Онлайн-конференция по нейросетям
и искусственному интеллекту

Московский институт психоанализа

Вокруг психики и познавательных процессов, в частности, существует флер таинственности. Однако, на многие вопросы можно найти ответы, двигаясь от простого к сложному. В своем докладе я в первую очередь коснусь того, когда и для чего возникли базовые познавательные процессы (ощущение и восприятие), какое морфологическое обеспечение для них требовалось организмам. Во-вторых, я расскажу, как постепенно появлялись более сложные когнитивные феномены – память, внимание и мышление, - как они направляли ход развития сенсорных систем, нервной системы и мозга. В-третьих, предложу пищу для размышлений о том, можно ли создать искусственные познавательные процессы, запустив ход эволюции психики.

Иван Хватов

Эволюционный психолог, кандидат психологических наук,
Заведующий научно-образовательным центром Биопсихологических исследований
Канал: Хватов

VisionLabs

В моем докладе обзорно пройдемся по тому, какие бывают методы генерации дипфейков лица, как их можно применить в позитивном ключе, а так же какие бывают опасности. После этого сосредоточимся на разборе нескольких статей по детекции замены лица, какие бывают сложности, на что обратить внимание и какие подходы помогут зацепить артефакты генерации.

VisionLabs
ex-Samsung R&D, ex-Huawei

Как правило, когда люди слышат о компьютерном зрении для транспорта, ассоциаций две: это беспилотники и штрафы за нарушение ПДД. Первое остается за рамками доклада, а второе является только одним частным случаем, когда видеоаналитика может быть применена и требует лишь малый её функционал. В своем рассказе я разберу несколько юзкейсов, расскажу из чего состоит пайплайн распознавания ТС и уделю особое внимание нескольким задачам, которые мы в команде решали в последнее время.

Александр Паркин

Анастасия Белозерова

Head of Research Projects

Head of Research Projects

University of Massachusetts Lowell
ex-Amazon, ex-Apple, ex-Google

Новосибирский государственный университет

Лаборатория методов анализа больших данных ФКН НИУ ВШЭ

Мы живём в мире, где модели в 1 миллиард или даже 10 миллиардов параметров уже не считаются большими — вы буквально можете запустить их на вашем телефоне. Но тренировать или даже файтнюнить эти модели всё ещё может быть сложно и дорого. Методы Parameter-Efficient Fine-Tuning (PEFT) позволяют адаптировать огромные модели к конкретным задачам или кастомным доменам без десятков GPU. В этом докладе мы обсудим какие виды PEFT существуют и какие из них эффективны для тюнинга больших языковых моделей и о том что именно мы имеем в виду под эффективностью. Мы поговорим о конкретных методах, таких как Adapters, Prompt Tuning, LoRA (с псевдокодом!), а также о том как эти методы будут меняться в ближайшем будущем и можно ли применять их не только для файнтюнинга, но и для предтренировки.

Существуют разные генеративные модели: ганы, нормализующие потоки, диффузионные модели. Однако в продакшене интенсивно используются ганы. Как им удалось выйти в real-time? В этом докладе мы хотим рассказать про техники для ускорения инференса ганов и как сделать одновременно быстро и качественно на примере нашего фреймворка FIANCEE, принятого на CVPR2023.

Когда мы слышим про сопоставительное обучение, то первая же ассоциация, которая у нас возникает - это компьютерное зрение, сиамские нейросеточки, эмбеддинги лиц для биометрии и вот это вот всё. У специалистов по NLP может возникнуть и вторая ассоциация - Sentence BERT и его друзья. Но что по поводу NER? Казалось бы, это token-level задача, а не sentence-level, и причём здесь сопоставительное обучение и сиамские нейросети... А вот и причём! Если нейросеть - это обучаемая иерархия представлений, то сопоставительное обучение - это способ получить иерархию представлений получше, особенно последнее представление (на последнем скрытом слое). Получше - значит, компактнее, разделимее. Зачем это нужно, почему это важно и насколько "few-shot" является данная техника - вот об этом мы и поговорим. Ну и заодно попробуем выяснить, правда ли, что transformer encoders are died, и что GPT-подобные LLM теперь торжествуют? Или же энкодер себя ещё покажет?

Михаил Гущин

Владислав Лялин

Полина Карпикова

Иван Бондаренко

Старший научный сотрудник,
кандидат физико-математических наук,
член коллаборации LHCb в CERN

Research Assistant
Канал: DL in NLP

Deep Learning Research Engineers

Научный сотрудник,
старший преподаватель

Sber AI

В докладе подробно поговорим про диффузионный подход для задачи генерации изображений по тексту: что такое диффузионный процесс, какие бывают диффузии и как это всё связано с генерацией изображений. Также детально рассмотрим архитектуру модели Kandinsky 2.2, а также возможные режимы её использования: генерация, совмещение изображений, изменение изображений по тексту, генерация похожих на заданное изображений и inpainting/outpainting. Посмотрим на результаты и сравнимся с другими моделями. Также поделюсь инсайтами про особенности запуска и работы проекта

Андрей Кузнецов

Руководитель проектов в области компьютерного зрения и мультимодальных архитектур,
кандидат технических наук
Канал: Complete AI

Сегодня генеративный искусственный интеллект - одна из передовых областей исследований. Он получил общемировую популярность благодаря сетям для генерации изображений (Dall-E, Stable Diffusion, Kandinsky) и текстов (ChatGPT, GigaChat). Но этот доклад будет не про картинки. Мы поговорим о других приложениях подобных моделей. Рассмотрим несколько примеров из астрономии и физики высоких энергий, где они уже активно используются и помогают делать научные открытия. Также познакомимся с некоторыми задачами из индустрии, в которых генеративные модели применяются для прогноза поведения систем. А в заключении разберемся где и как мы можем использовать генеративный ИИ для решения своих задач.

Екатерина Радионова

Перерыв

14:00 - 14:55

Оставить донэйшн

Конференция уже прошла, однако, вы можете оставить донэйшн!