Графовые нейронные сети — новый способ глубокого обучения

Большинство данных в реальном мире – неевклидовые и представлены не в виде таблиц. При сведении данных в таблицу теряется бесценная информация, в частности о структурных сходствах и причинно-следственных связях. Графовые нейронные сети работают с нетабличными данными. И наука, и технологии продвинулись вперед за последние несколько лет и теперь позволяют осуществлять массовые параллельные графовые вычисления, а также открывать новые возможности глубокого обучения. На этом выступлении вы узнаете о графовых нейронных сетях и рассмотрите на примере, как с легкостью обучать их в Neptune ML.

Докладчик: Уилл Бадр (Will Badr), главный архитектор решений, AWS

Машинное обучение без кода с Amazon SageMaker Canvas

Зачастую внутренние данные организации таят бесценные сокровища, которые доступны лишь разработчикам моделей данных, инженерам по обработке данных и аналитикам. Обычно экспертами по данным в таких компаниях выступают не специалисты по обработке данных, и информация используется только для реактивной аналитической отчетности. На этом семинаре вы узнаете о визуальном инструменте для прогнозной аналитики без кода от Amazon Canvas.

Докладчик: Софиан Хамити (Sofian Hamiti), старший архитектор решений в области машинного обучения, AWS

Просто о машинном обучении: бесплатная изолированная среда МО с Amazon SageMaker Studio Lab

Непрерывная учеба имеет важно значение для такой быстро развивающейся области, как машинное обучение. Специалистам по обработке данных, исследователям, изучающим новые аспекты, и новичкам, впервые погружающимся в сферу машинного обучения, нужна бесплатная среда, в которой не требуется использовать сложные сервисы, а также нет стресса и трудностей, связанных с регистрацией по номеру кредитной карты или ошибками при оплате счетов. Amazon SageMaker Labs предоставляет открытые среды, где экспериментатор может обучать модели на инстансах с графическим процессором и при этом не обязан платить или использовать кредитную карту в качестве гаранта. Кроме того, Amazon SageMaker Labs обеспечивает подключение к другим основным сервисам AWS, позволяя тестировать результат в среде, аналогичной рабочей. Цель этого выступления – предоставить вводное практическое руководство по работе с Amazon SageMaker Labs.

Докладчик: Боаз Зиниман (Boaz Ziniman), консультант по разработке, AWS

Быстрое обучение моделей с помощью Amazon SageMaker Training Compiler

По мере усложнения моделей глубокого обучения увеличивается и время, необходимое для их обучения и оптимизации. На практике оптимизация кода МО – это сложный, трудоемкий процесс, который требует наработки редких навыков. Специалисты по обработке данных, как правило, пишут обучающий код на платформах машинного обучения на базе Python и используют их для компиляции моделей в эффективные ядра. Эти преобразования зачастую малопродуктивны. На семинаре вы узнаете, как с помощью SageMaker Training Compiler автоматически компилировать обучающий код Python и создавать ядра графического процессора для конкретной модели.

Докладчик: Гили Нахум (Gili Nachum), архитектор решений в сфере искусственного интеллекта и машинного обучения, AWS

Создание высококачественных наборов данных с помощью Amazon SageMaker Ground Truth Plus

Большинство моделей машинного обучения, используемых в производстве на сегодняшний день, созданы на базе контролируемого обучения. В его основе лежат высококачественные маркированные данные. Проблема заключается в том, что, несмотря на значительный рост объема доступных данных, высококачественные маркированные данные по-прежнему встречаются редко. Amazon SageMaker Ground Truth Plus позволяет с легкостью создавать качественные обучающие наборы данных без разработки приложений для маркировки и управления сотрудниками. На этом выступлении вы получите практическое представление об автоматизированной маркировке данных с помощью Amazon Ground Truth Plus.

Докладчик: Сохан Махешвар (Sohan Maheshwar), старший консультант по разработке, AWS

Крупномасштабная обработка данных в EMR и Spark с помощью Amazon Sagemaker Studio

Масштабное обучение требует потоковой передачи и массивной обработки данных. Часто в центре подобного конвейера находится Apache Spark. Apache Spark, Apache Hive и Presto работают на кластерах Amazon EMR непосредственно из блокнотов Amazon SageMaker Studio, помогая анализировать данные в петабайтном масштабе и выполняя машинное обучение. На этом выступлении представлено практическое введение в работу с Apache Spark в блокнотах SageMaker.

Докладчик: Джон Рид (Jon Reade), старший архитектор решений в области искусственного интеллекта и машинного обучения, AWS

Быстрая подготовка и анализ данных с помощью Amazon SageMaker Data Wrangler

Процесс подготовки данных и разработки функций, пожалуй, является самой утомительной и трудоемкой частью машинного обучения. Сначала требуется много времени и ресурсов на этапе подготовки, затем происходит долгосрочный выход на рынок и нет уверенности в том, что процессы обработки данных и разработки функций обеспечивают оптимальный ввод данных в моделях. Amazon SageMaker Data Wrangler с помощью визуальных инструментов поддерживает оптимизацию и автоматизацию обработки данных и разработки функций. Сервис Amazon SageMaker Data Wrangler сокращает время, необходимое для сбора и подготовки данных для машинного обучения, с нескольких недель до нескольких минут. На этом выступлении инженеры по обработке данных получат практическое руководство по Amazon SageMaker Data Wrangler.

Докладчик: Хавьер Рамирес (Javier Ramirez), консультант по разработке, AWS

Малокодовое решение для подготовки, анализа и обзора данных

Подготовка данных – важнейший этап обработки данных для анализа или машинного обучения. Поскольку объем и сложность данных постоянно растут, необходимо увеличивать количество сотрудников, которые подготавливают данные и раскрывают их ценность. На этом семинаре вы погрузитесь в работу с AWS Glue DataBrew, новым инструментом визуальной подготовки данных, который позволяет аналитикам и специалистам по обработке данных очищать и нормализовать данные без написания кода. Вы ознакомитесь с пошаговым руководством по работе AWS Glue DataBrew, а также популярными примерами использования и рекомендациями по подготовке данных во всех ваших хранилищах.

Докладчик: Йонатан Долан (Yonatan Dolan), специалист по аналитике, AWS

Автоматическая проверка кода с помощью Amazon CodeGuru Reviewer

Напряженная работа и сжатые сроки становятся причиной низкого качества кода. В самых серьезных случаях в коде могут остаться жестко заданные конфиденциальные данные и пароли, которые использовались для отладки. Amazon CodeGuru предлагает интеллектуальные рекомендации для повышения качества кода и поиска наиболее дорогостоящих строк в приложении. Детекторы безопасности Amazon CodeGuru анализируют поток данных с помощью машинного обучения и автоматизированных логических рассуждений, выполняя межпроцедурный анализ всей программы по классам, методам и файлам для обнаружения скрытых уязвимостей в системе безопасности. На этом выступлении разработчики машинного обучения получат практическое представление об общем использовании CodeGuru и в частности о работе с CodeGuru Reviewer.

Докладчик: Ана Кунья (Ana Cunha), консультант по разработке, AWS

Анализ существующих данных датчиков для выявления нетипичного поведения оборудования

Для успешного внедрения прогнозного технического обслуживания необходимо использовать конкретные данные, собранные со всех датчиков устройства, и информацию об уникальных условиях эксплуатации, а затем создавать высокоточные прогнозы с помощью машинного обучения. Однако внедрение решений МО для оборудования может отнимать много времени и сил. На этом семинаре вы узнаете о сервисе Amazon Lookout for Equipment, который позволяет анализировать данные с датчиков оборудования и создавать модели машинного обучения на их основе, без предварительного опыта работы с МО.

Докладчик: Шон Трейси (Sean Tracey), старший консультант по разработке, UK&I, AWS

Извлечение данных и полезной информации из документов

Организации во всех отраслях промышленности по-прежнему обрабатывают документы вручную, что дорого, затратно по времени и сопряжено с вероятностью допущения ошибок. Узнайте, как машинное обучение позволяет автоматизировать обработку документов, извлекать данные и аналитические выводы из страховых заявлений, заявок на ипотеку, медицинских претензий, договоров и других источников.

Докладчик: Миа Чанг (Mia Chang), архитектор решений в сфере машинного обучения, AWS

Быстрая настройка индивидуального взаимодействия с пользователем в реальном времени и любом масштабе

Вы хотите предоставить своим клиентам наилучшее обслуживание. Бизнесу требуется разработка приложений с широким спектром возможностей для персонализации, включая рекомендации по конкретным продуктам, сортировку продуктов по персонализированному рейтингу, рекомендации похожих товаров и индивидуальный прямой маркетинг. На этом семинаре вы узнаете, как с помощью Amazon Personalization импортировать данные, выбрать подходящий пример использования и за несколько простых шагов создать готовые к интеграции в приложения рекомендации на основе машинного обучения.

Докладчик: Анна Грюблер (Anna Gruebler), старший архитектор решений в области искусственного интеллекта, AWS

Сократите время развертывания моделей с помощью Amazon SageMaker Inference Recommender

Выбрать инстанс вывода для моделей непросто. Для этого требуется тщательные тестирования и определение размеров, которые отнимают много времени и денег. Amazon SageMaker Inference Recommender автоматизирует процесс, ускоряет развертывание и снижает затраты на получение логических выводов. В этом выступлении мы представим практическое руководство по настройке и использованию Amazon SageMaker Inference Recomender.

Докладчик: Мохаммед Фазалулла Кудрат (Mohammed Fazalullah Qudrath), старший консультант по разработке, MENA, AWS

Нагрузочные проверки адресов логических выводов

Бессерверные адреса – это популярный выбор для большинства примеров использования. Они особенно эффективны при непредсказуемом и интенсивном трафике. Операционное совершенство систем с резкими колебаниями активности обеспечивает хорошо спланированное автоматическое масштабирование. Нагрузочное тестирование – один из основных методов, который операционные команды используют для планирования автомасштабирования. На этом выступлении представлено практическое руководство по нагрузочному тестированию адресов Amazon SageMaker с использованием Artillery и бессерверной платформы.

Докладчик: Сайрус Вахид (Cyrus Vahid), главный консультант по разработке в области машинного обучения, AWS

Внедрение практик MLOps с помощью Amazon SageMaker

Этот семинар посвящен практическому руководству по подготовке, созданию, обучению, развертыванию и управлению моделями в любом масштабе. На нем представлено руководство по созданию согласованных сред разработки моделей, автоматизации рабочих процессов машинного обучения, внедрению конвейеров непрерывной интеграции и непрерывной доставки (CI / CD) для МО, мониторингу моделей в производстве и стандартизации средств управления моделями.

Докладчик: Джузеппе Анджело Порчелли (Giuseppe Angelo Porcelli), главный архитектор решений в области искусственного интеллекта и машинного обучения, AWS

Запуск и управление моделей машинного обучения на периферии с помощью SageMaker Edge

На периферийных устройствах часто запускаются приложения, которым необходимо автономно с низкой задержкой обрабатывать данные, поступающие от камер, роботов и других физических датчиков. Устройства могут быть расположены удаленно, иметь ограниченное подключение к облаку или строгие требования к конфиденциальности данных и соответствию нормативам. Amazon SageMaker Edge обеспечивает работу машинного обучения на периферийных устройствах за счет оптимизации, защиты и развертывания моделей на периферии. Это выступление дает практическое представление о выводе машинного обучения на периферию и жизненном цикле от облака к периферии.

Докладчик: Хасан Пунавала (Hasan Poonawala), старший архитектор решений в области искусственного интеллекта и машинного обучения, AWS

Как искусственный интеллект, машинное обучение и аналитика помогают компаниям промышленного сектора (автомобилестроение, производство, энергетика)?

Промышленные компании используют машинное обучение и аналитику для повышения эффективности, производительности и устойчивости всех этапов жизненного цикла, от разработки продукта до послепродажного обслуживания, взаимодействия торговых залов с помощью Интернета вещей, использования терабайт телеметрических данных с миллионов датчиков и прогнозирования сбоев. Учитесь на опыте компаний автомобильного, энергетического и производственного секторов, включая BMW, Volswagen, MobilEye, Engie, Octopus Energy, Enel, Shell, BP, Siemens и SKF.

Докладчик: Лайонел Биллон (Lionel Billon), руководитель отдела аналитики и машинного обучения, EMEA (Юг и развивающиеся рынки), AWS

Как искусственный интеллект, машинное обучение и аналитика помогают компаниям финансового сектора?

Финансовые учреждения широко используют машинное обучение и аналитику для выявления мошеннических транзакций, предоставления клиентам новых услуг (например, кредитов), соблюдения строгих стандартов работы, устранения атак кибербезопасности или повышения качества обслуживания. Узнайте, как создать среду машинного обучения в индустрии финансовых услуг, от ведущих финансовых компаний, таких как AXA, Zopa, Barclays, Euler Hermes, Siemens Finance, Nat West и Ergo/Munich Re.

Докладчик: Дмитрий Френч (Dimitri French), руководитель направления машинного обучения, AWS

Как искусственный интеллект, машинное обучение и аналитика помогают фармацевтическим компаниям и компаниям в области медико-биологических разработок?

Машинное обучение и аналитика в фармацевтике меняют процесс разработки лекарств, ускоряют циклы экспериментов и вывод лекарств на рынок, оптимизируют логистику, например, для разработки новой вакцины мРНК против COVID-19. Узнайте у ведущих фармацевтических компаний, таких как AstraZenecca, BioNTech, Moderna, Novartis, Roche или Merk о том, как они используют машинное обучение для инноваций и более быстрого выхода на рынок.

Докладчик: Луис Кампос (Luis Campos), руководитель по обработке данных, аналитике и модернизации искусственного интеллекта и машинного обучения в EMEA, AWS

Как машинное обучение помогает Интернет-компаниям и компаниям по разработке ПО?

Продукты на базе машинного обучения выступают движущей силой ведущих Интернет-компаний и компаний по разработке программного обеспечения. Узнайте, как предприниматели и менеджеры по продуктам используют технологии машинного обучения для создания лидирующих на рынке разработок. От квалификации примеров использования и определения качества данных до проверки изменений в концепции. Мы внимательно изучим, за счет чего добиваются успеха продукты на базе машинного обучения от таких интернет-компаний и компаний по разработке ПО, как Wix, Amdocs, Gong, d.velop, EXASOL или Bolt.

Докладчик: Орен Стейнберг (Oren Steinberg), руководитель направления искусственного интеллекта и машинного обучения EMEA (Север и Юг), AWS

Новый подход к возможностям: истории инноваций

Узнайте об историях внедрения технологических инноваций, благодаря которым возможно открытие новых перспектив, увеличение дохода и решение серьезных проблемы настоящего и будущего. Присоединяйтесь к этому семинару и узнайте, как машинное обучение, суперкомпьютеры, искусственный интеллект и роботы стимулируют производство в космосе, позволяют выращивать «суперпылевой рис» для увеличивающегося населения мира, помогают строить первую базу для людей на Луне, творят новую эру гонок «Формула-1» и борются с изменением климата.

Ведущие:
Оливер Кляйн (Olivier Klein), главный технолог, APJ, AWS
Д-р Мишель Дикинсон (Michelle Dickinson), нанотехнолог и инженер-материаловед

Докладчик-клиент 1: Роб Смедли (Rob Smedley), директор по системам обработки данных, F1
Узнайте, как «Формула-1» создавала проект нового автомобиля для более тесных и захватывающих гонок «колесо к колесу» с помощью вычислительной гидродинамики – процесса, который на стандартном ноутбуке занял бы более 470 лет.

Докладчик-клиент 2: Татьяна Кальдерон (Tatiana Calderón), водитель-испытатель и посол команды Alfa Romeo Racing ORLEN, F1
Узнайте мнение гонщика о новом стиле гонок, возможном благодаря новому автомобилю «Формулы-1» 2022 года, и о том, что эти новшества значат для будущего водителей и болельщиков «Формулы-1».

Докладчик-клиент 3: Д-р Джордан Нгуен (Jordan Nguyen), биомедицинский инженер и специалист по технологиям будущего
Борьба с возрастными заболеваниями, увеличение производства продуктов питания и охрана природы остаются одними из самых важных задач на сегодняшний день. Узнайте, как достижения в области геномики, полученные при помощи облачных вычислений, искусственного интеллекта и суперкомпьютеров, позволяют выращивать «суперпылевой рис» в пустыне, защищать амурского тигра от вымирания и справляться с возрастными заболеваниями.

Докладчик-клиент 4: Д-р Джеймс Куффнер (James Kuffner), генеральный директор и директор-представитель, Woven Planet Holdings
Проект Toyota Woven City – это специально построенный город будущего у подножия горы Фудзияма. Спроектированный при помощи технологии цифрового двойника, город объединяет передовые мобильные и телекоммуникационные технологии с обилием растений и экологичной инфраструктурой.

Докладчик-клиент 5: Эндрю Раш (Andrew Rush), президент и исполнительный директор, Redwire
Redwire занимается производством спутников, конструкций и изделий в уникальной среде с нулевой гравитацией при помощи 3D-печати, роботов, искусственного интеллекта и машинного обучения. Это перспективное направление способствует освоению космоса и создает более качественные продукты для жизни на Земле.

Докладчик-клиент 6: Салли Фотс (Sally Fouts), директор программы Climate Pledge, Amazon
Программа Climate Pledge направлена на достижение нулевого выброса углерода к 2040 году, на десять лет раньше Парижского соглашения. Узнайте, как эта программа побуждает компании вместе с Amazon бороться с изменением климата, а также помогает скорее достигать целей и осуществлять планы по решению неотложных климатических проблем.

Докладчик-клиент 7: Нужуд Мерэнси (Nujoud Merancy), руководитель центра планирования космических исследований, НАСА
Узнайте об инновациях, которые помогут НАСА построить первую постоянную базу на Луне и отправить астронавтов к Марсу.

Докладчик-клиент 8: Гленн Гор (Glenn Gore), генеральный директор, Affinidi
Affinidi использует Web 3.0 для разработки решений самостоятельной идентификации при помощи персональных данных отдельного лица, помогая создавать новые бизнес-модели по всему миру.

Докладчик: Том Содерстром (Tom Soderstrom), главный технолог, Государственные организации по всему миру, AWS
Технологические достижения при меньших затратах стимулируют рост космической экономики благодаря инновационным проектам по защите Земли от космического воздействия, охране экологии в космосе и открытию новой эры освоения космоса.