Hsiao-Wuen Hon?
微軟亞洲研究院（微軟亞洲研究院）董事總經理Managing Director
Hsiao-Wuen Hon is corporate vice president of Microsoft, chairman of Microsoft’s Asia-Pacific R&D Group, and managing director of Microsoft Research Asia, where he drives Microsoft’s strategy for research and development activities in the Asia-Pacific region, as well as collaborations with academia. Hsiao-Wuen has been with Microsoft since 1995. Previously, he founded and managed Microsoft’s Search Technology Center and led the development of Microsoft’s search products (Bing) in Asia-Pacific. Prior to joining Microsoft Research Asia, he was the founding member and architect of the Natural Interactive Services Division at Microsoft Corporation. An IEEE fellow and a distinguished scientist of Microsoft, Hsiao-Wuen is an internationally recognized expert in speech technology. He has published more than 100 technical papers in international journals and at conferences.

Hsiao-Wuen Hon?是微軟公司副總裁，微軟亞太研發(fā)集團董事長，微軟亞洲研究院董事總經理，負責微軟在亞太地區(qū)的研發(fā)活動，以及與微軟合作學術界。

從1995年起就一直在微軟工作。此前，他創(chuàng)立并管理了微軟的搜索技術中心，并領導微軟搜索產品（Bing）在亞太地區(qū)的發(fā)展。 在加入微軟亞洲研究院之前，他是微軟公司自然互動服務部的創(chuàng)始成員和架構師。 作為IEEE的研究員和微軟的杰出科學家，Hsiao-Wuen是國際知名的語音技術專家。 他在國際期刊和會議上發(fā)表了100多篇技術論文。

專題：

智能簡史（10:20–10:35 Friday, April 13, 2018）

地點: 紫金大廳A（Grand Hall A)

演講者：Hsiao-Wuen Hon (微軟亞洲研究院 (Microsoft Research Asia))
次級主題：計算機視覺，自然語言和語音技術

人工智能已經引發(fā)了眾多關注和討論，而關于人類智能和人工智能孰優(yōu)孰劣的辯論也不斷升溫。在這個主題演講中，洪小文博士將介紹人工智能（AI）以及人類智能（HI）的歷史。從歷史的維度，以深刻的洞察，闡述AI和HI是如何彼此交織并共同進化的，并預示AI和HI可能的未來。

4月12日，周四

快速社交 (Speed Networking)
時間：08:00–08:30 Thursday, April 12, 2018
地點: 3樓序廳（3rd Floor Foyer）

介紹：在本次人工智能大會上與尋求聯(lián)系的與會者會面。會議將在周四主題演講之前舉行一個非正式的快速社交活動。一定要帶上自己的名片來享受社交活動。
如果你參加本次人工智能大會目的之一是結識新朋友，該環(huán)節(jié)就會啟動你和其他與會者的交流。
帶上名片，準備一分鐘關于自己、項目和興趣的介紹。你有兩分鐘時間和一位與會者交換名片和交談，聽到鐘聲就要轉向下一位與會者。
結束后如果時間允許會安排一個大家隨意交流環(huán)節(jié)。

If one of your goals at the AI Conference is to meet new people, this session will jumpstart your networking with fellow attendees.
Bring your business cards and prepare a minute of patter about yourself, your projects, and your interests. You’ll spend two minutes exchanging cards and information with a fellow attendee. When the chime sounds, you’ll move on to the next attendee.
If there’s time at the end, we’ll have an open mix.

周四午餐主題桌會 (Thursday Topic Tables at Lunch)
時間：11:55–13:10 Thursday, April 12, 2018
地點:彩虹廳及國際廳 (Rainbow Room & Ballroom)

介紹：午餐時尋找和其他與會者的社交？主題桌會討論幫助你結識相似行業(yè)或有共同話題的與會來賓。?
主題桌會/行業(yè)桌會討論是相似行業(yè)或對同一主題感興趣的與會來賓輕松交流的最佳方式。行業(yè)桌會討論安排在4月12日周四及4月13日周五午餐時間舉行。
主題包括：
金融服務
健康與醫(yī)療
工業(yè)互聯(lián)網，制造業(yè)及物聯(lián)網
電子商務，傳媒，廣告
交通，機器人，物流

Industry Table discussions are a great way to informally network with people in similar industries or interested in the same topics. Industry Table discussions will happen during lunch on Thursday, April 12, and Friday, April 13.
Topics will include:
Financial services
Health and medicine
The industrial internet, manufacturing, and the IoT
Ecommerce, media, and advertising
Transportation, robotics, and logistics

?

4月13日，周五

快速社交、早咖啡/茶服務 (Speed Networking and Morning Coffee and Tea Service)
時間：08:00–08:45 Friday, April 13, 2018
地點:3樓序廳（3rd Floor Foyer）

介紹：本次人工智能會議上午8:00-8:30可以和希望社交的與會來賓見面。我們將在周五主題演講之前搞一個非正式快速社交活動。一定記得帶名片參加活動。?
如果你參加本次人工智能大會目的之一是結識新朋友，該8:00-8:30的環(huán)節(jié)就會啟動你和其他與會者的交流。
帶上名片，準備一分鐘關于自己、項目和興趣的介紹。你有兩分鐘時間和一位與會者交換名片和交談，聽到鐘聲就要轉向下一位與會者。
結束后如果時間允許會安排一個大家隨意交流環(huán)節(jié)。

If one of your goals at the AI Conference is to meet new people, this session from 8:00 to 8:30 will jumpstart your networking with fellow attendees.
Bring your business cards and prepare a minute of patter about yourself, your projects, and your interests. You will spend two minutes exchanging cards and information with a fellow attendee. When the chime sounds, you’ll move on to the next attendee.
If there’s time at the end, we’ll have an open mix.

?

周五午餐主題桌會 (Friday Topic Tables at Lunch)
時間：11:55–13:10 Friday, April 13, 2018
地點:彩虹廳及國際廳 (Rainbow Room & Ballroom)

介紹：午餐時尋找和其他與會者的社交？主題桌會討論幫助你結識相似行業(yè)或有共同話題的與會來賓。?
主題桌會/行業(yè)桌會討論是相似行業(yè)或對同一主題感興趣的與會來賓輕松交流的最佳方式。行業(yè)桌會討論安排在4月12日周四及4月13日周五午餐時間舉行。
主題包括：
金融服務
健康與醫(yī)療
工業(yè)互聯(lián)網，制造業(yè)及物聯(lián)網
電子商務，傳媒，廣告
交通，機器人，物流

Industry Table discussions are a great way to informally network with people in similar industries or interested in the same topics. Industry Table discussions will happen during lunch on Thursday, April 12, and Friday, April 13.
Topics will include:
Financial services
Health and medicine
The industrial internet, manufacturing, and the IoT
Ecommerce, media, and advertising
Transportation, robotics, and logistics

用TensorFlow進行深度學習

時間：4.10（周二）-4.11（周三）09:00 - 17:00
地點：多功能廳5A+B（Function Room 5A+B)
注：參加者應該參加全部兩天的課程。白金門票和培訓門票不包括周四的輔導課。

TensorFlow是一個流行的深度學習的工具。我們會介紹TensorFlow的流程圖、學習使用它的Python API，并展示它的用處。我們會從簡單的機器學習算法開始，然后實現(xiàn)神經網絡。我們還會討論一些真實的深度學習的應用，包括機器視覺、文本處理和生成型網絡。
與會觀眾能學到什么
了解TensorFlow在機器學習方面的優(yōu)勢以及TensorFlow如何幫助解決AI問題，如對象識別和文本處理。了解如何使用Python在TensorFlow中構建基本計算

預備條件：

• 熟悉Python語言
• 熟悉矩陣
• 熟悉建模
• 熟悉統(tǒng)計

很多AI應用里的深度學習算法的背后都是大型矩陣運算。TensorFlow為這樣的運算提供了數(shù)據流程圖，從而讓算法可以很容易地在多個處理器或機器上并行進行。這一特性使得TensorFlow成為實現(xiàn)神經網絡和其他深度學習算法理想的環(huán)境。本輔導課程將會使用TensorFlow的Python API來介紹和設計TensorFlow里的計算。并以此為基礎，進一步介紹目前使用的一些深度學習算法。卷積神經網絡可以被用來為機器視覺提供目標識別的能力。循環(huán)神經網絡（包括長短期記憶架構）可以被用來理解時間序列和語言數(shù)據。而生成型網絡則讓AI應用有能力創(chuàng)造出輸出。

講師介紹：

Tianhui Michael Li is the founder and CEO of the Data Incubator. Michael has worked as a data scientist lead at Foursquare, a quant at D.E. Shaw and JPMorgan, and a rocket scientist at NASA. At Foursquare, Michael discovered that his favorite part of the job was teaching and mentoring smart people about data science. He decided to build a startup that lets him focus on what he really loves. He did his PhD at Princeton as a Hertz fellow and read Part III Maths at Cambridge as a Marshall scholar.

Season Yang is a data scientist in residence at the Data Incubator, where he also contributes to curriculum development and instruction. Previously, Season worked at NASA’s Goddard space center, where he studied climate change models with data analysis. He holds a double bachelor’s degree in applied mathematics and scientific computation and economics from UC Davis and a master’s in applied mathematics from Columbia, specializing in numerical computation.

用于自動駕駛的機器學習

紫金大廳B（Grand Hall B)

Erran Li (Uber ATG)

盡管最近人工智能等領域取得了很多的進展，但自動駕駛里的主要問題（不管是基礎研究還是工程應用上的挑戰(zhàn)）離完全被解決還有很大的距離。Erran Li將會探索自動駕駛所用的機器學習的基礎，并討論目前相關工作的進展。

Getting up and running with TensorFlow

報告廳（Auditorium)

Yufeng Guo (Google)

Yufeng Guo walks you through training a machine learning system using popular open source library TensorFlow, starting from conceptual overviews and building all the way up to complex classifiers. Along the way, you'll gain insight into deep learning and how it can apply to complex problems in science and industry.

Deep reinforcement learning tutorial

報告廳（Auditorium)

Arthur Juliani (Unity Technologies)

Recently, computers have been able to learn to play Atari games, Go, and first-person shooters at a superhuman level. Underlying all these accomplishments is deep reinforcement learning. Arthur Juliani offers a deep dive into reinforcement learning, from the basics using lookup tables and GridWorld all the way to solving complex 3D tasks with deep neural networks.

基于Apache Spark及BigDL運行分布式Keras

多功能廳2（Function Room 2)

Zhichao Li (Intel)

深度學習技術的進步繼續(xù)推動數(shù)據分析和機器學習的演變，推進人工智能的全新應用。作為最受歡迎的上層神經網絡 API 之一，Keras 可幫助企業(yè)輕松、快速地進行原型構建，并支持多個后端，包括 TensorFlow 和 Theano。在本演講中，我們將展示如何將 Keras 無縫集成在 BigDL（Apache Spark 的一種分布式深度學習框架）中，以便用戶通過運行分布式 Keras 在基于英特爾? 至強? 處理器的現(xiàn)有 Hadoop/Spark 集群上進行訓練、微調或大規(guī)模推理。

Bringing AI into the enterprise

多功能廳8A+8B（Function Room 8A+8B)

Kristian Hammond (Narrative Science)

Even as AI technologies move into common use, many enterprise decision makers remain baffled about what the different technologies actually do and how they can be integrated into their businesses. Rather than focusing on the technologies alone, Kristian Hammond provides a practical framework for understanding your role in problem solving and decision making.

Break: 午餐 (Lunch)

Break: 早咖啡服務 (Morning Coffee and Tea Service)

Break: 上午茶歇 (Morning Break)

Break: 下午茶歇 (Afternoon Break)

即時配送調度中的人工智能

報告廳（Auditorium)

jinghua hao (美團點評)

近兩年外賣行業(yè)發(fā)展迅速，美團外賣每日超過1600萬訂單，線下有50萬名騎手每天奔波在大街小巷進行配送，是全球最大的外賣平臺。如何使數(shù)據巨大的騎手配送得更有效率，減少空駛？如何讓用戶更早地享受到美食，減少超時率？這是一個強隨機環(huán)境下的大規(guī)模復雜優(yōu)化問題。本次分享將介紹美團配送在運用大數(shù)據、機器學習和運籌優(yōu)化技術解決即時配送業(yè)務難題、利用 AI 技術來取代人工上的若干進展和探索，幫助大家了解這一技術領域的進展和挑戰(zhàn)。

周四歡迎致辭（Thursday opening welcome）

紫金大廳A（Grand Hall A)

Ben Lorica (O'Reilly Media), Roger Chen (Computable Labs), Jason (Jinquan) Dai (Intel）

大會日程主席 Ben Lorica、Roger Chen 與 Jason Dai致辭開始第一天主題演講。

Understanding automation

紫金大廳A（Grand Hall A)

Ben Lorica (O'Reilly Media), Roger Chen (Computable Labs)

Details to come.

Turning machine learning research into products for industry

紫金大廳A（Grand Hall A)

Reza Zadeh (Matroid | Stanford)

Reza Zadeh details three challenges on the way to building cutting-edge ML products, with a focus on computer vision, offering examples, recommendations, and lessons learned.

主題演講, Alan Qi

紫金大廳A（Grand Hall A)

Alan Qi (Ant Financial)

敬請期待更多細節(jié)。

主題演講, Professor Hui Xiong

紫金大廳A（Grand Hall A)

Hui Xiong (Baidu)

敬請期待更多細節(jié)。

Democratizing deep reinforcement learning

紫金大廳A（Grand Hall A)

Danny Lange (Unity Technologies)

Danny Lange offers an overview of deep reinforcement learning, an exciting new chapter in AI’s history that is changing the way we develop and test learning algorithms that can later be used in real life.

結束致辭 (Closing Remarks)

紫金大廳A（Grand Hall A)

結束致辭 (Closing Remarks)

用于自動駕駛的機器學習：近期的進步和未來的挑戰(zhàn)

紫金大廳A（Grand Hall A)

Erran Li (Uber ATG)

深度增強學習已經讓人工智能體在很多挑戰(zhàn)性的領域可以取得超越人類的表現(xiàn)，例如玩Atari的游戲以及下圍棋。這一方法還具有能顯著地推進自動駕駛的潛力。Erran Li將會討論近期在模仿學習方面（例如infoGAIL）、策略梯度法和層次增強學習（例如option-critic架構）等方面的進步，以及它們在自動駕駛方面的應用。Erran接著還會介紹在這個領域需要關注的剩余的挑戰(zhàn)。

AI技術在eBay搜索平臺的應用

紫金大廳A（Grand Hall A)

HUA YANG (eBay)

搜索引擎是大量利用機器學習技術的平臺。 AI推動了搜索技術的進一步發(fā)展，搜索引擎正在變成強大的AI平臺。本次演講將介紹深度學習和自然語言理解技術在eBay產品搜索平臺的應用。

用于無人駕駛的深度學習技術

紫金大廳A（Grand Hall A)

Bichen Wu (UC Berkeley)

深度學習近年來的成功極大地促進了自動駕駛技術的快速發(fā)展。但不少問題依然存在：1）深度學習模型需要大量的訓練數(shù)據 2）即便是深度學習模型也很難達到100%準確率 3） 深度學習模型的計算復雜度太高，超出了車載計算機的處理能力。這個講座將會關注以上幾個問題。

PerceptIn低成本無人駕駛解決方案

紫金大廳A（Grand Hall A)

Bo Yu (PerceptIn)

得益于人工智能和機器人技術的快速發(fā)展，無人駕駛技術逐漸成熟，預計將會孕育出一個萬億規(guī)模的市場，并深刻地改變人們的交通出行方式。我們認為低速限制性的園區(qū)將會首先大規(guī)模部署無人駕駛技術，首先因為限制性園區(qū)對無人駕駛應用的需求巨大，其次由于駕駛環(huán)境簡單限制性園區(qū)容易實現(xiàn)無人駕駛，第三從成本角度考慮，大規(guī)模部署無人駕駛方案成本需要在萬元美金以內。所以，這里我們將主要探討適用于限制性園區(qū)的低成本無人駕駛解決方案。

Crossing the enterprise AI chasm

紫金大廳B（Grand Hall B)

Simon Chan (Salesforce)

Building an end-to-end AI application in production is tremendously more complicated than simply doing algorithm modeling in a lab. Simon Chan explains how to cross the gap between AI research fantasy into real-world applications.

Using AI to analyze the impact of financial news

紫金大廳B（Grand Hall B)

Zhefu Shi (University of Missouri)

It is critical to analyze the business impact on finance market from worldwide events. Zhefu Shi explains how to use AI to analyze the impact of financial news, using a financial data pipeline. Zhefu outlines how to extract financial entity information and use it to analyze business impact. All of the components use AI to enhance functionality.

Introducing Spark NLP: State-of-the-art natural language processing at scale

紫金大廳B（Grand Hall B)

David Talby (Pacific AI)

Natural language processing is a key component in many data science systems that must understand or reason about text. David Talby offers an overview of the NLP library for Apache Spark, which natively extends Spark ML to provide open source, fully distributed, and optimized versions of state-of-the-art NLP algorithms, covering the library's design and sharing working code samples in PySpark.

Extending Spark NLP: Training your own deep-learned natural language understanding models

紫金大廳B（Grand Hall B)

David Talby (Pacific AI)

To achieve high accuracy when reasoning about text, you generally need to understand specific languages, jargons, domain-specific documents, and writing styles. David Talby explains how to train custom word embeddings, named entity recognition, and question-answering models on the NLP library for Apache Spark.

Building a commercial natural language understanding system

紫金大廳B（Grand Hall B)

Sangkeun Jung (SK Telecom)

Natural language understanding is a core technology for building natural interfaces such as AI speakers, chatbots, and smartphones. Sangkeun Jung offers an overview of a spoken dialog system and recently launched AI speaker, NUGU, and shares lessons learned building a commercially efficient and sustainable natural language understanding system.

小冰：從人類與人工智能的對話中學到的經驗教訓

報告廳（Auditorium)

力周 (Microsoft China)

自2014年5月首次發(fā)布以來，超過1億的來自中國、日本和美國的用戶與著名的人工智能產品小冰（Xiaoice）進行了互動，進行了仿人的對話。講師將會分享過去四年中獲得的關鍵經驗教訓，并會解釋如何使用它們來構建更好的聊天機器人。

Representing knowledge through graphical models

報告廳（Auditorium)

Ruiwen Zhang (SAS Institute)

Drawing on several real-world cases, Ruiwen Zhang demonstrates how to visualize the structure of a probabilistic model and provide better insights into the model properties, which can be further used to design and motivate new models, and how to reduce the computational complexity required to perform inference and learning in sophisticated models using graphical models.

小米語音交互的最新進展、面臨的難題以及展望

報告廳（Auditorium)

王剛 (小米公司)

本次講演將分享小米語音交互在產品和技術方面的最新進展和面臨的一些難題，以及對未來語音技術發(fā)展的展望。

Modernizing the healthcare industry with AI

紫金大廳A（Grand Hall A)

Arjun Bansal (Intel)

Artificial intelligence is transforming every industry, but the role it will play in healthcare is profound. Arjun Bansal explains how AI can give physicians new insights and speed time to diagnosis by leveraging vast amounts of healthcare data as well as reduce the time and money spent to develop new medicines.

人工智能在欺詐檢測中的應用

報告廳（Auditorium)

Zhong Wu (DataVisor)

隨著互聯(lián)網不斷發(fā)展，面向用戶的線上網站服務也進入極速發(fā)展期，吸引了大量的用戶，整個互聯(lián)網進入“十億用戶時代”。一些有組織的欺詐團伙利用這個特點，大量創(chuàng)建虛假賬戶或盜取正常用戶賬戶，以此潛伏在大量正常用戶中，在銀行、網站和手機應用軟件上實施欺詐。由于規(guī)則引擎和傳統(tǒng)機器學習模型需要經常更新、維護，而且只有在損失發(fā)生后才會生成相應反應機制，因此反欺詐團隊很難領先一步走在欺詐者前面。人工智能的發(fā)展，給整個反欺詐領域帶來新的機會。

Scaling convolutional neural networks with Kubernetes and TensorFlow

多功能廳2（Function Room 2)

Reza Zadeh (Matroid | Stanford)

Reza Zadeh offers an overview of Matroid’s Kubernetes deployment, which provides customized computer vision and stream monitoring to a large number of users, and demonstrates how to customize computer vision neural network models in the browser. Along the way, Reza explains how Matroid builds, trains, and visualizes TensorFlow models, which are provided at scale to monitor video streams.

Practical considerations when shifting to using deep learning for your text data

多功能廳2（Function Room 2)

Emmanuel Ameisen (Insight Data Science), Jeremy Karnowski (Insight Data Science)

Emmanuel Ameisen and Jeremy Karnowski share a guide for moving your company toward deep learning using a collection of NLP best practices gathered from conversations with 75+ teams from Google, Facebook, Amazon, Twitter, Salesforce, Airbnb, Capital One, Bloomberg, and others.

Conducting machine learning research within custom-made 3D game environments

多功能廳2（Function Room 2)

Danny Lange (Unity Technologies)

Danny Lange demonstrates the role games can play in driving the development of reinforcement learning algorithms. Danny uses the Unity Engine with the ML-Agents toolkit as an example of how dynamic 3D game environments can be utilized for machine learning research.

Deep learning for speech recognition and profiling

多功能廳2（Function Room 2)

Yishay Carmiel (IntelligentWire | Spoken Labs)

Yishay Carmiel offers an overview of neural models in speech applications, covering the dominant techniques and the elements that have contributed to the rapid progress. Yishay also looks to the future, examining which problems still remain and how far we are from solving them.

Modernizing the healthcare industry through AI

多功能廳2（Function Room 2)

Arjun Bansal (Intel)

Precision medicine promises to revolutionize healthcare by delivering better health outcomes at lower cost by eliminating trial-and-error medicine, and Intel is working to make this a reality. Arjun Bansal shares emerging algorithms and models used to analyze healthcare data, including electronic health records, medical images, and pharmaceutical and genomics datasets.

端到端深度學習優(yōu)化在互聯(lián)網業(yè)務場景下的應用實踐

多功能廳5A＋B（Function Room 5A+B)

楊軍 (阿里巴巴)

本議題會分享我們在典型互聯(lián)網業(yè)務場景(圖像、文本處理等)下的深度學習優(yōu)化實踐經驗，包括離線訓練和在線Inference，并會從系統(tǒng)與算法相結合的角度進行相關經驗的闡述和介紹。

對偶學習：探秘人工智能的對稱之美

多功能廳5A＋B（Function Room 5A+B)

Tie-Yan Liu (微軟亞洲研究院微軟亞洲研究院 (Microsoft Research Asia))

以深度學習為代表的人工智能技術通常需要大量的有標簽訓練數(shù)據，這對于很多應用領域而言并非易事。為了解決這個挑戰(zhàn)，我們利用人工智能的對稱之美——很多人工智能任務天然就是雙向的，比如中到英翻譯 vs.英到中翻譯，圖像分類 vs. 圖像生成，語音識別 vs. 語音合成——來為機器學習建立閉環(huán)、生成有效的反饋信號，從而在缺乏有標簽數(shù)據的情況下也能實現(xiàn)高效學習。我們將這種新型的學習方法稱之為“對偶學習”。對偶學習已經被成功應用到諸多領域，取得了非同凡響的效果。本報告中，我們將針對對偶學習的數(shù)學模型、優(yōu)化算法、概率解釋、實驗結果，收斂性分析等進行詳細討論，展示對偶學習的魅力，并對它在人工智能領域的更廣泛應用進行展望。對偶學習有關的研究成果已發(fā)表在NIPS、ICML、IJCAI、AAAI等人工智能領域最頂尖的國際會議之上。

智能對話機器人: 企業(yè)商務管理人員如何避免踩坑并且完全掌控人工智能

多功能廳5A＋B（Function Room 5A+B)

Yi Zhang (University of California, Santa Cruz | Rulai)

美國加州大學圣克魯斯分校終身教授，Rul.ai公司的創(chuàng)始人張奕博士將向您全面剖析智能對話機器人。在這里您可以了解到在建設智能對話機器人中，如何評估各種技術方案，如何建設合適的團隊，并且設計出以用戶為中心的機器人。 她也會分享智能對話機器人在不同行業(yè)的使用案例。

深度學習與人工智能在神經影像中的前沿應用

多功能廳5A＋B（Function Room 5A+B)

Enhao Gong (Stanford University | Subtle Medical), Greg Zaharchuk (Stanford University)

人工智能與深度學習正在快速改變醫(yī)療產業(yè)發(fā)展。本講座將介紹斯坦福的深度學習領域學者與斯坦福醫(yī)院醫(yī)生、教授合作研發(fā)的技術，以及如何快速地優(yōu)化臨床醫(yī)學影像的使用。人工智能技術讓醫(yī)學影像的采集與處理更加快速、高效、便捷與智能。 具體技術應用包括： 1. 如何通過人工智能優(yōu)化臨床影像流程，優(yōu)化診斷治療規(guī)劃 2. 如何通過人工智能與深度學習預測神經疾病病人的預后和疾病發(fā)展 3. 如何通過人工智能與深度學習技術加速神經影像流程 4. 如何通過人工智能與深度學習技術顯著減少放射性與顯影劑使用

高性價比AI產品在IoT設備上的實現(xiàn)

多功能廳5A＋B（Function Room 5A+B)

Shaoshan Liu (PerceptIn)

通過深度學習技術，物聯(lián)網（IoT）設備能夠得以解析非結構化的多媒體數(shù)據，智能地響應用戶和環(huán)境事件，但是卻伴隨著苛刻的性能和功耗要求。我們探討了兩種方式以便將深度學習和低功耗的物聯(lián)網設備成功整合。

深度學習時代的數(shù)據科學和自然語言處理

多功能廳6A+B（Function Room 6A+B)

Yinyin Liu (Intel)

自然語言處理（NLP）帶給計算機理解人類語言的能力。NLP利用深度學習最新算法發(fā)展例如文檔理解之類的應用，使公司能夠篩查海量文本，分類并找到相關信息。本議題我們將討論深度學習最新發(fā)展如何影響處理文本、語言及基于對話應用，并啟發(fā)了利用數(shù)據的新方向。我們還將討論幾個使用Intel? AI技術的NLP企業(yè)案例。

為什么圖模型對人工智能應用至關重要？

多功能廳6A+B（Function Room 6A+B)

Mingxi Wu (TigerGraph), Yu Xu (TigerGraph)

為了讓機器像人一樣思考，一個成功的人工智能應用程序的關鍵部分必須由強大的數(shù)據管理軟件支持。在這次演講中，我們將討論人工智能數(shù)據管理的需求，并指出圖模型的獨特優(yōu)勢。我們將深入討論幾個現(xiàn)實生活中部署的，且將它們的成功歸因于圖模型的人工智能應用程序。

Spark+BigDL 基于Hadoop的推薦系統(tǒng)的深度學習實踐

多功能廳6A+B（Function Room 6A+B)

徐曉 (阿里巴巴)

隨著深度學習的發(fā)展，其在推薦領域的可能性也被不斷拓展，越來越多的基于深度學習的推薦算法在學術論文中被提出，比如：Google提出的Wide&Deep網絡結構。 目前，很多大型推薦系統(tǒng)均構建在Hadoop生態(tài)上，而主流的深度學習工具(如:TensorFlow/Caffe/Torch)則更適合于gpu集群。因此，運行在Spark環(huán)境上的BigDL是非常合適于推薦系統(tǒng)的深度學習解決方案。 本議題將通過案例的形式，分享使用Spark與BigDL構建深度神經網絡來優(yōu)化現(xiàn)有推薦系統(tǒng)的經驗。本議題的主要關注點是:如何在推薦工程中高效而健壯的實施深度學習，包括：技術選型的思考，實驗場景的搭建，神經網絡配置腳本的定制，模型數(shù)據的IO，自定義神經網絡組件的開發(fā)等。

基于TensorFlow的高效交互式深度學習平臺及應用（An efficient and interactive deep learning platform with TensorFlow）

多功能廳6A+B（Function Room 6A+B)

Xiaolei Xu (上海新智新氦數(shù)據科技有限公司)

目前單機多卡訓練是深度學習的標配，但是單機的GPU數(shù)目總有上限，因此如何通過多機多卡進行高效的分布式訓練就尤其重要。比如，如何將簡單的單機程序快速部署到多機并得到相應的加速比，如何使得對GPU的調度與大數(shù)據處理平臺無縫對接，并使GPU成為平臺上按需調度、動態(tài)擴容的資源，這些問題的解決對算法迭代優(yōu)化起到關鍵作用。 本次talk會詳細介紹如何基于Kubernetes和Docker構建TensorFlow的微服務化應用，具體從以下幾個方面展開：從少量樣本數(shù)據的單機快速原型設計驗證，無縫切換到大量全數(shù)據的多機多卡分布式訓練過程；一鍵啟動分布式訓練，即基于新氦定制的深度學習云平臺，用戶無需關注分布式細節(jié)，可直接通過可視化web界面進行分布式參數(shù)配置和訓練代碼提交，并可實時可視化監(jiān)控模型訓練收斂性、系統(tǒng)資源消耗和模型輸出日志等；模型訓練結束后可實時serving將模型快速部署到生產環(huán)境。

深度學習在 Android 平臺的應用

多功能廳6A+B（Function Room 6A+B)

xiahoao wang (TalkingData)

目前，深度學習在移動端的應用越來越受到重視，從芯片制造商到手機廠商，一直到應用開發(fā)者，都在為在智能手機上運行深度學習模型做出了很多努，開發(fā)者一方面很難找到針對移動端優(yōu)化過的解決特定應用場景的模型，一方面不知道應該如何選擇這些框架，TalkingData 推出的 Android Deep Learning Framework 就為了解決這些問題。我們提供了針對移動平臺的各種類型的模型，以及它們在主流機型行的實測 Benchmark，另外也提供了利用這些預訓練模型和自己的數(shù)據集進行再訓練的服務器端腳本和自動化工具，最后就是封裝了一個上層 DL API，讓開發(fā)者可以支持各種移動端深度學習框架，并為這些模型的使用提供統(tǒng)計分析服務。

Break: 上午茶歇 由Google贊助 (Morning Break sponsored by Google)

Break: 下午茶歇 (Afternoon Break)

周四午餐主題桌會 (Thursday Topic Tables at Lunch)

午餐時尋找和其他與會者的社交？主題桌會討論幫助你結識相似行業(yè)或有共同話題的與會來賓。

Break: - 8:45 早咖啡服務 由SAP贊助 (Morning Coffee and Tea Service sponsored by SAP)

快速社交 (Speed Networking)
在本次人工智能大會上與尋求聯(lián)系的與會者會面。會議將在周四主題演講之前舉行一個非正式的快速社交活動。一定要帶上自己的名片來享受社交活動。

用深度學習給地圖換新顏

報告廳（Auditorium)

Li Li (ESRI)

制圖學是一個歷史悠久的學科。古希臘地理學家C.托勒密的《地理學指南》就是一部地圖制圖學著作。托勒密認為地理學就是“以線畫形式描繪地球上所有迄今已知的部分及其附屬的東西”。幾百年以來，地圖學領域都沒有重大突破。 深度學習作為一個新的技術已經滲透到了各個行業(yè)。帶來了各種各種的技術革新。本講座就是探討如何用深度學習來給地圖換裝。然后展示一些用深度學習技術給地圖換裝的結果。并討論，深度學習在制圖領域的應用。

周五歡迎致辭 (Friday opening welcome)

紫金大廳A（Grand Hall A)

Ben Lorica (O'Reilly Media), Jason (Jinquan) Dai (Intel), Roger Chen (Computable Labs)

Program chairs Ben Lorica, Jason Dai, and Roger Chen open the second day of keynotes.

Get your hard hat: Intelligent industrial systems with deep reinforcement learning

紫金大廳A（Grand Hall A)

Mark Hammond (Bonsai)

Mark Hammond explores a wide breadth of real-world applications of deep reinforcement learning, including robotics, manufacturing, energy, and supply chain. Mark also shares best practices and tips for building and deploying these systems, highlighting the unique requirements and challenges of industrial AI applications.

TensorFlow對科學的影響

紫金大廳A（Grand Hall A)

Sherry Moore (Google)

人工智能已經不是未來的科技，它正快速地成為我們日常生活的一部分。在本演講中，谷歌TensorFlow的領導者Sherry Moore將會介紹機器學習是如何造福世界的，特別是對于科學的發(fā)展。她將會討論她自己的關于學習如何學習（AutoML）的工作以及幾個在中國和全世界使用TensorFlow和機器學習的迷人案例。

主題演講, Dr. Bowen Zhou

紫金大廳A（Grand Hall A)

Bowen Zhou (JD.com)

敬請期待更多細節(jié)。

Keynote by Hassan Sawaf

紫金大廳A（Grand Hall A)

Hassan Sawaf (Amazon Web Services)

Details to come.

智能簡史

紫金大廳A（Grand Hall A)

Hsiao-Wuen Hon (微軟亞洲研究院 (Microsoft Research Asia))

人工智能已經引發(fā)了眾多關注和討論，而關于人類智能和人工智能孰優(yōu)孰劣的辯論也不斷升溫。在這個主題演講中，洪小文博士將介紹人工智能（AI）以及人類智能（HI）的歷史。從歷史的維度，以深刻的洞察，闡述AI和HI是如何彼此交織并共同進化的，并預示AI和HI可能的未來。

微軟亞洲研究院的深度圖像合成技術

紫金大廳A（Grand Hall A)

Baining Guo (微軟亞洲研究院 (Microsoft Research Asia))

關于微軟亞洲研究院通過人工智能技術進行圖像合成的最新研究概述。從把普通照片變成畢加索風格的繪畫，到生成萊昂納多·迪卡普里奧（Leonardo DiCaprio）的新圖像，我們展示了深度學習所帶來的新的可能性。

人工智能在高精地圖制作中的應用

紫金大廳A（Grand Hall A)

焦加麟 (Uber Technologies Inc)

在無人車科學家和工程師們孜孜不倦的實踐和思辨中，高精地圖（High Definition Map）事實上已經成為現(xiàn)今無人車技術生態(tài)系統(tǒng)中的不可缺少的基礎設施之一。同樣是對現(xiàn)實世界道路網絡以及周邊環(huán)境的建模，比起一般的電子地圖，高精地圖必須精確到厘米級，同時需要更頻繁的更新以保證其正確性。如此高度的精確性和頻繁更新的要求，給高精地圖的制作帶來來巨大的挑戰(zhàn)，其中包括專用軟硬件的設計和研發(fā)、成千上萬的城市的天文數(shù)字級別的數(shù)據的收集、處理、存儲和信息化、語義化等等。這一切，使得高精地圖的制作成本非常昂貴，需要耗費大量的時間和人力。利用人工智能提高自動化的程度，是降低成本、加快其制作過程的必須的手段。本議題將會深入淺出的介紹各種人工智能技術在高精地圖的制作中的各個環(huán)節(jié)中的應用，以科普大眾并喚起專業(yè)人士對人工智能在無人車高精地圖制作中的應用的興趣和重視。

在TensorFlow中構建和部署模型

紫金大廳A（Grand Hall A)

Sherry Moore (Google)

TensorFlow可以讓你進行高速運算，很多時候是在機器學習的情景下。 Sherry Moore將會介紹TensorFlow的最新進展，包括TensorFlow立刻執(zhí)行機制和TensorFlow Lite。她還會分享一些最佳實踐，并將演示機器學習的一些有用的應用。

視覺智能及其在機器人行業(yè)中的應用

紫金大廳A（Grand Hall A)

李忠偉 (深圳普思英察科技有限公司（PerceptIn China）)

本演講主要闡述視覺智能（Visual Intelligence）的定義，傳感器分類和介紹，流行算法和介紹，應用場景以及創(chuàng)新點。 介紹視覺傳感器的發(fā)展歷史以及分類，包括被動光攝像頭和主動光攝像頭以及其他衍生傳感器 介紹基于視覺的算法：深度學習算法和SLAM算法 介紹視覺智能在機器人行業(yè)中的應用，包括家庭機器人，服務類機器人，無人駕駛汽車。 最后介紹多傳感器融合的解決方案在機器人行業(yè)的應用以及必要性。

人工智能平臺的探索與實踐

紫金大廳A（Grand Hall A)

張華 (華為技術有限公司)

（1）定義與認識人工智能這座山峰 （2）人工智能平臺的邏輯架構 （3）人工智能平臺中自然語言處理與機器學習的技術棧 （4）在NLP+ML上的技術探索 （5）人工智能平臺中計算機視覺與機器學習的技術棧 （6）在CV+ML上的技術探索

Transfer learning and the future of AI

紫金大廳B（Grand Hall B)

Dr. Catherine Havasi (Luminoso)

The next frontier in AI is transfer learning, which enables computers to apply what they’ve learned in one scenario to new situations, making AI-based systems far more powerful, reusable, and flexible. But is it ready for enterprise deployment, and if so, how can it be applied to solve business problems? Join Catherine Havasi to find out.

The tensor processing unit: A processor for neural network designed by Google

紫金大廳B（Grand Hall B)

Kaz Sato (Google)

The tensor processing unit (TPU) is a LSI designed by Google for neural network processing. The TPU features a large-scale systolic array matrix unit that achieves outstanding performance-per-watt ratio. Kazunori Sato explains how a minimalistic design philosophy and a tight focus on neural network inference use cases enables the high-performance neural network accelerator chip.

Lessons learned from Singles Day: Using AI to keep ecommerce and internet business glitch free

紫金大廳B（Grand Hall B)

Shyam Sundar (Anodot)

Shyam Sundar explains how to use unsupervised machine learning to keep websites and mobile apps running smoothly under the stress of massive numbers such as those seen on Singles Day. With this method, pricing errors, conversion problems, and business opportunities can be caught early and resolved, protecting companies against revenue loss and brand damage.

Optimizing deep learning frameworks for modern Intel CPUs

紫金大廳B（Grand Hall B)

Huma Abidi (Intel)

Intel has been optimizing deep learning frameworks (in collaboration with framework owners) for Intel Xeon processors based on its Skylake microarchitecture. Huma Abidi details these collaborative optimization efforts, particularly for TensorFlow and MXNet, explains how users can leverage these optimizations, and shares specific tuning tips to get the best performance on Skylake platforms.

Feature engineering: The missing link in applying machine learning to deliver business value

紫金大廳B（Grand Hall B)

Hendra Suryanto (Rich Data Corporation )

Hendra Suryanto shares a case study from a Canadian financial lender that his company helped transition from manual to automated credit decisioning, using gradient boosting machine and deep learning to build the model. In addition to modeling techniques, Hendra highlights the role feature engineering plays in improving model performance.

低精度計算用于深度學習推斷和訓練

報告廳（Auditorium)

Brian Liu (Intel)

目前，商用的深度學習應用大多使用32位單精度浮點數(shù)(fp32)進行訓練和推斷。已有不同的研究顯示在訓練或推斷中使用更低精度表示（訓練16位，推斷8位或更低；由于反向傳播中的梯度表示，訓練需要相對較高精度）仍能保持基本相同的準確度。低精度表示在未來數(shù)年內很可能成為業(yè)界標準做法，尤其是針對卷積網絡應用。低精度表示至少帶來了兩個好處。一是極大減少了模型的存儲量，提高了緩存效率，數(shù)據可以更快地在內存、緩存、寄存器間搬移從而避免內存訪問成為瓶頸；二是硬件可能提供更高的計算能力（每秒運算次數(shù)）。這里我們將回顧低精度表示用于深度學習訓練或推斷的歷史，并展示英特爾是如何在志強可擴展處理器上利用低精度表示進行深度學習計算的（例如如何進行數(shù)值量化）。

深度學習在智能教育中的應用

報告廳（Auditorium)

Hui Lin (Liulishuo)

教育的個性化和高效率離不開智能化。本次演講將結合“流利說”在過去5年的實踐，從問題定義、數(shù)據獲取、算法設計、模型優(yōu)化等方面介紹如何將深度學習運用于語音識別、知識跟蹤、以及自然語言處理等領域。實驗結果顯示，搭載這些智能技術的學習產品能將學習效率提升三倍。

計算機創(chuàng)作對聯(lián)、詩歌和音樂

報告廳（Auditorium)

周明 (微軟亞洲研究院 (Microsoft Research Asia))

創(chuàng)作詩歌、音樂是人類獨具的能力。然而，隨著深度神經網絡和大數(shù)據的發(fā)展，計算機已經逐步具備了創(chuàng)作詩歌和音樂的能力。我們致力于把AI融入到創(chuàng)作過程中，并且?guī)椭胀▽崿F(xiàn)創(chuàng)作夢想。為此，我們長期以來進行了對聯(lián)、詩詞的研究。2005年就開發(fā)了中文對聯(lián)系統(tǒng)(http://duilian.msra.cn).。以后又陸續(xù)開發(fā)了格律詩寫作，猜字謎和出字謎。2016年開發(fā)了小冰寫詩。目前我們正在探索先進的神經網絡和大數(shù)據來模仿人類的音樂創(chuàng)作過程。我們采用了融入上下文的編碼-解碼方法來產生詩歌、歌詞和譜曲。取得了富有希望的成果。我們的電腦音樂創(chuàng)作已經在CCTV的機智過人節(jié)目播出。獲得好評，由電腦寫出歌詞，然后配上曲譜，然后通過聲音合成，唱出歌曲。

基于深度學習的自然語言處理

紫金大廳A（Grand Hall A)

Yinyin Liu (Intel)

深度學習為自然語言處理 (NLP) 帶來新機遇和新希望。借助全新的深度學習方法，數(shù)據科學家可處理基于文本、語言和對話的應用，創(chuàng)造性地構建適用于各種 NLP 應用的基礎。了解人工智能技術正如何推動 NLP 的發(fā)展以惠及各行各業(yè)。

深度學習與地質學能碰撞出什么樣的火花？

報告廳（Auditorium)

李蒼柏 (中國地質科學院礦產資源研究所)

眾所周知，現(xiàn)在的深度學習已經在各個行業(yè)開始了應用。但是深度學習如何與地質行業(yè)相結合，這還是一個新興的話題，國外目前，已經開始用深度學習來處理實驗室地震數(shù)據，用以提高地震預測的時間；國內也已經有很多人用卷積神經網絡開始對巖石圖像數(shù)據進行處理，這次議題我做的報告是，在介紹前人工作的基礎上，介紹一下自己在地質上的應用！

Session by Hassan Sawaf

多功能廳2（Function Room 2)

Hassan Sawaf (Amazon Web Services)

Details to come.

Deep reinforcement learning’s killer app: Intelligent control in real-world systems

多功能廳2（Function Room 2)

Mark Hammond (Bonsai)

Mark Hammond dives into two case studies highlighting how deep reinforcement learning can be applied to real-world industrial applications.

Building deep reinforcement learning applications on BigDL and Spark

多功能廳2（Function Room 2)

Arsenii Mustafin (Fudan University)

Deep reinforcement learning is a thriving area and has wide applications in industry. Arsenii Mustafin shares his experience developing deep reinforcement learning applications on BigDL and Spark.

Databases: The past, the present, and the future of cognitive computing

多功能廳2（Function Room 2)

Haikal Pribadi (GRAKN.AI)

The relational database enabled the rise of BI systems, and NoSQL databases enabled web scale applications. Now, the future is cognitive computing. However, these systems process data that is more complex than before. Haikal Pribadi reviews the evolution of databases and explains where knowledge graphs and bases sit in this evolution. Could they serve as the next generation of databases?

Smart diagnosis in healthcare with deep learning

多功能廳2（Function Room 2)

Nishant Sahay (Wipro Limited)

Deep learning with ConvNet in particular has emerged as a promising tool in medical research labs and diagnostic centers to help analyze images and scans, and systems are now surpassing human capability for manual inspection. Nishant Sahay explains how to apply deep learning to analyze high-end microscope images and X-ray scans to provide accurate diagnosis.

基于Apache Spark的彈性調度在GPU/CPU異構環(huán)境中的深度學習應用

多功能廳5A＋B（Function Room 5A+B)

Yonggang Hu (IBM), Junfeng Liu (IBM), Feng Kuan (IBM Canada)

深度學習技術是從海量數(shù)據集中構建人工智能的關鍵技術。將Apache Spark與諸如Caffe, MxNet等深度學習框架的集成之后，可以使得后者的學習階段能夠大規(guī)模并行化,但在企業(yè)部署中會面臨很多問題。我們將會分享我們在使用Apache Spark進行深度學習，特別是使用GPU的深度學習的方法以及相應的認知計算實際案例。

基于BigDL的超大規(guī)模圖像處理在京東的實踐

多功能廳5A＋B（Function Room 5A+B)

邱鑫 (Intel)

BigDL（基于Apache Spark的大數(shù)據分布式的深度學習框架）為大規(guī)模圖像處理提供了豐富的端到端支持。我們將介紹如何使用BigDL搭建靈活性和高可擴展性的端到端深度學習應用程序。我們還將分享我們在京東構建大規(guī)模圖像特征提取流水線的經驗。

自動駕駛系統(tǒng)中的人工智能: Artificial intelligence in autonomous vehicle systems

多功能廳5A＋B（Function Room 5A+B)

Liyun Li (京東硅谷研發(fā)中心X-lab)

盡管人工智能技術已經在諸如計算機視覺和自然語言處理等領域獲得了巨大的成功，如何在自動駕駛系統(tǒng)中有效地利用AI的能力仍然是一個很大的挑戰(zhàn)。我們將以"Apollo"這一百度的開源無人駕駛平臺系統(tǒng)做為基準和樣例, 深入討論并且分享在搭建智能的無人駕駛系統(tǒng)各個方面利用AI技術的實踐和經驗。通過講解Apollo無人駕駛系統(tǒng)背后的設計理念以及各個功能模塊，我們將分享并展示AI技術在Apollo無人駕駛系統(tǒng)中各方面的應用, 包括環(huán)境感知，行為預測，行為決策，以及控制規(guī)劃等。同時我們將結合Apollo系統(tǒng)中的端到端學習實踐，探討AI技術在未來無人駕駛系統(tǒng)中更好的應用場景。

把AI注入BI: Kensho – 微軟的自動化商業(yè)指標監(jiān)控和診斷工具

多功能廳5A＋B（Function Room 5A+B)

Tony Xing (Microsoft), Bixiong Xu (Microsoft)

在這個議題中，我們會介紹Kensho, 一個基于AI的商業(yè)指標監(jiān)控與診斷工具, 我們通過將AI元素注入這個BI工具，從而構建來服務不同的微軟團隊的歷程。我們的從中學到的經驗教訓，技術的選擇和煙花，架構，算法等等。通過工程+數(shù)據科學解決了一個工業(yè)界的一個通用需求。

人工智能時代，二手交易平臺的智能推薦系統(tǒng)如何演進

多功能廳5A＋B（Function Room 5A+B)

孫玄 (轉轉公司)

轉轉的推薦系統(tǒng)從0開始打造，針對業(yè)務的不同階段，一步步發(fā)展演進。在發(fā)展的過程中經歷了全局無個性化推薦階段、個性化離線推薦階段、個性化實時推薦階段、機器學習排序推薦階段等。 本文會詳細講解不同發(fā)展階段的原因、架構&算法的演進，讓同學們對二手交易平臺的智能推薦系統(tǒng)能夠深刻認識。

無人駕駛技術產業(yè)鏈條

多功能廳6A+B（Function Room 6A+B)

Weiyue Wu (University of Oxford)

無人駕駛技術是多個技術的集成， 一個無人駕駛系統(tǒng)包含了多個傳感器，包括長距雷達、激光雷達、短距雷達、車載攝像頭、超聲波、 GPS、 陀螺儀等。每個傳感器在運行時都不斷產生數(shù)據，而且系統(tǒng)對每個傳感器產生的數(shù)據都有很強的實時處理要求。 無人駕駛序幕剛啟，其中有著千千萬萬的機會亟待發(fā)掘。在此背景之下，過去的幾年中，自動駕駛產業(yè)化在多個方面取得了很大進步，其中合作共享已成為共識，產業(yè)鏈不斷整合，業(yè)界企業(yè)相繼開展合作，傳感器價格將不斷下降，預計在2020年，將有真正意義上的無人車面世。 我們可以預測一個不遠的未來，屆時所有行駛的車輛都是無人駕駛車，我們將迎來一個更加安全、更加清潔環(huán)保的世界。 本次演講，我們將解析無人駕駛技術產業(yè)鏈條，分析無人駕駛發(fā)展和即將面臨的問題。最后，將給出無人駕駛發(fā)展的路線圖，揭示在 未來二十年內無人駕駛的走勢。

Smart Data – 從數(shù)據驅動智能到智能駕馭數(shù)據

多功能廳6A+B（Function Room 6A+B)

Xiatian Zhang (TalkingData)

大數(shù)據直接推動了人工智能的發(fā)展，但如何有效管理和利用大數(shù)據也一直是非常有挑戰(zhàn)的問題。梳理數(shù)據，整理數(shù)據，利用數(shù)據都非常依賴于數(shù)據工程師，數(shù)據分析師和數(shù)據科學家的個人能力，經驗，以及責任心。基于數(shù)據創(chuàng)造和發(fā)展智能的一大瓶頸就在于這個過程非常的依賴于人。為了提高效率，降低基于數(shù)據的智能的成本，擴大其應用范圍，我們必須利用智能技術來處理和利用大數(shù)據，盡量減少對人的依賴。

大規(guī)模人工智能在優(yōu)步：大數(shù)據和機器學習的雙城記

多功能廳6A+B（Function Room 6A+B)

Zhenxiao Luo (Uber)

優(yōu)步應用大數(shù)據技術和機器學習技術為客戶尋找最舒適的出行地點，預測最佳的航行路線，從而更好的服務客戶需求。在這個講座中，我們將討論優(yōu)步如何建立起大數(shù)據系統(tǒng)，和機器學習系統(tǒng)，并逐漸將兩個系統(tǒng)統(tǒng)一起來。我們會重點討論優(yōu)步大數(shù)據的緩存策略，以及如何有效的應用緩存來支持大規(guī)模的機器學習。

理解視覺數(shù)據

多功能廳6A+B（Function Room 6A+B)

Yurong Chen (Intel)

如今，視覺感知無處不在，其成本在日益下降，視覺數(shù)據也在快速增長。因此，分析和理解海量的視覺數(shù)據已成為一大挑戰(zhàn)。為攻克這一挑戰(zhàn)，英特爾研究院正對英特爾平臺上的智能視覺數(shù)據處理技術進行創(chuàng)新型研究。在本演講中，我們將介紹英特爾如何通過各個領域的前瞻性研究，如臉部分析、情緒識別、用于對象檢測的高效 CNN 設計、DNN 模型壓縮和密集視頻字幕等，推進基于深度學習的視覺理解。

多核嵌入式智能系統(tǒng)的實時調度策略及實現(xiàn)

多功能廳6A+B（Function Room 6A+B)

韓建軍 (華中科技大學計算機科學與技術學院)

嵌入式AI與云端AI的協(xié)同融合已成為當今人工智能計算系統(tǒng)的主流方式。首先介紹嵌入式AI的應用范圍、特點及其發(fā)展趨勢。面向異構多核+特定加速器的嵌入式計算系統(tǒng)，基于資源共享的多核體系結構，結合無人駕駛、機器人等AI領域的混合關鍵實時系統(tǒng)，針對制約實時應用效率提升的關鍵因素，從實時應用的調度算法、調度策略及Linux操作系統(tǒng)實現(xiàn)等方面，匯報當前的研究進展。側重多核系統(tǒng)中資源競爭限制下的實時可調度理論、劃分調度算法、節(jié)能調度機制、操縱系統(tǒng)實現(xiàn)等相關內容，介紹目前的高效調度策略及技術實現(xiàn)方案，用以提高嵌入式智能系統(tǒng)的資源利用率、并行效能及能量效率。 面向嵌入式AI系統(tǒng)的發(fā)展趨勢，從主流的計算平臺體系結構的特征分析出發(fā)，提出當前實時調度理論及應用實現(xiàn)中尚存的關鍵問題，共同探討可行解決方案及技術手段，為奠定嵌入式AI系統(tǒng)中實時應用的理論及實踐的基礎提供有益思路。

Break: 上午茶歇 (Morning Break)

Break: 下午茶歇 (Afternoon Break)

周五午餐主題桌會 (Friday Topic Tables at Lunch)

午餐時尋找和其他與會者的社交？主題桌會討論幫助你結識相似行業(yè)或有共同話題的與會來賓。

快速社交、早咖啡/茶服務 (Speed Networking and Morning Coffee and Tea Service)

本次人工智能會議上午8:00-8:30可以和希望社交的與會來賓見面。我們將在周五主題演講之前搞一個非正式快速社交活動。一定記得帶名片參加活動。