Интеграция AI и ML в информационные системы и как не изобретать велосипед
Программный комитет ещё не принял решения по этому докладу
Целевая аудитория
Тезисы
1. Постановка задач
1.1 Цикл разработки AI+ML решений
1.2 Цикл сбора, хранения и использования знаний
1.3 Edge VS Local VS Remote
2. Как сделать доступнее разработку AI+ML
2.1 Рабочая среда: Python
2.2 Рабочая среда: TF+PT+CUDA
2.3 Рабочая среда: модели
2.4 Как не решать не свои задачи И DevOps/MLOps И разработчикам
3. Архитектура
3.1 Среды и экземпляры - тонкая грань между ними и почему она часто рвётся
3.2 Хранение моделей: исходные и дообученные
3.3 Хранение знаний: правильное разделение и защита
4. Практические кейсы
4.1 Добавляем голосовые команды: софт + железо
4.2 Добавляем голосовой ответ: софт + железо
4.3 Почему Local = must have
4.4 [Edge vs Local] -> [Edge + Local]
4.5 Remote: как правильно добавлять внешние данные и что действительно для этого нужно по софту и железу
В IT пришёл в начале 90-х и начал с программирования и железа, попутно разбираясь в интересных разделах математики, что и привело к нейронным сетям и самопайным устройствам с ассемблером. Параллельно по практике занялся системным администрированием с уклоном в сети, безопасность и построение информационных систем, которые управляли собой сами. После ухода из университета продолжает свои изыскания и по сей день, делая упор на практическом применении. Преподавал курс собственной разработки по FreeBSD в ЦКО «Специалист» при МГТУ им. Баумана и в закрытом режиме по заказу внутри компаний. Со временем дошёл до системного архитектора и идет дальше, иногда преподает по настроению :)
Видео
Другие доклады секции
MLOps, DataOps и Data Engineering
