Круглый стол о том, как сделать доверенный искусственный интеллект, приглашенные доклады ведущих отраслевых и академических экспертов, а также студенческая секция. Мероприятие проводится в рамках 64-ой конференции МФТИ.

Когда - 1-2 декабря 2021 г.

Программа и расписание - http://mlrep.org

Сайт конференции — https://conf.mipt.ru

Контакты по вопросам — mailto:info [at] mlrep.org или  Telegram

Темы секции и митапа

• reproducible research, MLops и проблемы воспроизводимости экспериментов

• принципы FAIR, открытость данных и результатов исследований

• построение пайплайнов обучения моделей, хранение и управление конфигурацией данных

• автоматизация проведения экспериментов в машинном обучении

Доверие к ИИ: открытый код, данные, стандарты. Круглый стол

Как создать интеллектуальные системы достойными доверия?

Они уже ставят диагнозы в поликлиниках Москвы, оценивают кредитную историю банках, управляют поставками товаров в магазины и топлива на электростанции, проводят собеседования при приеме на работу.

Узнайте, как последние технологии воспроизводимых и открытых исследований и пристальное внимание ведущих ученых помогут машинному интеллекту оправдать ожидания.

• Михаил Бурцев, зав. лаб. глубокого обучения МФТИ, лидер проекта DeepPavlov

• Андрей Устюжанин, зав. лаб. методов анализа больших данных (LAMBDA), НИУ ВШЭ, CERN

• Вадим Стрижов, проф. кафедры интеллектуальных систем МФТИ, www.m1p.org 

• Григорий Фурсин, Ph.D., VP of MLOps at OctoML.ai, https://octoml.ai

Модератор — Антон Хританков, к.ф.-м.н., руководитель проекта MLDev, МФТИ. 

Краткая программа

Полное актуальное расписание будет на http://mlrep.org

Почему открытость и воспроизводимость

Онлайн митап посвящен тому, как повысить доверие к результатам исследований и сделать более полезными результаты в машинном обучении, анализе больших данных, биоинформатике и в науках о данных в целом [Hutson].

Принципы открытости данных [FAIR] предполагают указание на источник, цитирование и получение доступа к данным исследований для повторного использования в новых исследованиях.

Корректность и повторяемость эксперимента и воспроизводимость представленных результатов — одна из ключевых характеристик хорошей статьи в науках о данных. Более того, растут ожидания от научных исследований и уже требуется обеспечивать воспроизводимость экспериментов при публикации [REPRO].

Ведущие публикации помимо самой статьи все чаще включают наборы данных, исходный код и подробные описания условий проведенного эксперимента. Это позволяет другим исследователям подтвердить полученные результаты и использовать их в своих работах, воспроизводить и сравнивать с другими подходами.

Практика таких, расширенных, публикаций способствует цитируемости и полезности результатов исследований.

В индустрии также остро стоит проблема воспроизведения и повторения результатов экспериментов, особенно, когда речь идет о алгоритмах и моделях, существенно влияющих на деятельность компаний. Для решения целого круга задач в сфере [MLOps] создаются инструменты по автоматизации управления жизненным циклом моделей, отслеживания изменений в данных, наблюдению за интеллектуальными системами.

Вопросы качества результатов, повторяемости экспериментов, достоверности исследований становятся ключевыми как для научных исследований, так и для компаний.

[Hutson] Hutson M. Artificial intelligence faces reproducibility crisis. Science. 2018. 

[MLOps] Why MLOps (and not just ML) is your Business’ New Competitive Frontier 

[FAIR] FAIR Principles

[REPRO] Чего хотят конференции: воспроизводимость экспериментов в data science?