GoDataDriven auf der belgisch-niederländischen Konferenz für maschinelles Lernen

Auf der diesjährigen BElgium-NEtherlands-Konferenz zum maschinellen Lernen(benelearn 2015, Delft Niederlande) hat GoDataDriven als Sponsor der Veranstaltung einen Beitrag geleistet und Inhalte geliefert: Unser Ivo Everts hat einige seiner jüngsten Arbeiten zum maschinellen Lernen für die Objekterkennung in Bildern vorgestellt. Es war ein sehr interessanter Tag mit einer Reihe guter Redner und einem gemischten Publikum aus Wissenschaft und Industrie. Einige Höhepunkte:

Optimierung der Parknachfrage

Während seiner Zeit bei Xerox (er wird nächsten Monat zu Booking.com wechseln) untersuchte Onno Zoeter, ob die Abdeckung von Parkplätzen in städtischen Gebieten optimiert werden kann. Wichtig ist in diesem Zusammenhang die Beobachtung, dass ein erheblicher Teil der Verkehrsstaus (und des Ärgers) in den Städten von Menschen verursacht wird, die einen Parkplatz suchen. Auf der Grundlage von sensorischem Input von Parkplätzen wurde eine mobile Anwendung entwickelt, die Autofahrer über freie Plätze informieren kann. Aber noch wichtiger ist, dass es in diesen sensorischen Daten Muster gibt, die in Wert umgewandelt werden können: Zoeter nutzte die Daten, um den Prozess der Parkplatzsuche zu verstehen, und entwickelte eine Methode, auf deren Grundlage die Preise dynamisch angepasst werden. Dies führte zu weniger Staus und geringeren Parkkosten pro Person und zu höheren Einnahmen für die Stadtverwaltung! Ein großartiges Beispiel für das 'Internet der Dinge' - sehen Sie es sich an.

Tiefe neuronale Netzwerkkompression

Kilian Weinberger von der Cornell University stellte seine Arbeit über maschinelles Lernen unter Ressourcenbeschränkungen vor. Er stellt fest, dass die besten Algorithmen heute diejenigen sind, die am meisten von den heutigen großen Datenmengen und Rechenressourcen profitieren, dass es aber dennoch in unserem Interesse liegt, diese Algorithmen in wirtschaftlicheren Umgebungen ausführen zu können. Sie möchten zum Beispiel ein tiefes neuronales Netzwerk auf einem mobilen Gerät für die Spracherkennung ausführen oder Sie haben einfach nicht die Ressourcen, um einen Computer-Cluster einzurichten und zu unterhalten. In diesen Fällen ist es notwendig, die Berechnungsmodelle so weit wie möglich zu komprimieren und dabei die Leistung beizubehalten, die Sie ohne Komprimierung erreichen würden. Weinberger hat dies für tiefe neuronale Netze erreicht, indem er die Anzahl der verschiedenen Werte, die die Netzwerkparameter annehmen können, begrenzt hat. Dies führte zu einer 64-fachen Komprimierung im Speicher , ohne die Größe des Netzwerks zu verringern, bei vernachlässigbarem Leistungsverlust. Diese Art von Arbeit wird eine häufigere Verwendung der stärksten Modelle für die Mustererkennung ermöglichen. Doppelt genaue Gleitkommazahlen in einem einzigen Bit!

Wissenschaft trifft Industrie

Die Teilnehmer von benelearn waren ein gemischtes Publikum aus Wissenschaft und Industrie. Unternehmen wie Booking.com und Travelbird nutzen maschinelles Lernen, um Nutzerprofile zu erstellen und gute automatische Vorschläge und Rankings für Hotels und Reisen auf ihrer Website zu machen. Microsoft bietet Dienste an, die seinen Kunden bei der Verwaltung und Analyse ihrer Daten mit Hilfe statistischer Techniken helfen, z.B. auf der Azure-Plattform. Owlin extrahiert mithilfe von maschinellem Lernen automatisch aussagekräftige Informationen aus Nachrichtenquellen, die in einem Risiko- oder Handelskontext relevant sind. Wir trafen auch Leute von Algoritmica, Rabobank und Amazon und natürlich von den Universitäten Amsterdam, Delft, Leiden, Leuven, Gent und so weiter. Uns alle verbindet das Interesse an den aktuellen und zukünftigen Entwicklungen des maschinellen Lernens, sowohl in der Theorie als auch in der Praxis. Und GoDataDriven ist stolz darauf, ein Teil davon zu sein!