DZIEŃ 1 (11 czerwca, wtorek)

Spotkanie praktyków

Machine learning w biznesie

11-12 czerwca, hotel Airport Okęcie, Warszawa

9:30 PORANNA KAWA I REJESTRACJA

9:55 POWITANIE UCZESTNIKÓW

10:00 Jak znaleźć właściwy problem dla algorytmów samouczących się; Jak identyfikować obszary wykorzystania ML

W ostatnich latach można zaobserwować duży wzrost zainteresowania tematyką uczenia maszynowego. Wynika on z dużego spadku ceny mocy obliczeniowej oraz pojawienia się rozwiązań open source pozwalających przetwarzać olbrzymie ilości danych w rozsądnym czasie. Z jednej strony w niektórych z obszarów przetwarzania danych dokonały się iście rewolucyjne zmiany. Z drugiej strony, widzimy również tendencję do używania zupełnie niedopasowanych narzędzi do problemów, które można by rozwiązać w o wiele prostszy sposób.  Chciałbym się podzielić swoimi doświadczeniami jeśli chodzi o wykorzystanie technik uczenia maszynowego. Opowiedzieć o kilku projektów z obszaru internetu, bankowości i firm telekomunikacyjnych. Projektach, w których zastosowanie uczenia maszynowego dało sporą wartość biznesową. I o projektach, w których wartość biznesową udało się zbudować bez wykorzystania zaawansowanych technik statystycznych

Prelegenci

  • Radosław Kita AI & Research Team Manager Adform

10:40 Algorytmy ML w usprawnianiu procesów biznesowych (case study)

Jesteśmy bombardowani ogromną ilością informacji na temat uczenia maszynowego i AI. W praktyce bardzo ciężko jednak jest na początku zidentyfikować i zrozumieć w wystarczającym stopniu odpowiednie procesy biznesowe do usprawnienia przy użyciu analizy danych. W trakcie wystąpienia podzielę się praktycznymi wskazówkami opowiadając o różnych projektach, w których analiza danych i uczenie maszynowe przyniosło znaczne usprawnienia i pozwoliło praktycznie wykorzystać siłę tych technologii.

Prelegenci

  • Wojciech Ptak CTO FreshMail

11:20 PRZERWA NA KAWĘ

11:40 Machine learning z H2O

Chcesz się dowiedzieć o najlepszym opensourcowym narzędziu do ML & AI? To ta sesja jest dla Ciebie. Pokażemy jak wygląda praca w narzędziu, jak się zrównoleglą algorytmy, i dlaczego próbkowanie danych do modelowania w tej technologii nie jest już potrzebna

Prelegenci

  • Łukasz Ryniewicz Manager Zespołu ds. analiz BIG Data Santander Bank Polska

12:20 Feature engineering

Prelegenci

  • dr Michał Korzycki Head of Data Science Schneider Electric

13:00 LUNCH

13:45 Chatbot jako asystent przedstawiciela medycznego

  • Czym jest chatbot
  • Zastosowania chatbotów
  • Przykład chatbota odpowiadającego na pytania o leki

Prelegenci

  • Paweł Ekk-Cierniakowski Ekspert ds. Zaawansowanej Analizy Danych Polpharma

14:30 Time series forecasting w ML

Czy znając historię możemy prognozować przyszłość? Jaka metoda jest najskuteczniejsza? Na sesji dowiesz się podstawowych informacji o szeregach czasowych, ich analizie i prognozowaniu różnymi metodami. Prezentacja wzbogacona będzie o elementy programowania na żywo.

 

Prelegenci

  • Łukasz Prokulski Project Portfolio Analyst, R developer

15:15 Predykcja Churn B2B. Studium Przypadku

Predykcja Churn B2B związana jest z szeregiem wyzwań, przede wszystkim ze względu na to, iż klienci B2B rzadko są związani kontraktami, przez co twardy churn jest trudny do zidentyfikowania. Prezentujemy studium przypadku predykcji churn B2B w B/S/H/ Home Appliance Group. Przedstawimy kilka rozważanych definicji, transformacje danych, metodykę modelowania oraz uzyskane wnioski i rekomendacje.

 

 

 

Prelegenci

  • Małgorzata Łoś Big Data Scientist B/S/H Home Appliance Group
  • Paweł Daniluk Big Data Scientist, B/S/H Home Appliance Group

16:00 ZAKOŃCZENIE PIERWSZEGO DNIA WYDARZENIA

DZIEŃ 2 (12 czerwca, środa)

9:30 PORANNA KAWA, REJESTRACJA

10:00 Czy algorytmy marzą o Nagrodzie Nobla?

Algorytmy, które do tej pory były używane głównie do zastępowania ludzi w wykonywaniu powtarzalnych i mechanicznych zadań, powoli zaczynają wkraczać w rejony wymagające kreatywności. Co już umieją? Czego możemy się spodziewać w przyszłości? Jako bonus: opowieść o tym, jak próbuję stworzyć algorytm, który zastąpi mnie w pracy...

 

Prelegenci

  • Tomasz Brzeziński Chief Data Scientist iTaxi

10:40 Wykorzystanie algorytmów Machine Learning dla zwiększenia użyteczności Business Intelligence

Prelegenci

  • Mariusz Trejtowicz Business Information Architect Onet.pl

11:20 PRZERWA NA KAWĘ

11:40 Machine learning w procesach on-line (case study)

Tworzenie rozwiązań opartych o Machine Learning w dynamicznie zmieniającym się środowisku portalu internetowego stwarza wiele wyzwań, a teoretyczna wiedza o algorytmach nie wystarcza do wdrożenia efektywnego rozwiązania w dużej skali. W prezentacji opowiem, jak poradziliśmy sobie z modelowaniem długoterminowych zainteresowań, jednocześnie uwzględniając dynamicznie zmieniające się trendy popularności w systemie rekomendacyjnym dla milionów użytkowników.  Przedstawię, jak od POC-a doszliśmy do produkcyjnego rozwiązania i o czym należy pamiętać, tworząc modele ML działające w systemach on-line.

Prelegenci

  • Joanna Misztal-Radecka Data Scientist Ringier Axel Springer Polska

12:20 Przetwarzanie Języka Naturalnego w praktyce

  • Dwa przykłady systemów NLP dla biznesu
  • Badania naukowe a potrzeby biznesu
  • Płytkie, czy głębokie przetwarzanie języka?
  • ML, czy system oparty na zasobach
  • Akwizycja i anotacja danych
  • Treści nietypowe - to co nie pasuje założonej do ontologii
  • Wycena anotacji

Prelegenci

  • dr Wojciech Jaworski UW Wydział Matematyki, Informatyki i Mechaniki

13:00 LUNCH

14:00 Głębokie rozumienie modeli opartych na tekście

Warto wiedzieć, że jako data scientist nie tylko kodujesz modele ML, ale powinieneś rozumieć ich wewnętrzne mechanizmy. Jak radzimy sobie z wyzwaniami związanymi z modelowaniem tekstu w aplikacjach biznesowych i projektach badawczo-rozwojowych? Pokażemy kilka przykładów wykorzystania procesów uczenia maszynowego. Pokażemy również narzędzie do wyjaśnienia podejrzanych wyników w zestawach danych i zachowaniu modeli.

Prelegenci

  • Barbara Rychalska Data Science Section Leader Findwise
  • Anna Wróblewska Senior Data scientist Applica.ai

14:45 Machine learning i małe zbiory danych

W erze Internetu i skalowalnych rozwiązań informatycznym najsłynniejszym problemem związanym z wolumenem danych jest ich „zbyt duża” ilość, prowadząca m.in. do zupełnie nowych narzędzi Big Data. Tymczasem w praktyce biznesowej dużo częściej spotykanym zagadnieniem jest fakt posiadania „zbyt małego” zbioru danych, kiedy to algorytmiczne odnalezienie interesujących nas zależności jest przy tradycyjnym podejściu utrudnione lub wręcz niemożliwe. W trakcie wystąpienia przyjrzymy się praktycznym metodom radzenia sobie z takimi przypadkami – od prostego nadpróbkowania, aż do nowych form uczenia maszynowego.

Prelegenci

  • Mateusz Jabłoński Lider Zespołu R&D Kredyt Inkaso

15:30 ZAKOŃCZENIE DRUGIEGO DNIA WYDARZENIA I WRĘCZENIE CERTYFIKATÓW