Machine Learning Budapest

Ehetei témáink során szemügyre vesszük, mik azok főbb ML-es szerepkörök, amelyek ma megtalálhatók (és keresettek) a munkaerőpiacon, hogy mi az az Utolsó Mérföld-probléma és hogyan kerüld el a saját ML-projektednél, valamint, hogy milyen állások tűnnek majd el és születnek az egyre jobban elterjedő AI-alapú megoldások hatására.  

0:00 - Bemutatkozás

1:05 - AI & Startup-kultúra Amszterdamban - állam, vagy magánkéz?

3:29 - Közösségépítési tippek kezdőknek

6:11 - Mik az új Machine Learninges projektek alapvető hibái - miért dől be az adatos projektek 80%-a? Az Utolsó Mérföld-probléma. Az említett cikk: https://hbr.org/2019/01/data-science-and-the-art-of-persuasion

12:33 - Alapvető Machine Learninges munkakörök - engineer, scientist, analyst, leader - melyik mit csinál, mihez kell értenie?

21:13 - Hogyan kezdjünk Machine Learning projektet a cégünknél - hogyan kerüljük el az Utolsó Mérföld-problémát?

35:28 - A Hídember - új munkakör, vagy vezetői skill?

39:14 - Merre fejlődik az ML/AI területe Judit szerint? Milyen állások szűnnek meg, milyen új állások születnek?

51:59 - Judit elérhetőségei  

©2020, minden jog fenntartva

Lukács András, egyetemi adjunktus, az ELTE Mestreséges Intelligencia Kutatócsoportjának tagja arról mesél, hogy szerinte mi a különbség (már ha van) az AI felhasználásában üzleti vs. kutatási célokra, hogy milyen kutatások folynak most az ELTE-n, hogyan versenghetnek kisebb intézmények világcégekkel, és, hogy hogyan használ(hat)juk az AI-t az oktatásban!  

0:00 - Bemutatkozás

1:50 - Hogy kezdődött András és az AI kapcsolata? AI-kutatás rövid története az ELTE-n, SZTAKI-n, jelenlegi kutatócsoportok

6:20 - Különbségek a felhasználásban: kutatás vs. business

13:06 - Magyarországon hiánycikk az olyan szakember, aki a területhez és a business-hez is ért – miért, és hogyan lehet ezen változtatni?

15:55 - AI Research Lab jelenlegi kutatásai

22:11 - ELTE kutatások – új módszerek, vagy bizonyított módszerek új alkalmazásai?

25:25 - Kisebb intézmények vs. világvállalatok – Hogy versenghet az ELTE a Google-el?

28:55 - Brute force vs. tanulás – csak azért kell ennyi számítási kapacitás, mert nem tudjuk, mit csinálunk?

32:05 - Modellek generalizációja – valóba általánosabb modellek felé haladunk? iGPT – transzformer modell képfeldolgozásra, konvolúció nélkül

40:04 - AI az oktatásban, adat hiánya/hozzáférhetősége/minősége miatti problémák

48:58 - Mit várhatunk a jövőben az AI-tól?

52:48 - András és az ELTE AI Research Lab elérhetőségei 

©2020, minden jog fenntartva

Az eheti epizódban Tóth Miklós (ML-szakértő, DataBricks tréner, podcaster) arról beszél, hogy hogy találta meg a szenvedélyét az AI területén, hogy miben különbözik a neuron a neurális hálóban és az emberi agyban, hogy miért nem jó a jelenlegi forward propagation modell (és hogy bizonyítja ezt tizenéves lánya), és, hogy miért figyel különösen arra, hogy értéket teremtsen!

0:00 - Bemutatkozás

7:50 - Miklós Startup-tapasztalatai

9:05 - Deep Learning meetupok - miért rejtőzködnek a szakértők?

16:50 - Blockchain és AI

23:50 - Értékteremtés és AI

30:40 - Mik a nehézségek orvosi adathalmazokkal? Bias és explainable AI

36:18 - Architektúrák felhasználása domének között (https://cdn.openai.com/papers/Generat...)

36:50 - Miért elavult a forward propagation, minek kell jönnie helyette? Agyi neuronok vs DL neuronok

40:22 - Mi jön a jövőben?

41:55 - Tippek kezdőknek

47:00 - Miklós elérhetőségei, podcastja  

©2020, minden jog fenntartva

Szabados Leventével - akinek több, mint 15 év tapasztalata van a területen, több céget is indított és a magyar startup-kultúra közismert szereplője - beszélgettünk többek közt arról, hogy hogyan változott az AI területe az utóbbi 15 évben Magyarországon és a világon, hogy hogyan találják meg podcastek izgalmas részeit NLP segítségével, és, hogy miért hülyeség egyre nagyobb teljesítményű grafikus kártyákra költeni (hacsak nem játszani akarsz)!  

0:00 - Bemutatkozás, Levente és a time management 

5:46 - 15 év AI karrier - mi változott ezalatt? 

12:06 - Hogyan találd meg egy podcast érdekes részeit AI-al?  

21:10 - AI startupok rekordbefektetéseket érnek el - de ebből mennyi a parasztvakítás? 

29:12 - Mennyi az esélye egy AI startupnak az óriáscégek ellen? 

30:30 - Na de mis az, hogy AI? Sci-fi vs. tudományos meghatározás 

34:33 - Mesterséges vs. természetes intelligencia 

37:42 - Hogy tanulunk valójában? Lottery Ticket hipotézis, a "tanulás" megértése, miért viccesek az egyre nagyobb grafikus kártyák 

43:52 - Hogyan lehet a terület oktatását up-to-date tartani? 

46:05 - Valós életbeli felhasználás: kell-e hozzá a matek? 

49:50 - Levente és a jövő 

51:40 - Levente elérhetőségei  

©2020, minden jog fenntartva

Az MLBP első vendégével, Nagy-Rácz Istvánnal beszélgettünk az adatelemzés magyarországi helyzetéről, hogy miért nem szeretik a vállalati vezetők a black box modelleket, hogy mire jók az online képzések (és mire nem!), és, hogy hogy induljunk el, ha adatos állást szeretnénk!  

©2020, minden jog fenntartva