler supporta l'ottimizzazione e l'automazione dell'elaborazione dei dati e della progettazione delle funzionalità utilizzando strumenti visivi. Amazon SageMaker Data Wrangler riduce il tempo richiesto per l'aggregazione e la preparazione dei dati per il machine learning (ML) da settimane a pochi minuti. Questa conversazione offre agli ingegneri di dati una guida pratica ad Amazon SageMaker Data Wrangler.

Relatore: Javier Ramirez, Developer Advocate, AWS

Una soluzione a basso codice per la preparazione, l'analisi e la visualizzazione dei dati

La preparazione dei dati è un passaggio fondamentale per preparare i dati all'analisi o al machine learning. Poiché i dati continuano a crescere in dimensioni e complessità, è necessario espandere il numero di persone preposte alla preparazione e allo sblocco del valore dei dati. In questa sessione ti immergerai in AWS Glue DataBrew, un nuovo strumento visivo per la preparazione dei dati che permette ai data analyst e ai data scientist di pulire e normalizzare i dati senza codice di scrittura. Nel corso di questa sessione assisterai a una spiegazione passo passo sul funzionamento di AWS Glue DataBrew, su casi d'uso diffusi e best practice per la preparazione dei dati in tutti i tuoi archivi di dati.

Relatore: Yonatan Dolan, Analytics Specialist, AWS

Automatizza le revisioni del codice utilizzando Amazon CodeGuru Reviewer

Lavorare sotto pressione e con scadenze incombenti può portare a risparmiare sulla qualità del codice. Alle estremità dello spettro, segreti e password altamente codificati utilizzati per scopi di debug potrebbero essere ignorati nel codice. Amazon CodeGuru fornisce suggerimenti intelligenti per migliorare la qualità del codice e identificare le righe di codice più costose di un'applicazione. I rivelatori di sicurezza Amazon CodeGuru utilizzano il machine learning e il ragionamento automatizzato per analizzare il flusso di dati ed eseguire analisi interprocedurali su tutto il programma, fra classi, metodi e file, per rivelare vulnerabilità della sicurezza difficili da trovare. Questa discussione fornirà agli sviluppatori di machine learning informazioni pratiche dettagliate per l'utilizzo di CodeGuru in generale e di CodeGuru Reviewer in particolare.

Relatore: Ana Cunha, Developer Advocate, AWS

Analisi dei dati esistenti del sensore per rivelare comportamenti anomali delle attrezzature

L'implementazione con successo della manutenzione predittiva richiede l'utilizzo di dati specifici raccolti da tutti i sensori della tua macchina, alle tue esclusive condizioni operative, e l'applicazione del machine learning (ML) per abilitare predizioni altamente accurate. Tuttavia, l'implementazione di una soluzione di ML per la tua attrezzatura può essere difficile e richiedere tempo. In questa sessione imparerai a conoscere Amazon Lookout for Equipment, che ti consente di analizzare i dati dai sensori sulla tua attrezzatura per addestrare un modello di machine learning in maniera automatica in base ai dati dell’attrezzatura, senza il bisogno di avere esperienza nel machine learning.

Relatore: Sean Tracey, Senior Developer Advocate - UK&I, AWS

Estrazione di dati e informazioni dettagliate dai tuoi documenti

Le organizzazioni in tutti i settori elaborano ancora i loro documenti manualmente, il che richiede tempo, aumenta il rischio di errori ed è costoso. Scopri come il machine learning può automatizzare l'elaborazione dei documenti estraendo dati e informazioni dettagliate da richieste di indennizzo assicurativo, di mutuo, di assistenza sanitaria o da contratti legali, per citarne alcuni.

Relatore: Mia Chang, ML Specialist Solutions Architect, AWS

Creazione di esperienze utente personalizzate in tempo reale e su vasta scala più velocemente

Sei disposto a offrire la migliore esperienza possibile ai tuoi clienti. L'azienda chiede agli sviluppatori di creare applicazioni in grado di offrire un'ampia gamma di esperienze di personalizzazione, inclusi consigli specifici sui prodotti, classifica dei prodotti personalizzata, consigli su articoli simili e marketing diretto personalizzato. In questa sessione, scoprirai come utilizzare Amazon Personalization per importare i tuoi dati, scegliere il tuo caso d'uso e, in pochi semplici passaggi, creare un suggeritore di machine learning pronto per l'integrazione nelle tue applicazioni.

Relatore: Anna Gruebler, Senior AI Specialist SA, AWS

Riduci il tempo di implementazione del modello utilizzando Amazon SageMaker Inference Recommender

La scelta del tipo di istanza di inferenza da scegliere per un modello è difficile e richiede test approfonditi ed esercizi di dimensionamento, il che richiede tempo e denaro. Amazon Sagemaker Inference Recommender automatizza questo processo, velocizzando in questo modo l'implementazione e riducendo i costi di inferenza. In questa conversazione vogliamo offrire una guida pratica alla configurazione e all'utilizzo di Amazon Sagemaker Inference Recommender.

Relatore: Mohammed Fazalullah Qudrath, Senior Developer Advocate - MENA, AWS

Prova di carico degli endpoint di inferenza

Gli endpoint serverless sono una scelta diffusa per molti casi d'uso. Sono particolarmente efficienti in caso di traffico imprevedibile e impegnativo. Un dimensionamento automatico ben pianificato sta al centro dell'eccellenza operativa dei sistemi impegnativi. La prova di carico è uno dei metodi principali nel mantenimento di team Ops per la pianificazione del dimensionamento automatico. Questa discussione fornisce una guida pratica alla prova di carico degli endpoint di Amazon Sagemaker utilizzando artiglieria e framework serverless.

Relatore: Cyrus Vahid, Principal ML Specialist Developer Advocate, AWS

Implementazione di pratiche ML Ops con Amazon Sagemaker

Questa sessione offre una guida pratica alla preparazione, creazione, formazione, implementazione e gestione di modelli su vasta scala. La sessione offre una guida al provisioning di ambienti di sviluppo di modelli coerenti, all'automazione dei flussi di lavoro di machine learning (ML), all'implementazione di pipeline CI/CD per ML, al monitoraggio dei modelli in produzione e alla standardizzazione delle capacità di governance dei modelli.

Relatore: Giuseppe Angelo Porcelli, Principal - AI/ML Specialist SA, AWS

Esecuzione e gestione del ML sull'edge utilizzando Sagemaker Edge

I dispositivi edge spesso eseguono applicazioni che devono prendere decisioni autonome a bassa latenza con feed di dati in entrata da fotocamere, robot e altri sensori fisici. I dispositivi possono trovarsi in località remote con connettività cloud limitata o possono avere severi requisiti normativi e sulla privacy dei dati. Amazon SageMaker Edge abilita il machine learning (ML) sui dispositivi edge ottimizzando, proteggendo e distribuendo i modelli all'edge. Questa conversazione fornirà al pubblico un'introduzione pratica all'inferenza ML all'edge e al ciclo di vita da cloud a edge.

Relatore: Hasan Poonawala, Senior AI/ML Specialist Solutions Architect, AWS

Cosa possono fare AI/ML e l’analisi dei dati per le aziende del settore industriale? (automobilistico, manifatturiero, energetico)

Le società industriali stanno sfruttando il machine learning (ML) e l’analisi dei dati per aumentare efficienza, prestazioni e sostenibilità in tutti gli aspetti del loro ciclo vitale, dalla progettazione del prodotto ai servizi post-vendita, collegando la produzione attraverso servizi IoT, utilizzando terabyte di dati telemetrici da milioni di sensori, migliorando le prestazioni operative e predicendo le avarie. Impara dalle aziende dei settori automobilistico, energetico e manifatturiero, fra cui BMW, Volkswagen, MobilEye, Engie, Octopus Energy, Enel, Shell, BP, Siemens ed SKF.

Relatore: Lionel Billon, Head of Analytics & ML - EMEA South & Emerging Markets, AWS

Cosa possono fare AI/ML e l’analisi dei dati per le società di servizi finanziari?

Le istituzioni finanziarie stanno ampiamente utilizzando il machine learning (ML) e l’analisi dei dati per individuare transazioni fraudolente, offrire nuovi servizi ai clienti (ad esempio, prestiti), mantenere la conformità alle rigide norme dei servizi finanziari, affrontare attacchi alla sicurezza cibernetica o migliorare i servizi al cliente. Scopri come costruire un ambiente FSI ML da società finanziarie di spicco come AXA, Zopa, Barclays, Euler Hermes, Siemens Finance, Nat West ed Ergo/Munich Re.

Relatore: Dimitri French, Principal - Machine Learning, AWS

Cosa possono fare AI/ML e Analytics per le aziende farmaceutiche e di scienze biologiche?

L'utilizzo del machine learning (ML) e dell’analisi dei dati nel settore farmaceutico sta rivoluzionando il processo di scoperta dei farmaci, accelerando i cicli di sperimentazione, commercializzando i farmaci più rapidamente e ottimizzando la logistica, come dimostra, ad esempio, lo sviluppo del nuovo vaccino basato su mRNA contro il COVID-19. Impara da società farmaceutiche di spicco come AstraZeneca, BioNTech, Moderna, Novartis, Roche o Merk e scopri come utilizzano il ML per innovarsi e commercializzare più rapidamente.

Relatore: Luis Campos, EMEA Data, Analytics & AI/ML Modernisation Lead, AWS

Cosa può fare il machine learning per le società di software e Internet?

La creazione di prodotti basati sul machine learning (ML) è il motore trainante di società di software e Internet di primo piano. Scopri come imprenditori e product manager sfruttano la tecnologia ML per costruire prodotti leader sul mercato. Dalla qualificazione dei casi d'uso al monitoraggio delle deviazioni del concept, passando per la verifica della qualità dei dati. Faremo doppio clic su ciò che contribuisce al successo dei prodotti basati su ML in società di software e Internet come Wix, Amdocs, Gong, d.velop, EXASOL o Bolt.

Relatore: Oren Steinberg, Head of AI & ML in North and South EMEA, AWS

Rethink Possible: storie di innovazione

Scopri le storie di innovazione che hanno aiutato a cogliere nuove opportunità, aumentando i profitti e risolvendo i grandi problemi che devono affrontare oggi e in futuro. Partecipa a questa sessione e scopri come il machine learning, il supercalcolo, l'AI (intelligenza artificiale) e la robotica stanno alimentando la produzione nello spazio, consentendo la crescita del "riso super polvere" per nutrire la popolazione mondiale in crescita, aiutandoci a costruire il primo campo base umano sulla luna, creando una nuova era delle corse di FORMULA 1 e della lotta al cambiamento climatico.

Ospiti:
Olivier Klein, Chief Technologist for APJ, AWS
Dr. Michelle Dickinson, Nanotechnologist and Materials Engineer

Customer Testimonial #1: Rob Smedley, Director of Data Systems, F1
Scopri come la F1 ha utilizzato la fluidodinamica computazionale per costruire un nuovo design di un'auto da F1 che consente corse ruota a ruota più ravvicinate ed emozionanti, un processo che avrebbe richiesto più di 470 anni su un laptop standard.

Customer Testimonial #2: Tatiana Calderón, Alfa Romeo Racing ORLEN Test Driver and Team Ambassador, F1
Ascolta il punto di vista del pilota sul nuovo stile di corsa che l'auto di F1 2022 consentirà e cosa significheranno questi cambiamenti per i piloti e i fan di F1 in futuro.

Customer Testimonial #3: Dr. Jordan Nguyen, Biomedical Engineer & Technology Futurist
La prevenzione delle malattie legate all'età, l'aumento della produzione alimentare e la conservazione della fauna selvatica rimangono alcune delle maggiori sfide che dobbiamo affrontare oggi. Scopri come i progressi della ricerca genomica, alimentati da cloud, intelligenza artificiale e supercomputer, ci aiutano a coltivare "riso super polvere" in condizioni desertiche, a proteggere la tigre dell'Amur dall'estinzione e a sradicare le malattie legate all'età.

Customer Testimonial #4: Dr. James Kuffner, Representative Director and CEO, Woven Planet Holdings
Il progetto Woven City di Toyota è una città del futuro costruita appositamente ai piedi del Monte Fuji. Progettata utilizzando la tecnologia del gemello digitale, la città intreccerà tecnologie di comunicazione e mobilità all'avanguardia con spazi verdi e infrastrutture sostenibili.

Customer Testimonial #5: Andrew Rush, President and COO, Redwire
Redwire utilizza la stampa 3D, la robotica, l'intelligenza artificiale e il machine learning per produrre satelliti, strutture e prodotti nell'esclusivo ambiente a gravità zero dello spazio. Questa visione fa avanzare l'esplorazione dello spazio e crea prodotti migliori per la vita sulla Terra.

Customer Testimonial #6: Sally Fouts, Director of The Climate Pledge, Amazon
Il Climate Pledge è un impegno a raggiungere zero emissioni nette di carbonio entro il 2040, dieci anni prima dell'accordo di Parigi. Scopri come l'impegno incoraggia le aziende a unirsi ad Amazon per intraprendere azioni per il clima e accelerare obiettivi, piani e programmi per affrontare l'urgenza del cambiamento climatico.

Customer Testimonial #7: Nujoud Merancy, Chief, Exploration Mission Planning Office, NASA (Direttrice dell'Ufficio per la pianificazione delle missioni esplorative presso la NASA)
Scopri l'innovazione tecnologica che sta aiutando la NASA a costruire il primo campo base a lungo termine sulla Luna e a portare gli astronauti su Marte.

Customer Testimonial #8: Glenn Gore, CEO, Affinidi
Affinidi utilizza il Web 3.0 per alimentare soluzioni di identità di auto-sovrano, con dati personali di proprietà dell'individuo, creando nuovi modelli di business in tutto il mondo.

Relatore: Tom Soderstrom, Chief Technologist, Worldwide Public Sector, AWS
I progressi tecnologici combinati con la riduzione dei costi stanno alimentando la crescita dell'economia spaziale attraverso progetti innovativi per proteggere la terra dallo spazio, migliorare la sostenibilità nello spazio e aprire una nuova era nell'esplorazione spaziale.