AMiner是全球领先的学术网络分析挖掘系统，基于来自异构数据源的上亿学者、机构、技术概念、科技文献、专利等信息构建了科技领域知识图谱，为用户提供包括专家发现、合作推荐、技术热点趋势分析等功能。为BATH等顶级科技企业及国内外科研机构提供知识智能服务。

异构数据融合是AMiner底层知识图谱构建的核心问题。这次演讲将分享我们在多源异构数据融合、实体排岐等问题上采用的机器学习模型、技术方案及实践心得。

演讲提纲

• 异构数据融合及知识图谱构建介绍
• 异构数据融合中的机器学习方法

1. 异构网络数据的实体表征学习
2. 重名实体排岐及实体链接
3. 交互式验证及基于反馈主动学习

• 基于科技知识图谱的智能服务

听众收益

• 了解异构数据融合及知识图谱构建的核心问题及相关的机器学习技术方案
• 了解科技知识图谱的应用场景

Abstract:

Human’s perception, learning, cognition, and activities are mostly mediated through vision. Deep learning has fundamentally changed the landscape of image/video understanding in recent years, thanks to the advances of big data, big computing, and innovations in deep architectures and learning methods. In this talk, I will discuss the key ideas and major advances in deep learning technologies in the quest for visual intelligences. I will shed some light on the go-to-market aspect of this exciting field, based on some use cases. I will also discuss open issues.

解锁深度视频理解的潜力

人工智能离不开感知，而视觉是我们最主要的感知手段。深度学习近年来颠覆了图像/视频理解的进程。这要归因于大数据，大计算，和深度学习体系结构和方法的巨大进步和创新。这次演讲将讨论在视觉智能发展中深度学习技术的关键理念和主要进展，并基于一些实际用例简单阐明如何在这个令人兴奋的领域中开拓市场，实现技术落地。本次演讲也将讨论一些未来技术趋势。

提纲：

1. 视觉智能和深度学习简介；
2. 深度图像理解技术；
3. 深度视频理解技术；
4. 实际应用及市场化；
5. 未来技术趋势探讨。

听众受益点：

1. 了解视觉计算核心问题和相关的深度学习技术方案；
2. 了解深度视频理解的应用场景和技术瓶颈；
3. 了解业界技术状态和趋势。

文本自然语言处理（NLP）是人工智能的重要方向，是继图像和语音处理技术（感知技术）突破之后的一个令人期待的关涉认知技术的核心环节。

大数据文本给自然语言处理提供了广阔的场地。本次演讲通过深入介绍自然语言自动分析的历史和现状，勾画出自然语言技术的应用前景。重点在展示和论证深度自然语言自动分析对于自然语言技术应用的革命性作用，这些应用包括智能搜索，情感分析，数据挖掘，问答系统和智能助理等。迄今为止的自然语言应用大多局限于浅层分析或者端对端的系统，并没有做到语言的结构分析和语义理解，而后者才是自然语言表达信息的奥秘所在。自然语言深度分析的技术正在成熟，已经到了显示威力的前夕。

演讲过程中将结合知识图谱和大数据舆情挖掘，来展示深度语法分析（deep parsing）的原理和威力。

演讲提纲：

1. 人工智能的历史和现状简介：从感知到认知
2. 自然语言技术的历史和现状：端对端的突破，大数据和深度学习的革命，知识瓶颈的困境，深度分析的对策
3. 深度分析是什么？非结构的结构化
4. 什么样的深度法分析是自然语言技术应用的核武器
5. 应用举例：知识图谱
6. 应用举例：舆情挖掘
7. 应用举例：智能搜索和问答系统
8. 结语

听众受益：

• 对于人工智能与自然语言的从业人员，以及对自然语言技术感兴趣的人士（学者、学生、投资人、企业家、IT人士）开阔眼界，了解动态以及促进技术的产品化有益。

物流是一个全年都很忙碌的行业，顺丰作为作为国内最大的快递公司，在前沿技术的研究上更为超前。

AI算法就是其中一项，在这次演讲中，会主要介绍顺丰科技如何将AI算法应用到物流领域的，以落地实际业务场景为例，分享AI算法在提升效率方面所起的作用。

演讲提纲

• 物流领域中的计算科学
• 线路规划中的人工智能
• 业务变化中的算法优化过程
• 计算机视觉技术在场院中的应用
• 风险控制与机器学习

听众受益

• 最新算法如何落地到实际业务场景，特别是传统行业。
• 机器学习在物流领域的新发展。

卷积神经网络日益增长的模型尺寸为深度学习在移动端的部署与应用带来了巨大的挑战。我们提出了一个新的简洁高效的基于权值采样的卷积神经网络架构－WSNet， 其中各卷积层和完全连接层的权值是从一个紧凑的参数集中采样得到，而非独立习得。在具体应用中，我们把基于权值采样的一维卷积神经网络应用在音频分类上。实验表明，新的网络架构不仅允许权值分享，而且允许计算共享。因此，我们可以学习更小，更高效的神经网络。对多个音频分类数据集的广泛实验验证了我们方法的有效性。结合加权量化，我们可以学习比基准网络小180倍的模型，而不会有明显的性能下降。

演讲提纲

• 深度卷积神经网络简介
• 相关工作回顾
  1. 高效网络架构
  2. 模型压缩
  3. 一维卷积网络应用实例
• WSNet网络架构

1. 空间以及channel的权值采样
2. 高效的一维卷积计算
3. 权值量化

• 实验结果及讨论

听众受益

• 了解不同的深度卷积网络架构
• 了解深度学习的模型压缩
• 深入了解最新的卷积神经网络架构研究成果

近几年越来越多的人关注和参与自动驾驶研究方向，结合了AI、自动化、数学、在线工程、硬件等多项关键技术，实现真正意义的无人驾驶，需要满足安全性、体感以及乘客心理需求，业界目前还没有完全成功的自动驾驶先例。Apollo是业界最大的自动驾驶的开源平台，不断扩展自动驾驶功能。针对感知、定位、预测、决策、规划和控制各技术模块，Apollo将百度自动驾驶进行的技术探索完全开放，其中有很多技术关键点有较大的深入探索价值，我们进行了很多尝试并取得了显著的进展，并借助Apollo平台与大家共同探索，促进自动驾驶领域的快速发展。

演讲提纲

• Apollo平台简介；
• Apollo开源规划和功能release时间点；
• Apollo跟车方案设计；
• Apollo核心算法简介（预测、决策、规划、控制）。

听众受益

• 自动驾驶全球最大开源项目的设计思路；
• 自动驾驶核心算法概览；
• 自动驾驶模块拆分及架构设计要点。

瓜子基因库是瓜子智能平台的一项基础能力，了解用户，了解车源，了解他们之间的关系是进行资源优化的前提。售出概率预测是其中一个难点，因为需要非常精确，才能保证盈利性，而数据集的积累又无法短期内提高。

通过结合人的经验和机器学习算法，瓜子实现了精确预测售车概率，支持了预付款式的业务模式。人工经验与机器能力结合，发挥各自的优势，是瓜子探索的一个重要领域，我们将分享我们的探索心得。

演讲提纲：

• 如何打造可靠的瓜子基因图谱，对车源用户精准画像，支持预付款等高精度业务；
• 如何打造业务人员调度系统，整体优化人效和转化率；
• 人工智能需要哪些支持条件；
• 如何做好人机结合。
• 项目案例分享，以及项目里的细节过程。

听众受益点：

• 在公司创业阶段，应该如何快速建立数据体系，为人工智能做好支撑；
• 如果让机器和人工，最大化人的效率和机器的能力。