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?
Если вы хотите вернуть билеты, вы можете сделать это по ссылке из письма с билетами или оформить запрос организатору в вашем  личном кабинете.