AI Talks #2: ML i DevOps
- 18:00 – 18:10 Otwarcie
- 18:10 – 18:40 NLP – Mateusz Półtorak
- 18:40 – 18:55 Explainable AI: Interpreting black-box model predictions using LIME – Iza Krysińska
- 18:55 – 19:10 Mixed Precision and Quantization in Neural Networks – Marek Rydlewski
- 19:10 – 19:55 Ephemeral Cloud environments in CI/CD process – Paweł Gruszczyński & Przemysław Iwanek
- 19:55 – 20:10 Quiz
- 20:10 – 21:00 Poczęstunek
# AI & Tech Talks, 8-Czerwiec-2022, godz. 18:00
Pearson: Welcome back!
Po dwuletniej przerwie wróciliśmy i mamy zaszczyt zaprosić Was na nasz kolejny meetup.
Tym razem swoim doświadczenie podzielą się zarówno nasi spece od ML (Izabela Krysińska, Mateusz Półtorak i Marek Rydlewski), jak i od DevOpsowania (Paweł Gruszczyński i Przemysław Iwanek).
==================
Natural Language Processing - Mateusz Półtorak (30 min)
Ekstrakcja informacji semantycznych to gorący temat (jak całe NLP). Wykład ten skupi się na technikach przetwarzania języka naturalnego, które mają na celu wyodrębnienie informacji semantycznych z wprowadzanego tekstu. W trakcie wykładu dostrzeżemy różnice między wykrywaniem parafraz a wnioskowaniem w języku naturalnym. To pozwoli nam określić, które przypadki użycia mogą skorzystać z tych metod. Wykład dostarczy przykładów z dziedziny nauki języka angielskiego, gdzie aplikacje często muszą wywnioskować czy nieustrukturyzowane odpowiedzi uczniów pasują do odpowiedzi wzorcowej.
==================
Explainable AI: Interpreting black-box model predictions using LIME - Izabela Krysińska (15 min)
Wiele najnowocześniejszych modeli uczenia maszynowego to modele czarnoskrzynkowe. Dla ludzi zrozumienie jak one działają wewnętrznie jest prawie niemożliwe. Algorytmy, takie jak LIME, mogą wyjaśniać predykcje modelu bez zagłębiania się w jego strukturę. W tej prelekcji przedstawię Ci dogłębne zrozumienie algorytmu LIME – ogólnej struktury do odkrywania modeli czarnoskrzynkowych
==================
Mixed Precision and Quantization in Neural Networks – Marek Rydlewski (20 min)
Parametry sieci neuronowych są zwykle przechowywane w postaci zmiennoprzecinkowej z 32-bitową precyzją. Mieszana precyzja i kwantyzacja to techniki konwersji liczb float32 na mniejszą precyzję, jak float16 lub int8. Może to pomóc w zmniejszeniu rozmiaru modelu i zwiększeniu szybkości uczenia się i wnioskowania. W tym wykładzie opiszemy podstawę działania mieszanej precyzji i kwantyzacji oraz tego, jak łatwo możemy je włączyć w PyTorch.
==================
Ephemeral Cloud environments in CI/CD proces – Paweł Gruszczynski & Przemysław Iwanek (45 min)
Każdy proces CI/CD wymaga izolowanego środowiska w chmurze ze świeżym zestawem danych testowych, który jest następnie tymczasowo wykorzystywany podczas uruchamiania testowego i nie jest potrzebny później. Skonfigurowanie całego stosu chmury tylko do jednego uruchomienia testowego jest kosztowne i nieefektywne. Pokażemy Ci, w jaki sposób osiągnęliśmy cel taniej, szybciej, mając na uwadze wysoką równoległość.
