自人工智能诞生之始，就和游戏紧密的相结合在一起。因为人们通常认为，人类玩游戏的过程是蕴含着人类的智能的。因此，当人们创造出一个能够完成人类的某种游戏的程序，人们认为这个程序拥有了某种类人的“智能”。所以很多游戏如棋牌，星际争霸会成为人工智能测试的很好的环境。

虽然游戏是人工智能研究上一个广受欢迎的场景，但在传统上，人工智能研究者主要是在游戏中测试新的人工智能算法。而在游戏工业界中，游戏从业者们会更关注于怎么使用AI技术来解决游戏中遇到的问题。因此，在本演讲中，我们会从以下几个方面来讨论AI技术的发展对游戏研发带来的影响：

1. 通过深度强化学习等技术设计一个可以像人一样玩游戏甚至超过人类水平的AI，让玩家更好的沉浸到游戏中，也可以用来测试游戏本身，比如游戏的Bug，游戏的平衡性，游戏的难度等等；
2. 通过GAN等深度学习技术来自动生成游戏内容（包括场景，地图，关卡和虚拟形象），可以减轻游戏研发的成本，同时可以针对玩家提供更多新鲜的内容；
3. 深度学习技术对游戏研发的意义以及其在游戏场景中落地难点和解决方案。

演讲提纲：

1. 游戏人工智能简史
2. 机器学习在游戏中的应用

• 深度强化学习在游戏研发中的应用
• 机器学习在游戏内容生成中的应用

3. 深度学习对于游戏研发的意义

听众受益点：

1. 了解游戏人工智能的发展现状和应用场景
2. 强化学习/深度学习 在 游戏NPC开发中的应用
3. GAN/深度学习在游戏内容生成中的应用

预测模型在LinkedIn是构建统计模型来预测未来的用户偏好和事件趋势。它的重要性不言而喻。其被广泛应用于LinkedIn的个性化推荐产品当中，包括工作推荐、信息流（News Feed）、邮件营销等。

然而，创建大规模预测模型是非常具有挑战性的，它需要处理庞大的数据量和考虑复杂的用户偏好。在这次演讲中，我将介绍预测模型的概念和业界的先进技术，以及当前所遇到的挑战、方案，还有我们在建模实践中开发和应用大规模机器学习(例如：LinkedIn开源机器学习库Photon-ML和易于使用的机器学习平台Photon Gateway)中得到的经验教训。此外，演讲中会引用三个大规模个性化推荐案例加以说明：LinkedIn工作推荐，LinkedIn信息流和邮件营销。

演讲提纲：

1. 预测模型介绍
2. 端到端的预测模型生产系统实现
3. 大规模机器学习介绍
4. 如何应用大规模机器学习在预测模型：经验及教训
5. Photon-ML在LinkedIn信息流和LinkedIn工作推荐的应用实例
6. Photon-Gateway在LinkedIn Email Marketing 的应用实例

听众受益点：

• 了解预测模型的概念和方法
• 了解应用大规模机器学习的实现预测模型的方法和经验
• 应用大规模机器学习进行个性化推荐的实例

本次演讲将分别从算法，硬件和数据的角度，讲述深度学习平台的开发和应用。

深度学习的算法的趋势是更加多样化和灵活化。需要框架提供数百个稳定和向后兼容的接口。同时在编程方式上，需要更接近传统编程语言的模式。演讲将介绍 TensorFlow 和 Paddlepaddle 在接口兼容性上的设计和 Pytorch 的 imperative 编程模式的成功。

硬件将变得更加异构化，服务器将大量采用 GPU，TPU 加速。移动设备的 SoC 将包含 CPU，GPU，NPU。FPGA 也将在很多场景使用。演讲将介绍异构设备编程的难点，深度学习框架对异构设备的常见优化方法和效果。

大规模的数据对科学家和平台都提出了巨大的挑战。本演讲将介绍 Data Version 对于实验复现的作用和 TensorFlow，Paddlepaddle 数据入口的演化历史。

最终演讲会结合具体案例，介绍深度学习框架在不同场景中的应用。

演讲提纲：

1. 深度学习框架如何支持更加灵活和复杂的算法
2. 深度学习框架如何优化异构硬件设备上的性能和资源消耗
3. 深度学习框架如何支持大数据的处理
4. 深度学习框架的应用

听众受益点：

• 深度学习平台的设计，开发，趋势
• 深度学习在算法，硬件设备，数据方面的变化和相关技术
• 深度学习框架和算法的应用

对于一家在线视频服务公司来讲，理解视频的内容其重要性不言而喻，只有深度理解用户观看的内容到底是什么，才能更好的给用户提供个性化的内容推荐、更好的交互体验等产品服务。

Hulu自2016年开始系统性的在视频内容理解方面展开研究，从视频切分、人工合成元素抽取、视频标签生成、精彩片段分析等等课题入手，通过构建系统平台来支撑视频数据的生成和处理，并对业务及产品的支持方面也多有探索。这其中也积累了一些经验，期望借助这个平台的分享，和大家交流Hulu在这个领域是如何探索和应用的，共同探索这个领域的未来发展趋势。

演讲提纲：

We will cover :

1. Importance and urgency of doing video content understanding in Hulu
2. Three main research directions of video understanding in Hulu 
3. Automation Tools
4. Video derived tags, tag lake and tag governance
5. Content generation
6. AI platform's architecture and pipeline for video understanding
7.  FrameHouse
8.  ML/DL platform
9.  Automation pipeline and architecture
10.  Data management and serving
11.  Business and product support and best practice 
12. Content embedding and deep personalization 
13. Ads related experience
14. UX innovation

听众受益点：

• Understand the whole pipeline and architecture of video understanding in Hulu, and learn how Hulu enable AI algorithms through AI platform
• Learn the best practice of how Hulu leveraging video understanding techs to support business and product innovation
• How Hulu process video derived tags and do tag governance