人工智慧工業應用痛點及解決思路 [session]

---

Strata Data Conference北京站大會還有一個月即將召開，

有需求的同學還請抓緊時間，

點選二維碼即可登入會議官網報名。

---

人工智慧工業應用痛點及解決思路 

講師：陳雨強 (第四正規化)

16:20–17:00 Saturday, 2017-07-15

AI應用 (AI applications)

地點： 報告廳（Auditorium)

觀眾水平 (Level): Advanced

必要預備知識

1. 有機器學習領域知識儲備 

2. 有機器學習工業應用經驗

您將學到什麼

1. 瞭解機器學習工業應用從建模到上線的痛點及解決思路； 

2. 從機器學習系統、模型、特徵等要素在實戰中如何組合如何優化； 

3. VC維理論、機器學習模型寬與深大戰、遷移學習、DSN等理論/技術的前沿應用介紹； 

4. 如何推廣AI在工業界的應用：模型可解釋、可控、可干預、可參與。

描述

實驗室中的AI技術一旦應用到實際，難免水土不服。那麼，AI工業應用的必要條件是什麼？痛點有哪些？如何解決？如何從系統層面、模型及特徵層面、模型維度層面、實施上線層面實現突破？針對常見場景中的常見難點，有哪些黑科技正在起作用？

Part1： AI應用成功的五個必要條件

為什麼AlphaGo 能在16年打敗李世石而不是更早——AI應用成功的五個必要條件：

1）邊界清晰

2）外部反饋

3）計算資源

4）頂尖跨界人才

5）大資料

Part2： AI工業應用的痛點及解決思路：

1）系統方面——工業界需要什麼樣的機器學習系統？如何獲得？

2）模型、特徵方面——模型和特徵在機器學習工業應用中的角色&如何優化？

3）建模維度方面——如何看待機器學習寬與深的大戰？如何做到寬與深的結合？（DNN、DSN等前沿技術應用案例及效果）

4）實施上線方面——機器學習系統如何上線？如何運用監督學習、強化學習等技術解決上線問題？如何把複雜目標拆解為單一目標，逐個優化？

Part3： AI工業應用推廣

如何推廣AI工業應用：

1）模型可解釋

2）模型可控制

3）模型可干預

4）模型可參與

演講內容基於第四正規化在金融、電信、網際網路等領域實踐的百餘個成功案例，覆蓋精準營銷、個性化推薦、風險管理、差異化定價等多個場景。本演講中談及都是我們在實踐場景中的洞察及自主研發的解決方案，目的是為了讓人工智慧黑科技在走出實驗室後能更好的被應用在各行各業。

---

講師介紹：

陳雨強 (第四正規化)

陳雨強，第四正規化聯合創始人、首席研究科學家。

世界級深度學習、遷移學習專家。

在百度主持了世界首個商用深度學習系統、在今日頭條主持了全新的資訊流推薦與廣告系統的設計實現。

學術方面，他曾在 NIPS、AAAI、ACL、SIGKDD 等頂會上發表論文，並獲 APWeb2010 Best Paper Award，KDD Cup 2011 名列前三，其學術工作在 2010 年作被全球權威科技雜誌 MIT Technology Review 報導。