DATA SCIENCE UA

Андрій Бурлуцький

Strategic marketing manager, SMART business

Keynote Мова: російська

Intelligent Economies: AI’s Transformation of Industries and Society. The promise of AI holistic transformation.

Допомагає компаніям будувати поважні і довгострокові відносини з клієнтами, розкручувати проекти і завойовувати розум та серця. Фанат нашого майбутнього. Мета - поширювати довіру до технологій та історій. 14 років в ІТ бізнесі і 10 з них в корпорації Майкрософт. Будував маркетинг, запускав продажі, продукти і переконував українців, що технології - це корисно і дивовижно. Експерт з цифрової трансформації і спікер-консультант провідних конференцій: Dynamics Day, SMART talks, iForum, Форум Маркетинг Директорів, Idea Days в КМБШ, DeForum Microsoft та інших.

Інтелектуальна економіка: трансформація бізнесу і суспільства із AI. Як AI обіцяє цілісне перетворення і переосмислення світу? Технологія AI змінює спосіб ведення бізнесу в світі. І продовжить сильно впливати на те, як бізнес і уряду взаємодіють як зі споживачами, так і з громадянами. У досягненнях від генетичної діагностики до промислової автоматизації ці зміни матимуть значні економічні, соціальні і громадянські наслідки. Яку нову інтелектуальну економіку ми будуємо?

Prof. Marcel Worring

Director of the Informatics Institute and Full Professor Amsterdam Business School, University of Amsterdam

Технічний потік Мова: англійська

(Hyper) graph convolutional networks for analyzing social multimedia data.

Marcel Worring — професор у області Data Science та бізнес-аналітики в Амстердамській бізнес-школі Амстердамського університету (UvA). Він був асоційованим директором Amsterdam Data Science — організації, що об’єднує компанії та дослідників для просування науки про дані в Амстердамі.

Марсель також є одним із засновників нещодавно створеного Центру інновацій для штучного інтелекту, в якому компанії / урядові організації та інститути знань спільно працюють над програмою досліджень в лабораторіях. У мультимедійних колекціях релевантна інформація відображається не тільки в самих позиціях, але й у співвідношенні між елементами. Графічні згорткові мережі — це сучасні методики deep learning, що використовують зв'язки між елементами, тоді як гіперграфи поширюють такі ідеї на відносини між групами даних. У цій доповіді буде представлено роботу цих методів та їх використання в мультимедійному контексті. Marcel продемонструє приклади застосування цих методів на даних з платформи для обміну фотографіями Flickr, а також з інтернет-форуму Stormfront.

Олесь Петрів

CTO, NeoCortext / ML Lead, Videogorillas

Технічний потік Мова: українська

Face transfer on video using conditional GANs

Олесь активно займається дослідженнями і розробкою систем комп’ютерного зору і обробки природної мови. Він є автором курсу з машинного навчання на Prometheus, а також курсу з глибокого навчання в ARVI Lab. Олесь має великий досвід роботи в обробці відео із використанням методів Deep learning для виявлення об’єктів і дiй, генерацій субтитрів до зображень та відео для кіностудій Голлівуду.

В доповiдi зробимо огляд існуючих методів по переносу рис обличчя на фото та відео; детально розглянемо наш власний, що базується на умовних генеративних змагальних мережах (conditional generative adversarial networks). Поговоримо про проблеми з якими ми зіштовхнулися, зокрема, пов'язані з досягненням часової консистентності фреймів, та шляхи їх подолання.

Назар Шматко

VP of engineering, NeoCortext

Технічний потік Мова: українська

Face transfer on video using conditional GANs

Назар, як фахівець в області машинного навчання, має досвід роботи в сферах комп'ютерного зору, обробки природної мови та прикладні знання в healthcare-сфері. Зараз активно працює з генеративними моделями для проекту із переносу рис обличчя.

В доповiдi зробимо огляд існуючих методів по переносу рис обличчя на фото та відео; детально розглянемо наш власний, що базується на умовних генеративних змагальних мережах (conditional generative adversarial networks). Поговоримо про проблеми з якими ми зіштовхнулися, зокрема, пов'язані з досягненням часової консистентності фреймів, та шляхи їх подолання.

Єлизавета Лебедєва

Data Scientist, Taxify

Бізнес потік Мова: російська

Experiments in Data Science: beyond AB-tests and p-values

Єлизавета Лебедєва працює Data Scientist в компанії Taxify. Її головними завданнями є підтримка життєвого циклу маркетингових кампаній, забезпечення росту та надання кращого досвіду для пасажирів і водіїв. Маючи пристрасть до математики й здобувши освіту в галузі фінансів і економіки, вона перейшла до Data Science з Business Analytics. Єлизавета брала участь у численних математичних змаганнях та хакатонах.

Експерименти є ключовою частиною науки про дані. Виконання A/B тестів (або для моделей, або для особливостей продукту) і оцінки результатів з t-тестами є звичайною практикою. Але існує набагато більше методів для проведення експериментів. Доповідь охопить причинно-наслідкові висновки, експерименти на основі multi-armed bandit (MAB), а також часті помилки в тестах A / B / N і рекомендації, як їх уникнути. Крім того, ми обговоримо різні типи метрик, що використовуються в експериментах і про те, як поліпшити оцінку тестів із виявленням відхилень, зменшенням відхилень та ризику неточності попередніх даних.

Антон Вокруг

CEO, DataTrading — AI for smart trading decisions

Бізнес потік Мова: російська

Taming Neural Networks or In Search of the Soul of Artificial Intelligence

Має понад 10 років досвіду роботи у сфері ІТ-підприємництва. Реалізував і успішно продав декілька бізнесів. Має експертизу в Blockchain та ICO.

Реальний досвід розробки комерційних продуктів на основі алгоритмів штучного інтелекту. Очікування і реальність. Курйози, страхи і радості від досягнутих результатів.

Євген Потемський

COO, DataTrading — AI for smart trading decisions

Бізнес потік Мова: російська

Taming Neural Networks or In Search of the Soul of Artificial Intelligence

Євген є операційним директором компанії DataTrading (яка має представництва в Китаї і США), що займається прогнозуванням фінансових ринків штучним інтелектом. Євген постійно бере участь у міжнародних конференціях присвячених блокчейну і штучному інтелекту в якості спікера. Основні навички і компетенції: інвестиційний аналіз (понад 10 років), розробка і управління системами для роботи з великими даними (понад 4 років).

Реальний досвід розробки комерційних продуктів на основі алгоритмів штучного інтелекту. Очікування і реальність. Курйози, страхи і радості від досягнутих результатів.

Руслан Гутніков

Executive Director, OMD MD Intelligence

Бізнес потік Мова: російська

Brand Metrics®: How Data Science helps boost the ROI of the bank's advertising campaign

Амбасадор впровадження data-обґрунтованих рішень в сфері маркетингу. Має 8 років досвіду роботи в найбільших рекламних холдингах країни, що дає експертизу в галузі медіа та комунікаційного планування, глибоке розуміння можливостей ринку і потреб бізнесу. Сьогодні відповідає за розвиток аналітичного підрозділу OMD MD Intelligence. Головний фокус команди – впровадження data science-технологій для оптимізації маркетингових інвестицій, надання інтегрованої маркетинг-аналітики, стратегічний супровід клієнтів.

Для банку дзвінки в Call Center, онлайн заявки на сайті та звернення у відділеннях є основними каналами продажу банківських продуктів, а основною метою будь-якої рекламної кампанії є саме привертання уваги до пропозиції банку та збільшення таких звернень. За допомогою власного підходу Brand Metrics® ми чітко виокремлюємо фактори впливу на відгук потенційних клієнтів, визначаємо, які саме канали комунікації використовувати для збільшення вхідних звернень різного типу. У виступі ми поговоримо про одну складову цього проекту – кейс прогнозування та управління дзвінками в Call Center та як вже за перші 2 місяці підвищити ефективність рекламної кампанії на 8%. Ми розглянемо ключові етапи впровадження нашого підходу, а саме процесу машинного навчання та зупинимося на важливих технічних аспектах реалізації прогнозування.

Яна Фаренюк

Head of Data Science Analytics, OMD MD Intelligence

Бізнес потік Мова: російська

Brand Metrics®: How Data Science helps boost the ROI of the bank's advertising campaign

Провідний фахівець з розробки та впровадження проектів із математичного моделювання та машинного навчання в сфері медіа. За останні 3 роки встигла реалізувати більше 50 оптимізаційних проектів для клієнтів фінансової категорії, телекому, фармацевтичної галузі, електронної комерції, онлайн та офлайн рітейлу. Магістр спеціальності «Економічна кібернетика», КНУ ім. Т. Шевченка. Сьогодні відповідає за супровід клієнтів в рамках підходу Brand Metrics®, власної розробки команди, заснованого на технологіях машинного навчання і направленій на оптимізацію маркетингових кампаній клієнтів.

Для банку дзвінки в Call Center, онлайн заявки на сайті та звернення у відділеннях є основними каналами продажу банківських продуктів, а основною метою будь-якої рекламної кампанії є саме привертання уваги до пропозиції банку та збільшення таких звернень. За допомогою власного підходу Brand Metrics® ми чітко виокремлюємо фактори впливу на відгук потенційних клієнтів, визначаємо, які саме канали комунікації використовувати для збільшення вхідних звернень різного типу. У виступі ми поговоримо про одну складову цього проекту – кейс прогнозування та управління дзвінками в Call Center та як вже за перші 2 місяці підвищити ефективність рекламної кампанії на 8%. Ми розглянемо ключові етапи впровадження нашого підходу, а саме процесу машинного навчання та зупинимося на важливих технічних аспектах реалізації прогнозування.

Тетяна Гладких

Research Data Scientist, SoftServe
PhD in Technical Science

Бізнес потік Мова: російська

Predictive Analytics in Human Resources

Тетяна — Senior Data Scientist. Сфера її наукових інтересів — інтелектуальний аналіз даних, штучний інтелект, математична статистика, комп'ютерний зір, теорія графів, теорія ігор та обчислювальна математика. Тетяна має 18-річний академічний досвід і є автором більш ніж 35 наукових публікацій в галузі моделювання електронних схем та проблем штучного інтелекту. Крім того, Тетяна була науковим радником у 26 наукових проектах та публікаціях у сфері комп'ютерного зору, мультикритеріальної оптимізації та економічного планування і прогнозування.

Основними завданнями в Human Resource Analytics є дослідження пов'язані з працівниками організації. Найважливіші проблеми, з якими стикаються менеджери, пов'язані з плинністю кадрів. Показник турноверу завжди був важливим для будь-якої організації, особливо у випадку його постійного зростання - чим більше організація зростає, тим більше він стає критичним. Ми представляємо наше рішення в контексті HR-аналітики, спрямованої на сповіщення безпосередніх менеджерів про ризики звільнення їхніх співробітників. Наше рішення використовує підходи машинного навчання та допомагає менеджерам активно реагувати на небажані звільнення працівників.

Дмитро Зікрач

Data Scientist, SoftServe
PhD in Mathematics

Бізнес потік Мова: російська

Predictive Analytics in Human Resources

Дмитро успішно поєднує знання з математики і практичні підходи в області Data Science. Має два магістерських ступені (з математики та фінансів) та Ph.D. У Дмитра понад 50 наукових публікацій. Його науковий інтерес включає математичний та комплексний аналіз, теорію ймовірностей, машинне навчання, прогнозну аналітику, комп'ютерний зір та аналітику часових рядів. Дмитро має великий досвід і дослідження в галузі аналізу даних, прогнозної аналітики, NLP, аналізу часових рядів, систем штучного інтелекту та рекомендаційних систем. Крім того, він часто бере участь у різних змаганнях і хакатонах.

Основними завданнями в Human Resource Analytics є дослідження пов'язані з працівниками організації. Найважливіші проблеми, з якими стикаються менеджери, пов'язані з плинністю кадрів. Показник турноверу завжди був важливим для будь-якої організації, особливо у випадку його постійного зростання - чим більше організація зростає, тим більше він стає критичним. Ми представляємо наше рішення в контексті HR-аналітики, спрямованої на сповіщення безпосередніх менеджерів про ризики звільнення їхніх співробітників. Наше рішення використовує підходи машинного навчання та допомагає менеджерам активно реагувати на небажані звільнення працівників.

Ксенія Демська

Research Engineer, Ciklum

Технічний потік Мова: українська

Adversarial attacks on deep neural networks

Ксенія є випускницею фізико-технічного інституту KПI ім. Ігоря Сікорського за спеціальністю прикладна фізика. Зараз вона працює інженером-дослідником в компанії "Сіклум" в галузі глибинного навчання в застосуванні до задач машинного зору, таких як класифікація зображень, виявлення об'єктів та сегментація. Її науковими інтересами є теоретичні аспекти глибинного навчання та питання інтерпретованості згорткових нейронних мереж.

Останні досягнення в області глибинного навчання показують наявність добре продуманих вхідних зразків, що називаються змагальними прикладами (adversarial examples), які можуть обдурити сучасну мережу і призвести до її помилки. Ми розглянемо наступні питання: 1) що таке змагальні приклади 2) як здійснювати змагальні атаки та захищатися від них 3) які є поточні проблеми в цій галузі досліджень 4) чи повинні ми остерігатися змагальних атак

Володимир Будзан

Research Engineer, SoftServe R&D

Технічний потік Мова: українська

GANs for geophysics applications

Володимир працює Research інженером в R&D відділі компанії SoftServe. Він поєднує роботу на комерційних проектах з науково-дослідної діяльністю у напрямку глибинного навчання та комп’ютерного зору. Є співавтором наукових публікацій представлених на конференціях CVPR 2018 та WiML 2018. В даний час досліджує застосування генеративних змагальних мереж для покращення сейсмічних зображень.

Під час аналізу земельних надр експерти витрачають декілька років на збір та інтерпретацію сейсмічних даних. Застосувавши останні досягнення глибинного навчання та комп’ютерного зору, цю тривалість можна зменшити до кількох місяців. Під час цієї доповіді ви дізнаєтесь про природу сейсмічних даних, про проблеми, що виникають при їх інтерпретації, та можливі способи вирішення цих проблем за допомогою GAN-ів.

Олександр Гончар

AI Solution architect, MAWI

Технічний потік Мова: українська

GAN vs ODE: the end of mathematical modeling?

Олександр – фахівець з машинного навчання, який має досвід роботи з комп’ютерним зором та аналізом часових рядів. Працював з українськими (MAWI, ARVI), російськими (Mlvch), американськими (Inma AI) та італійськими (HPA Srl) компаніями. Він зацікавлений в застосуванні наукових ідей до виробництва та створення цінності з останніх теоретичних розробок в AI. У даний час працює в MAWI (американська компанія з науково-дослідним відділом в Україні) та займається аналізом біомедичного сигналу, зокрема ЕКГ, і застосовує машинне навчання для медичної діагностики. Олександр викладає deep learning у Веронському університеті та веде популярний блог на Medium.

Протягом сотень років вчені розробляли наукові теорії і складні математичні моделі для пояснення паттернів та залежностей у даних і процесах навколо нас. Сьогодні замість такого моделювання даних "руками" ми цілком покладаємось на глибокі нейронні мережі і, насправді, вони нас не підводять. Тоді виникає логічне питання: чи потрібні людські експертні знання для опису світу математично, что просто нехай ШІ зробить всю роботу за нас? У цій доповіді ми порівняємо генеративні нейронні мережі (GANи) та математичні моделі як диференційні рівняння для аналізу ЕКГ: класичної області, яка вирішується "чистим" математичним моделюванням вже десятки років. Ми проаналізуємо емпірично те, як нейронні мережі бачать кардіограму та як її бачать експерти математики і лікарі. Ми спробуємо зрозуміти, як близько ми до того, щоб просто передати всю роботу з аналізу ЕКГ та й інших даних штучному інтелекту.

Надія Романенко

Data journalist, Texty.org.ua

Мова: українська

How Texty.org.ua applied transfer learning to detect manipulative news

Нещодавно Тексти.org.ua випустили проект “У нас погані новини”. Для проекту ми натренували DL-класифікатор текстів. Його задача - шукати маніпулятивний контент серед текстів новин, так, щоб можна було скласти рейтинг токсичних сайтів. Я розкажу про технічні деталі проекту: як ми вибирали архітектуру мережі, які виклики зустріли, які рішення знайшли. Цей приклад розказує не лише про класифікацію новин, але і про те, що глибоке навчання доступне маленьким організаціям.

Володимир Корнієнко

Head of the loyalty program of the Ukrainian retail chain "Chervonyi Market"

Бізнес потік Мова: українська

AI infusion into Marketing: A Personalized or Personified Marketing Campaign. How to create trouble-free offers for the customer? Story of increasing the conversion in retail network Chervoniy Market.

5 років досвіду в роздрібній торгівлі, із яких 3 - розвиток програми лояльності та маркетинг. Захоплюється технологіями та психологією поведінки людей. Впевнений, впровадження інновацій у найчисельнішому сегменті економ - шлях до розвитку, як бізнесу так і споживачів. Створив ефективну систему персоналізованої взаємодії з клієнтами, що несе користь споживачам та збільшує прибутки бізнесу.

У минулому, очікування споживачів були зосереджені на трьох змінних: вартість, вибір і зручність. Зараз клієнти хочуть отримати персоналізований підхід в онлайн / офлайн обслуговуванні і комунікаціях. Повернення втраченого клієнта, продаж конкретного SKU, збільшення частоти відвідування магазину, підвищення середнього чека за допомогою персоналізації. Основний показник ефективності - конверсія. Персоніфікація дає її збільшення на 15%. Використання штучного інтелекту для сегментації і персоніфікації вирішує відразу серію завдань: Автоматично робиться RFM аналіз; Приймається рішення про найефективніший канал комунікації на основі даних, а не власного досвіду; Тригерна робота з клієнтською базою будь-якого масштабу в режимі реального часу.

Дмитро Солопов

Business Development Manager Data, AI and Advanced Analytics, SMART business

Бізнес потік Мова: російська

AI infusion into Marketing: A Personalized or Personified Marketing Campaign. How to create trouble-free offers for the customer? Story of increasing the conversion in retail network Chervoniy Market.

Основна місія - обслуговування клієнтів SMART business, використовуючи інноваційні аналітичні та когнітивні послуги для підвищення ефективності. Понад 7 років досвіду в сфері технологій таі стратегічного розвитку, Microsoft. Більше 4 років роботи сертифікаційним тренером з досвідом розробки призначених для користувача курсів для клієнтів, офіційних курсів Microsoft. Профільне розвиток філій в країнах ЄС, Incom. Спікер конференцій: Predictive Analytics World (DE), Dynamics Day, DeForum, SMART talks, Idea Days у КМБШ та інших.

У минулому, очікування споживачів були зосереджені на трьох змінних: вартість, вибір і зручність. Зараз клієнти хочуть отримати персоналізований підхід в онлайн / офлайн обслуговуванні і комунікаціях. Повернення втраченого клієнта, продаж конкретного SKU, збільшення частоти відвідування магазину, підвищення середнього чека за допомогою персоналізації. Основний показник ефективності - конверсія. Персоніфікація дає її збільшення на 15%. Використання штучного інтелекту для сегментації і персоніфікації вирішує відразу серію завдань: Автоматично робиться RFM аналіз; Приймається рішення про найефективніший канал комунікації на основі даних, а не власного досвіду; Тригерна робота з клієнтською базою будь-якого масштабу в режимі реального часу.

Галина Олійник

Natural language processing engineer, 1touch.io

WORKSHOP Мова: російська

Named entity recognition in the wild: intro to development of tensorflow-based system as a component of data lifecycle management solution

Галина - фахівець з обробки природньої мови в компанії 1touch.io, що є передовою платформою для менджменту клієнтських даних. Галина має довгостроковий досвід розробки цілісних продуктів з обробки природньої мови, що головним чином сфокусовані на виконанні багатомовного аналізу для проектів, котрі мають великий безперервний потік даних; дані рішення допомагають розширити, резюмувати та виділити окрмі одиниці/властивості текстової інформації. Її поле наукових/розробницьких інтересів також включає обробку баз даних, виконання аналізу великих даних й реалізацію існуючих алгоритмів обробки природньої мови, що описані в наукових статтях. Сьогодні Галина відповідальна за розробку та підтримку спецфічного для продукту модулю обробки природньої мови, що складається як з класичних алгоритмів для вирішення даних задач, так і з рішень глибокого навчання.

Воркшоп складається з двох частин: вступна доповідь, присвячена розробці моделі розпізнавання іменованих об'єктів, що включає рекурентну нейронну сітку та шар CRF, і самого воркшопу, що описує розробку цілісної моделі розпізнавання іменованих об'єктів за допомогою нейронної сітки. Презентаційна частина складається з вступу до специфікацій тренувальних даних для платформи, що спеціалізується на менджменті клієнтських даних, особливостях створення ознак та векторів слів і їх використання/комбінацій, специфічних для даного фреймворку особливостей архітектури моделі та можливостей Google Cloud ML Engine для запуску рішення на GPU/TPU. Частина воркшопу може бути умовно поділена на 5 основних частин: 1. опис основних типів даних tensorflow й ініціалізація placeholder'ів для майбутньої моделі, створення енкодерів та препроцесорів даних; 2. створення сесії tensorflow, розповідь про граф та його властивості; 3. створення базової архітектури нейронної мережі, пояснення значень параметрів та типів cell'ів; 4. запуск сесії за допомогою раніше створеного feed dict протягом декількох ітерацій, отримання й інтерпретація результатів; 5. вирахування метрик точності й охоплення

Сергій Смертін

Monitoring Stream Lead, Adyen

Технічний потік Мова: українська

Analyzing the analytics: auditing models from creation to production

Сергій Смертін — спеціаліст по обробці даних, кібер-безпеці та системній інтеграції. Протягом своєї кар'єри працював над різними проектами, починаючи від ETL систем для електронної комерції до великомасштабних платформ досудового аналізу у області кібер-безпеки. У даний час Сергій працює на провайдера платежів Adyen, де він очолює команду моніторингу, що займається виявленням аномалій в реальному часі та системами підтримки прийняття рішень. До того він збудував data science платформу на базі Apache Spark та JupyterHub.

Data science у фінансовій сфері часто пов’язана з різними джерелами даних, більшість з яких є комерційно чутливими. З метою дотримання вимог, у деяких випадках може виникнути потреба відповісти на такі запитання: звідки надходять дані певної моделі машинного навчання або оптимізації продуктивності, відстеження лінії передачі даних. Як відомо, рішення Big Data можуть проходити через різні етапи ETL, а також інтерактивне дослідження даних за допомогою таких інструментів, як Python, R і SQL. У цій презентації ми зосередимося на відстеженні даних для інтерактивних інструментів дослідження даних. Буде показано набір методів, що демонструють, як перевіряти шлях даних з коду, введеного у блокнот, до рівнів планування виконання, DataFrames, RDDs та формати файлів Hadoop назад до візуалізацій, що відображаються аналітику даних.

Олександр Савсуненко

Head of AI Lab, Skylum Software, PhD

Технічний потік Мова: Російська

Evolutionary algorithms – applications for AutoML and reinforcement learning.

Олександр має досвід створення AI / ML алгоритмів для бізнес-додатків. Останні включають аналіз і вдосконалення зображень для редакторів фотографій (Luminar), супер-дозвіл на основі GAN і HDR (Let's Enhance), а також pipelines обробки ДНК-даних і прогностичних моделей (Titanovo).

Під час цього воркшопу ми обговоримо, як можна використовувати еволюційні стратегії для поліпшення пошуку гіперпараметрів в класичних ML алгоритмах. Ми будемо реалізовувати деякі з алгоритмів з нуля, щоб грати в різні ігри Atari або вижити в імітованій фізичній пісочниці.