infoShare AI Roadshow 2018 - Krzysztof Kudryński & Błażej Kubiak (TomTom) - Deep learning in computer vision

•Download as PPSX, PDF•

1 like•116 views

Gdy patrzymy na świat, nasz mózg natychmiast zamienia postrzegane przez nas obrazy w informacje, intuicję i odczucia. Czyni to z ogromnym wysiłkiem obliczeniowym, wykorzystując olbrzymią sieć z niezbadaną dotąd architekturą. Nie jesteśmy nawet bliscy stworzenia maszyny o porównywalnych możliwościach, ale krok po kroku, usprawniając zarówno sprzęt, jak i podejście algorytmiczne, sprawiamy, że maszyny coraz lepiej rozumieją obrazy, które widzą. Nasz wykład będzie właśnie o tym, jak to działa. Przejdziemy od podstaw działania konwolucyjnych sieci neuronowych, poprzez zaawansowane, praktyczne wskazówki, aż po zastosowanie najnowocześniejszych architektur w praktyce. Zobaczysz przykłady, jak szalenie skomplikowane problemy można rozwiązać za pomocą komputera przenośnego. W międzyczasie zrozumiesz, co się dzieje, dlaczego nowe warstwy są dodawane, dlaczego wprowadzane są nowe koncepcje. Choć prezentacja skierowana jest głównie do osób początkujących lub systematyzujących swoją wiedzę, dosyć płynnie przechodzimy do projektów dotykająch zagadnień zaawansowanych. Zapraszamy wszystkich!

Technology

KRZYSZTOF KUDRYŃSKI
BŁAŻEJ KUBIAK
DEEP LEARNING IN COMPUTER VISION

Plan
• Get excited (7 min)
about the world we live in
• Understand CNN (18 min)
from fundamentals to state-of-the art approach
• Apply CNN (15 min)
by walk-through a challenging computer-vision project.
• Get scared (1 min)
about the world we’ll live in
Deep Learning in Computer Vision
Krzysztof Kudryński

(1982)
www.youtube.com/watch?v=qHepKd38pr0Deep Learning in Computer Vision
Krzysztof Kudryński

Deep Learning in Computer Vision
Krzysztof Kudryński

(2017)
Deep Learning in Computer Vision
Krzysztof Kudryński

(2017)
www.youtube.com/watch?v=W6wzUMk9w-cDeep Learning in Computer Vision
Krzysztof Kudryński

(2008)
Deep Learning in Computer Vision
Krzysztof Kudryński

(2016)
www.youtube.com/watch?v=FKXOucXB4a8Deep Learning in Computer Vision
ⓒKrzysztof Kudryński

www.youtube.com
(1982)
Deep Learning in Computer Vision
Krzysztof Kudryński

(2015)
Deep Learning in Computer Vision
Krzysztof Kudryński

A small bird with yellow
breast, brown crown and
black superciliary
(2015)
Deep Learning in Computer Vision
Krzysztof Kudryński

(2015-2018)
Deep Learning in Computer Vision
Krzysztof Kudryński

100%
0% 0%
Deep Learning in Computer Vision
Krzysztof Kudryński

vertical
edges
horizon
edges
frame
glasses
23
345
3%
97%
Convolution
Max-pooling
Deep Learning in Computer Vision
Krzysztof Kudryński

[n, 200, 180, 4][5, 5, 3, 4]
n
[n, 200, 180, 3]
200
180
n
3
4
3
5
5
4
200
180
DeepLearninginComputerVision
KrzysztofKudryński

vertical
edges
horizon
edges
frame
glasses
23
345
3%
97%
[n, 200, 180, 1] [3, 3, 1, 4] [n, 200, 180, 4]
[n, 20, 18, 4] [5, 5, 4, 1] [n, 20, 18, 1]
[n, 10, 9, 1] [6, 6, 1, 1] [n, 10, 9, 1]
[n, 5, 5, 1]
[25, 2] [n, 2] [n, 2]
placeholder
session
Parse
images with
labels
[0 1]
[0 1]
[1 0]
[1 0]
Deep Learning in Computer Vision
Krzysztof Kudryński

0
Deep Learning in Computer Vision
Krzysztof Kudryński

97% glasses99% glasses
51% glasses
DeepLearninginComputerVision
KrzysztofKudryński

0a
Deep Learning in Computer Vision
Krzysztof Kudryński

0b
Deep Learning in Computer Vision
Krzysztof Kudryński

1
Deep Learning in Computer Vision
Krzysztof Kudryński

Citations: 3000
ALWAYS
POSITIVE
Deep Learning in Computer Vision
Krzysztof Kudryński

1b
Deep Learning in Computer Vision
Krzysztof Kudryński

1c
Deep Learning in Computer Vision
Krzysztof Kudryński

2
Deep Learning in Computer Vision
Krzysztof Kudryński

3
Deep Learning in Computer Vision
Krzysztof Kudryński

4
LADY #0
LADY #1
NO
GLASSES
HAS
GLASSES
Deep Learning in Computer Vision
Krzysztof Kudryński

6a (5)
correct
correct
correct
correct
correct
wrong
wrong
Deep Learning in Computer Vision
Krzysztof Kudryński

6b (6)
Deep Learning in Computer Vision
Krzysztof Kudryński

7a
Deep Learning in Computer Vision
Krzysztof Kudryński

7b
Deep Learning in Computer Vision
Krzysztof Kudryński

We need to
cut the costs!
Optimizer().
minimize(cost)
Deep Learning in Computer Vision
Krzysztof Kudryński

7e
Deep Learning in Computer Vision
Krzysztof Kudryński

8b
Deep Learning in Computer Vision
Krzysztof Kudryński

• Smart initialization
• Regularization
• Gradient clipping
• New activation functions
• Huge training sets
• Deep networks
Sophisticated
problems
Clever solutions
• Hard to train
• Vanishing gradient
• Exploding gradient
Deep Learning in Computer Vision
Krzysztof Kudryński

• Smart initialization
• Regularization
• Gradient clipping
• New activation functions
• Intermediate training paths
• Huge training sets
• Deep networks
• Hard to train
• Vanishing gradient
• Exploding gradient
Sophisticated
problems
Clever solutions
Deep Learning in Computer Vision
Krzysztof Kudryński

• Smart initialization
• Regularization
• Gradient clipping
• New activation functions
• Intermediate training paths
• Residual connections
• Huge training sets
• Deep networks
• Hard to train
• Vanishing gradient
• Exploding gradient
Sophisticated
problems
Clever solutions
Deep Learning in Computer Vision
Krzysztof Kudryński

POLAND /112018
Deep Learning in Computer Vision
Krzysztof Kudryński

RGB Image
Convolution
Max pooling
X X
Convolution
Max pooling
A
B
C
||A – B||
||B – C||
L = ||A – Ex||2
L = ||B – C||2 – ||A – B||2
Deep Learning in Computer Vision
Krzysztof Kudryński

Convolution
Max pooling
X X
Convolution
Max pooling
A
B
|A – B|
Face recognition network
Deep Learning in Computer Vision
Krzysztof Kudryński

Kate Winslet
Arnold Schwarzenegger
Alec Baldwin
Abdullah
Deep Learning in Computer Vision
Krzysztof Kudryński

Convolution
Max pooling
X X
Convolution
Max pooling
A
B
|A – B|
Face recognition network
1
Deep Learning in Computer Vision
Krzysztof Kudryński

Convolution
Max pooling
X X
Convolution
Max pooling
A
B
|A – B|
Face recognition network
0
Deep Learning in Computer Vision
Krzysztof Kudryński

model = Sequential()
model.add(Dense(rowSize, input_dim=rowSize, activation='relu'))
model.add(Dense(rowSize, activation='relu'))
model.add(Dense(1, activation='sigmoid'))
adam = optimizers.adam()
model.compile(loss='binary_crossentropy',
optimizer=adam,
metrics=['accuracy'])
model.fit_generator(generate_arrays_from_file(trainArr, tranLabelMap, 30),
steps_per_epoch=2000, epochs=100,
validation_data=(valData, valDataLabels))
Training Network in Keras
Deep Learning in Computer Vision
Krzysztof Kudryński

(2018)
source:http://dx.doi.org/10.1101/272518
Deep Learning in Computer Vision
Krzysztof Kudryński

Krzysztof Kudrynski
k.kudrynski@gmail.com
@kriskudrynski
Blazej Kubiak
blazejkubiak@gmail.com
@blazkubiak
Deep Learning in Computer Vision
Krzysztof Kudryński

Ze względu na swoją specyfikę, wykrywanie nadużyć kreuje się jako jedno z trudniejszych zjawisk do modelowania. Wraz ze wzrostem możliwości technologicznych jesteśmy w stanie jeszcze szybciej i sprawniej opisywać to zjawisko odcinając się od rozwiązań „on-premise”. Czy rozwiązania w chmurze mogą być tak samo efektywne, aby nam dostarczyć oczekiwane rozwiązania? Jakie możliwości daje nam Microsoft Azure Machine Learning w tym obszarze i jak mu się współpracuje z popularnym „R”?

infoShare AI Roadshow 2018 - Wojtek Ptak (Freshmail) - Teraz - najlepszy czas...

Infoshare

Zagadnienia związane ze sztuczną inteligencją zdobywają szturmem tematy konferencji, nagłówki gazet, raporty ekonomiczne oraz tematy rozmów inwestorów, rad zarządów i przygotowywanych przez nie planów strategicznych rozwoju firm. W każdym tygodniu o niej przeczytasz, oglądniesz film lub o niej usłyszysz. Ja sam pokażę Ci kilka ciekawych przykładów, o których warto wiedzieć. Na papierze, w mediach lub w trakcie rozmów prezesów to wszystko brzmi pięknie. Jednak gdy zaczynasz swoją przygodę, to przepaść pomiędzy kursem, jaki przebędziesz np. na platformie online, a wykorzystaniem w swoim produkcie lub chcąc usprawnić procesy biznesowe, jest ogromna. Natomiast chciałbym Ci pokazać, dlaczego kierunek nauki i opanowania podstaw uczenia maszynowego jest kluczową umiejętnością w nadchodzących latach. Na podstawie swojego doświadczenia chciałbym opowiedzieć Ci o kilku zastosowaniach sztucznej inteligencji w życiu codziennym i w naszych produktach. Będę chciał odpowiedzieć na kilka pytań, które wraz z zespołem możesz zadać, gdy będziesz zaczynać Waszą przygodę: Jak powinniśmy się za to zabrać? Co musimy uwzględnić? Jak zaplanować architekturę naszego produktu? Na koniec będę chciał się z Tobą podzielić sposobami, jak zacząć przygodę z uczeniem maszynowym od razu po wyjściu ze spotkania. Reszta będzie należeć do Ciebie.

infoShare AI Roadshow 2018 - Tomasz Brzeziński (iTaxi) - Niestandardowe metod...

Infoshare

"Zazwyczaj sytuacja biznesowa jest na tyle skomplikowana, że optymalizacja procesów metodami analitycznymi jest niemożliwa. Można jednak wtedy zastosować podejście symulacyjne. Jak podnieść efektywność biznesu dzięki optymalizacji algorytmów? Jak zbudować symulacyjne środowisko testowe maksymalnie odzwierciedlające rzeczywistość? Jak może wyglądać proces stałego podnoszenia jakości algorytmów? Opowiem o swoich doświadczeniach w budowie symulatorów procesów biznesowych."

infoShare AI Roadshow 2018 - Rafał Cycoń (ShelfWise.ai) - Wyzwania w tworzeni...

Infoshare

"Sztuczna inteligencja otwiera niesamowite możliwości, a ograniczenia tej technologii i produktów o nią opartych są często przyćmiewane przez wszechobecny hype. Podczas prezentacji chciałbym podzielić się swoimi spostrzeżeniami i doświadczeniami zdobytymi przez kilka lat budowania rozwiązań opartych o uczenie maszynowe, a obecnie zdobywając je pracując nad ShelfWise - produktem, w którego centrum jest deep learning do detekcji produktów na zdjęciach. Wyzwań w budowie produktu AI oczywiście jest wiele, chciałbym Wam opowiedzieć o kilku z nich - z czym się przyszło zmierzyć nam czy innym firmom, na co zwracać uwagę, przed czym się wystrzegać, i jak te wyzwania pokonać."

infoShare AI Roadshow 2018 - Paweł Wyborski (QuarticON) - Jak AI pomaga sprze...

Infoshare

Sztuczna Inteligencja to samo organizujące się oprogramowanie, które jest wstanie rozwiązywać zadane problemy conajmniej tak dobrze jak człowiek. W ostatnim czasie, dzięki zwiększeniu mocy obliczeniowej, AI zaczyna być stosowana w coraz szerszym aspekcie. Mamy już inteligentne lodwóki, samochody i odkurzacze oraz cora więcej inteligentncyh aplikacji tj. wirtualni asystencji. Bardzo przyjaznym środowiskiem, do rozwoju AI jest Internet i e-commerce. Z jednej strony dostarcza bardzo dużo danych na bazie, których AI może ewoluwoać, z drugiej wymaga sprawnych rozwiązać, działających w czasie rzeczywistym, które są wstanie wykorzystać AI do generowania wartości. W QuarticON budujuemy AI e-commerce managera, który będzie wstanie samodzielnie zarządzać działalnością sklepu internetowego. W trakcie spotkania chciałbym opowiedzieć na jakim etapie jesteśmy. Jakich rozwiązań technologicznych używamy, jakie problemy, jakimi metodami udało nam się już rozwiązać za pomocą AI oraz jakie wyzwania czekają nas w najbliższym czasie.

infoShare AI Roadshow 2018 - Mateusz Biliński (Niebezpiecznik) - Hackowanie (...

Infoshare

Historie śmieszne i straszne o oszukiwaniu ludzi i maszyn. Kęsy informacji, wiedzy i doświadczenia ze styku światów sztucznej inteligencji oraz bezpieczeństwa. Prezentacja przede wszystkim stara się skupić na źródłach ograniczeń współczesnych systemów AI oraz ich skuteczności przy budowaniu manipulacji ludzi w świecie cyfrowym i realnym. Jednocześnie rysując potencjalne ścieżki rozwiązań obecnych problemów wraz z realną oceną ich przydatności. Głównym celem prezentacji jest zainspirowanie słuchaczy do świeżego spojrzenia na rdzenie algorytmów, wprowadzanych do życia w coraz większej ilości urządzeń, maszyn i produktów wokół nas.

infoShare AI Roadshow 2018 - Magdalena Wójcik (Data Love) - Data Science na d...

Infoshare

"Od czasu kiedy kupiłam sobie Fitbita, jestem zafascynowana ile przydatnych informacji o moim zdrowiu i życiu dostarcza. Nie byłabym sobą, gdybym pozostała tylko przy informacjach z algorytmów appki producenta. Musiałam ściągnąć dane źródłowe i sprawdzić z czym jeszcze korelują mój sen i tętno. W ramach prezentacji pokażę hands-on analizę danych z trackera aktywności Fitbit w języku Python - tak, żeby każdy mógł później przeanalizować dane o swoim zdrowiu."

infoShare AI Roadshow 2018 - Adrian Boguszewski (Linux Polska) - Czy sieć neu...

Infoshare

Duża popularność uczenia głębokiego wynika z imponujących rezultatów osiąganych przez sieci neuronowe. Już dziś możemy pochwalić się autonomicznymi samochodami czy asystentami głosowymi, zdolnymi zamawiać dla nas rzeczy z internetu. Jeszcze kilka lat temu było to nieosiągalne. Jednak wspaniałe rezultaty okupione są często zgadywaniem dlaczego w 1 przypadku na 100 sieć nie zadziałała jak powinna i wynik bym zupełnie różny od oczekiwanego. Sieć neuronowa to nadal czarna skrzynka, która w magiczny i tylko sobie znany sposób przekształca wejście na rozsądne wyjście. Ale czy na pewno? Podczas prezentacji postaramy się zajrzeć do wnętrza konwolucyjnej sieci neuronowej.

W ramach tej prezentacji zobaczycie wykorzystanie sztucznej inteligencji oraz zespołów DataScience na przykadzie dwóch sektorów: Telco oraz Oil&Gas. Era usług chmurowych oraz dynamiczny rozwój darmowych narzędzi analitycznych przyczyniły się popularyzacji projektów Data Science w organizacjach o dowolnej wielkości. Rynek zaawansowanej analityki dostarcza szerokiej gamy narzędzi i specjalizowanych języków programowania umożliwiających rozwiazywanie stawianych przed zespołami badawczymi problemów w oparciu o zaawansowane algorytmy Data Science. Boty, agenci cyfrowi, rozumienie kontekstu, klastry obliczeniowe, big data.

infoShare AI Roadshow 2018 - Tomasz Kopacz (Microsoft) - jakie możliwości daj...

Infoshare

Podczas tej sesji przyjrzymy się, w jaki sposób można skorzystać z platformy Microsoft do budowy tzw. „inteligentnych” rozwiązań. W przykładach zobaczymy zarówno Cognitive Services, jak i wykorzystaniu GPU (a dokładniej – Batch AI) do uczenia sieci neuronowych. Zajmiemy się także skomplikowanym zagadnieniami związanymi z projektowaniem – tak by algorytmy rozszerzały ludzkie możliwości (a nie nas zastępowały). Sesja zakłada że słuchacze umieją programować.

infoShare AI Roadshow 2018 - Adam Karwan (Groupon) - Jak wykorzystać uczenie ...

Infoshare

infoShare AI Roadshow 2018 - Michał Ćwiok (Clouds on Mars) - Usługi AI w chmurze

Infoshare

infoShare 2014: Peter Taylor,The Art of Productive Laziness

Infoshare

The document discusses the concept of laziness in project management. It summarizes that projects are typically thick at the start and end but much thinner in the middle. It then provides strategies for managing a project when it is thick at the start to set it up for success, such as managing the sponsor and scope creep. When projects are thinner in the middle, it suggests staying calm and prioritizing. Finally, when projects are thick again at the end, tying up loose ends is important. Overall it advocates embracing laziness by finding easier ways to do things and leveraging others' work.

infoShare 2014: Paweł Brodziński, Efektywny czy zajęty? Jesteś pewien, że dob...

Infoshare

infoShare 2014: Michał Sierzputowski, Testy automatyczne aplikacji webowych o...Infoshare

infoShare 2014: Michał Polak, Smart Cities na wyciągnięcie smartfona.Infoshare

infoShare 2014: Mariusz Róg, Big Data w praktyce -- jak efektywnie przetwarza...

Infoshare

Acxiom is a marketing and data analytics company that provides services to many of the largest companies in various industries. They process large amounts of customer data to develop insights and models that help clients better understand their customers and target them with personalized marketing. To effectively handle big data sets, Acxiom developed a distributed system using microservices and ØMQ, an open-source messaging library, to break problems into smaller tasks that can be processed concurrently across multiple servers.

infoShare 2014: Marek Landowski, Architektura SWIFT obiektowego przechowywani...Infoshare

infoShare 2014: Maciej Saganowski, Designing Mobile Services.Infoshare

infoShare 2014:Jacek Samsel, Andrzej Pyra, Marketingowa mapa skarbów: w jaki ...Infoshare

infoShare 2014: Jacek kmiecik, Tworzenie aplikacji na Google Glass.Infoshare

infoShare 2014: Gino Marckx, Forget about Agile, let's write great code first!

Infoshare

infoShare 2014: Witold Bołt, Bartosz Zięba, Skok na naderwanym bungee, czyli ...Infoshare

infoShare 2014: Bartosz Leoszewski, Mobilność to już nie tylko smartfony i ta...Infoshare

infoShare 2014: Wojciech Seliga, Innowacja w praktyce - jak może powstawać so...Infoshare

infoShare 2014: Paweł Tkaczyk, Klątwa nieśmiertelnościInfoshare

infoShare 2014: Nikolay Davidov, Finding value in institutional investors

Infoshare

Nick Davidov discusses getting value from investors. He classifies investors as either financial investors, like private investors and institutional funds, or strategic investors, who invest for expansion or diversification reasons. Financial investors provide outside expertise, transparency, introductions, research support, and funding. The document outlines typical investment stages from seed to public and common investment amounts. It advises targeting the right investors, getting introductions when possible, and balancing open competition with maintaining control.

infoShare 2014: Mark Johnson, Lessons from the Trenches: How I sold Zite twice

Infoshare

The document summarizes the story of Zite, a news discovery and recommendation startup that was acquired twice - first by CNN in 2010 and then by Flipboard in 2014. It provides lessons learned from building and pivoting Zite, including the importance of solving real problems with mobile-first solutions, building value through product, technology and team, taking risks with big product changes, and creating a strong company culture. Key events noted are Zite's launch in 2010, acquisition by CNN in 2010, relaunch as Zite 2.0 in 2012, and subsequent acquisition by Flipboard in 2014.

AI 101: An Introduction to the Basics and Impact of Artificial Intelligence

IndexBug

Infrastructure Challenges in Scaling RAG with Custom AI models

Zilliz

Building Retrieval-Augmented Generation (RAG) systems with open-source and custom AI models is a complex task. This talk explores the challenges in productionizing RAG systems, including retrieval performance, response synthesis, and evaluation. We’ll discuss how to leverage open-source models like text embeddings, language models, and custom fine-tuned models to enhance RAG performance. Additionally, we’ll cover how BentoML can help orchestrate and scale these AI components efficiently, ensuring seamless deployment and management of RAG systems in the cloud.

Recently uploaded

AI 101: An Introduction to the Basics and Impact of Artificial Intelligence

IndexBug

Infrastructure Challenges in Scaling RAG with Custom AI models

Zilliz

Cosa hanno in comune un mattoncino Lego e la backdoor XZ?

Speck&Tech

ABSTRACT: A prima vista, un mattoncino Lego e la backdoor XZ potrebbero avere in comune il fatto di essere entrambi blocchi di costruzione, o dipendenze di progetti creativi e software. La realtà è che un mattoncino Lego e il caso della backdoor XZ hanno molto di più di tutto ciò in comune. Partecipate alla presentazione per immergervi in una storia di interoperabilità, standard e formati aperti, per poi discutere del ruolo importante che i contributori hanno in una comunità open source sostenibile. BIO: Sostenitrice del software libero e dei formati standard e aperti. È stata un membro attivo dei progetti Fedora e openSUSE e ha co-fondato l'Associazione LibreItalia dove è stata coinvolta in diversi eventi, migrazioni e formazione relativi a LibreOffice. In precedenza ha lavorato a migrazioni e corsi di formazione su LibreOffice per diverse amministrazioni pubbliche e privati. Da gennaio 2020 lavora in SUSE come Software Release Engineer per Uyuni e SUSE Manager e quando non segue la sua passione per i computer e per Geeko coltiva la sua curiosità per l'astronomia (da cui deriva il suo nickname deneb_alpha).

Programming Foundation Models with DSPy - Meetup Slides

Zilliz

HCL Notes and Domino License Cost Reduction in the World of DLAU

panagenda

Webinar Recording: https://www.panagenda.com/webinars/hcl-notes-and-domino-license-cost-reduction-in-the-world-of-dlau/ The introduction of DLAU and the CCB & CCX licensing model caused quite a stir in the HCL community. As a Notes and Domino customer, you may have faced challenges with unexpected user counts and license costs. You probably have questions on how this new licensing approach works and how to benefit from it. Most importantly, you likely have budget constraints and want to save money where possible. Don’t worry, we can help with all of this! We’ll show you how to fix common misconfigurations that cause higher-than-expected user counts, and how to identify accounts which you can deactivate to save money. There are also frequent patterns that can cause unnecessary cost, like using a person document instead of a mail-in for shared mailboxes. We’ll provide examples and solutions for those as well. And naturally we’ll explain the new licensing model. Join HCL Ambassador Marc Thomas in this webinar with a special guest appearance from Franz Walder. It will give you the tools and know-how to stay on top of what is going on with Domino licensing. You will be able lower your cost through an optimized configuration and keep it low going forward. These topics will be covered - Reducing license cost by finding and fixing misconfigurations and superfluous accounts - How do CCB and CCX licenses really work? - Understanding the DLAU tool and how to best utilize it - Tips for common problem areas, like team mailboxes, functional/test users, etc - Practical examples and best practices to implement right away

20240607 QFM018 Elixir Reading List May 2024

Matthew Sinclair

Artificial Intelligence for XMLDevelopment

Octavian Nadolu

In the rapidly evolving landscape of technologies, XML continues to play a vital role in structuring, storing, and transporting data across diverse systems. The recent advancements in artificial intelligence (AI) present new methodologies for enhancing XML development workflows, introducing efficiency, automation, and intelligent capabilities. This presentation will outline the scope and perspective of utilizing AI in XML development. The potential benefits and the possible pitfalls will be highlighted, providing a balanced view of the subject. We will explore the capabilities of AI in understanding XML markup languages and autonomously creating structured XML content. Additionally, we will examine the capacity of AI to enrich plain text with appropriate XML markup. Practical examples and methodological guidelines will be provided to elucidate how AI can be effectively prompted to interpret and generate accurate XML markup. Further emphasis will be placed on the role of AI in developing XSLT, or schemas such as XSD and Schematron. We will address the techniques and strategies adopted to create prompts for generating code, explaining code, or refactoring the code, and the results achieved. The discussion will extend to how AI can be used to transform XML content. In particular, the focus will be on the use of AI XPath extension functions in XSLT, Schematron, Schematron Quick Fixes, or for XML content refactoring. The presentation aims to deliver a comprehensive overview of AI usage in XML development, providing attendees with the necessary knowledge to make informed decisions. Whether you’re at the early stages of adopting AI or considering integrating it in advanced XML development, this presentation will cover all levels of expertise. By highlighting the potential advantages and challenges of integrating AI with XML development tools and languages, the presentation seeks to inspire thoughtful conversation around the future of XML development. We’ll not only delve into the technical aspects of AI-powered XML development but also discuss practical implications and possible future directions.

Generating privacy-protected synthetic data using Secludy and Milvus

Zilliz

During this demo, the founders of Secludy will demonstrate how their system utilizes Milvus to store and manipulate embeddings for generating privacy-protected synthetic data. Their approach not only maintains the confidentiality of the original data but also enhances the utility and scalability of LLMs under privacy constraints. Attendees, including machine learning engineers, data scientists, and data managers, will witness first-hand how Secludy's integration with Milvus empowers organizations to harness the power of LLMs securely and efficiently.

Unlock the Future of Search with MongoDB Atlas_ Vector Search Unleashed.pdf

Malak Abu Hammad

Discover how MongoDB Atlas and vector search technology can revolutionize your application's search capabilities. This comprehensive presentation covers: * What is Vector Search? * Importance and benefits of vector search * Practical use cases across various industries * Step-by-step implementation guide * Live demos with code snippets * Enhancing LLM capabilities with vector search * Best practices and optimization strategies Perfect for developers, AI enthusiasts, and tech leaders. Learn how to leverage MongoDB Atlas to deliver highly relevant, context-aware search results, transforming your data retrieval process. Stay ahead in tech innovation and maximize the potential of your applications. #MongoDB #VectorSearch #AI #SemanticSearch #TechInnovation #DataScience #LLM #MachineLearning #SearchTechnology

CAKE: Sharing Slices of Confidential Data on Blockchain

Claudio Di Ciccio

Presented at the CAiSE 2024 Forum, Intelligent Information Systems, June 6th, Limassol, Cyprus. Synopsis: Cooperative information systems typically involve various entities in a collaborative process within a distributed environment. Blockchain technology offers a mechanism for automating such processes, even when only partial trust exists among participants. The data stored on the blockchain is replicated across all nodes in the network, ensuring accessibility to all participants. While this aspect facilitates traceability, integrity, and persistence, it poses challenges for adopting public blockchains in enterprise settings due to confidentiality issues. In this paper, we present a software tool named Control Access via Key Encryption (CAKE), designed to ensure data confidentiality in scenarios involving public blockchains. After outlining its core components and functionalities, we showcase the application of CAKE in the context of a real-world cyber-security project within the logistics domain. Paper: https://doi.org/10.1007/978-3-031-61000-4_16

How to use Firebase Data Connect For Flutter

Daiki Mogmet Ito

Video Streaming: Then, Now, and in the Future

Alpen-Adria-Universität

In his public lecture, Christian Timmerer provides insights into the fascinating history of video streaming, starting from its humble beginnings before YouTube to the groundbreaking technologies that now dominate platforms like Netflix and ORF ON. Timmerer also presents provocative contributions of his own that have significantly influenced the industry. He concludes by looking at future challenges and invites the audience to join in a discussion.

20240605 QFM017 Machine Intelligence Reading List May 2024

Matthew Sinclair

Driving Business Innovation: Latest Generative AI Advancements & Success Story

Safe Software

Are you ready to revolutionize how you handle data? Join us for a webinar where we’ll bring you up to speed with the latest advancements in Generative AI technology and discover how leveraging FME with tools from giants like Google Gemini, Amazon, and Microsoft OpenAI can supercharge your workflow efficiency. During the hour, we’ll take you through: Guest Speaker Segment with Hannah Barrington: Dive into the world of dynamic real estate marketing with Hannah, the Marketing Manager at Workspace Group. Hear firsthand how their team generates engaging descriptions for thousands of office units by integrating diverse data sources—from PDF floorplans to web pages—using FME transformers, like OpenAIVisionConnector and AnthropicVisionConnector. This use case will show you how GenAI can streamline content creation for marketing across the board. Ollama Use Case: Learn how Scenario Specialist Dmitri Bagh has utilized Ollama within FME to input data, create custom models, and enhance security protocols. This segment will include demos to illustrate the full capabilities of FME in AI-driven processes. Custom AI Models: Discover how to leverage FME to build personalized AI models using your data. Whether it’s populating a model with local data for added security or integrating public AI tools, find out how FME facilitates a versatile and secure approach to AI. We’ll wrap up with a live Q&A session where you can engage with our experts on your specific use cases, and learn more about optimizing your data workflows with AI. This webinar is ideal for professionals seeking to harness the power of AI within their data management systems while ensuring high levels of customization and security. Whether you're a novice or an expert, gain actionable insights and strategies to elevate your data processes. Join us to see how FME and AI can revolutionize how you work with data!

Best 20 SEO Techniques To Improve Website Visibility In SERP

Pixlogix Infotech

GraphRAG for Life Science to increase LLM accuracy

Tomaz Bratanic

Removing Uninteresting Bytes in Software Fuzzing

Aftab Hussain

Imagine a world where software fuzzing, the process of mutating bytes in test seeds to uncover hidden and erroneous program behaviors, becomes faster and more effective. A lot depends on the initial seeds, which can significantly dictate the trajectory of a fuzzing campaign, particularly in terms of how long it takes to uncover interesting behaviour in your code. We introduce DIAR, a technique designed to speedup fuzzing campaigns by pinpointing and eliminating those uninteresting bytes in the seeds. Picture this: instead of wasting valuable resources on meaningless mutations in large, bloated seeds, DIAR removes the unnecessary bytes, streamlining the entire process. In this work, we equipped AFL, a popular fuzzer, with DIAR and examined two critical Linux libraries -- Libxml's xmllint, a tool for parsing xml documents, and Binutil's readelf, an essential debugging and security analysis command-line tool used to display detailed information about ELF (Executable and Linkable Format). Our preliminary results show that AFL+DIAR does not only discover new paths more quickly but also achieves higher coverage overall. This work thus showcases how starting with lean and optimized seeds can lead to faster, more comprehensive fuzzing campaigns -- and DIAR helps you find such seeds. - These are slides of the talk given at IEEE International Conference on Software Testing Verification and Validation Workshop, ICSTW 2022.

How to Get CNIC Information System with Paksim Ga.pptx

danishmna97

National Security Agency - NSA mobile device best practices

Quotidiano Piemontese

Taking AI to the Next Level in Manufacturing.pdf

ssuserfac0301

Read Taking AI to the Next Level in Manufacturing to gain insights on AI adoption in the manufacturing industry, such as: 1. How quickly AI is being implemented in manufacturing. 2. Which barriers stand in the way of AI adoption. 3. How data quality and governance form the backbone of AI. 4. Organizational processes and structures that may inhibit effective AI adoption. 6. Ideas and approaches to help build your organization's AI strategy.

Recently uploaded (20)

AI 101: An Introduction to the Basics and Impact of Artificial Intelligence

Infrastructure Challenges in Scaling RAG with Custom AI models

Cosa hanno in comune un mattoncino Lego e la backdoor XZ?

Programming Foundation Models with DSPy - Meetup Slides

HCL Notes and Domino License Cost Reduction in the World of DLAU

20240607 QFM018 Elixir Reading List May 2024

Artificial Intelligence for XMLDevelopment

Generating privacy-protected synthetic data using Secludy and Milvus

Unlock the Future of Search with MongoDB Atlas_ Vector Search Unleashed.pdf

CAKE: Sharing Slices of Confidential Data on Blockchain

How to use Firebase Data Connect For Flutter

Video Streaming: Then, Now, and in the Future

20240605 QFM017 Machine Intelligence Reading List May 2024

Driving Business Innovation: Latest Generative AI Advancements & Success Story

Best 20 SEO Techniques To Improve Website Visibility In SERP

GraphRAG for Life Science to increase LLM accuracy

Removing Uninteresting Bytes in Software Fuzzing

How to Get CNIC Information System with Paksim Ga.pptx

National Security Agency - NSA mobile device best practices

Taking AI to the Next Level in Manufacturing.pdf

infoShare AI Roadshow 2018 - Krzysztof Kudryński & Błażej Kubiak (TomTom) - Deep learning in computer vision

1. KRZYSZTOF KUDRYŃSKI BŁAŻEJ KUBIAK DEEP LEARNING IN COMPUTER VISION

2. Plan • Get excited (7 min) about the world we live in • Understand CNN (18 min) from fundamentals to state-of-the art approach • Apply CNN (15 min) by walk-through a challenging computer-vision project. • Get scared (1 min) about the world we’ll live in Deep Learning in Computer Vision Krzysztof Kudryński

3. (1982) www.youtube.com/watch?v=qHepKd38pr0Deep Learning in Computer Vision Krzysztof Kudryński

4. Deep Learning in Computer Vision Krzysztof Kudryński

5. (2017) Deep Learning in Computer Vision Krzysztof Kudryński

6. (2017) www.youtube.com/watch?v=W6wzUMk9w-cDeep Learning in Computer Vision Krzysztof Kudryński

7. (2008) Deep Learning in Computer Vision Krzysztof Kudryński

9. www.youtube.com (1982) Deep Learning in Computer Vision Krzysztof Kudryński

10. (2015) Deep Learning in Computer Vision Krzysztof Kudryński

11. (2015) Deep Learning in Computer Vision Krzysztof Kudryński

12. (2015) Deep Learning in Computer Vision Krzysztof Kudryński

13. A small bird with yellow breast, brown crown and black superciliary (2015) Deep Learning in Computer Vision Krzysztof Kudryński

14. Deep Learning in Computer Vision Krzysztof Kudryński

15. (2015-2018) Deep Learning in Computer Vision Krzysztof Kudryński

16. Deep Learning in Computer Vision Krzysztof Kudryński

17. Deep Learning in Computer Vision Krzysztof Kudryński

18. 100% 0% 0% Deep Learning in Computer Vision Krzysztof Kudryński

19. vertical edges horizon edges frame glasses 23 345 3% 97% Convolution Max-pooling Deep Learning in Computer Vision Krzysztof Kudryński

20. [n, 200, 180, 4][5, 5, 3, 4] n [n, 200, 180, 3] 200 180 n 3 4 3 5 5 4 200 180 DeepLearninginComputerVision KrzysztofKudryński

21. vertical edges horizon edges frame glasses 23 345 3% 97% [n, 200, 180, 1] [3, 3, 1, 4] [n, 200, 180, 4] [n, 20, 18, 4] [5, 5, 4, 1] [n, 20, 18, 1] [n, 10, 9, 1] [6, 6, 1, 1] [n, 10, 9, 1] [n, 5, 5, 1] [25, 2] [n, 2] [n, 2] placeholder session Parse images with labels [0 1] [0 1] [1 0] [1 0] Deep Learning in Computer Vision Krzysztof Kudryński

22. 0 Deep Learning in Computer Vision Krzysztof Kudryński

23. 97% glasses99% glasses 51% glasses DeepLearninginComputerVision KrzysztofKudryński

24. 0a Deep Learning in Computer Vision Krzysztof Kudryński

25. 0b Deep Learning in Computer Vision Krzysztof Kudryński

26. 1 Deep Learning in Computer Vision Krzysztof Kudryński

27. 1 Deep Learning in Computer Vision Krzysztof Kudryński

28. Citations: 3000 ALWAYS POSITIVE Deep Learning in Computer Vision Krzysztof Kudryński

29. 1b Deep Learning in Computer Vision Krzysztof Kudryński

30. 1c Deep Learning in Computer Vision Krzysztof Kudryński

31. 2 Deep Learning in Computer Vision Krzysztof Kudryński

32. 2 Deep Learning in Computer Vision Krzysztof Kudryński

33. 3 Deep Learning in Computer Vision Krzysztof Kudryński

34. 4 LADY #0 LADY #1 NO GLASSES HAS GLASSES Deep Learning in Computer Vision Krzysztof Kudryński

35. 6a (5) correct correct correct correct correct wrong wrong Deep Learning in Computer Vision Krzysztof Kudryński

36. 6b (6) Deep Learning in Computer Vision Krzysztof Kudryński

37. 7a Deep Learning in Computer Vision Krzysztof Kudryński

38. Deep Learning in Computer Vision Krzysztof Kudryński

39. ) Deep Learning in Computer Vision Krzysztof Kudryński

40. 7b Deep Learning in Computer Vision Krzysztof Kudryński

41. We need to cut the costs! Optimizer(). minimize(cost) Deep Learning in Computer Vision Krzysztof Kudryński

42. We need to cut the costs! Optimizer(). minimize(cost) Deep Learning in Computer Vision Krzysztof Kudryński

43. ) We need to cut the costs! Optimizer(). minimize(cost) Deep Learning in Computer Vision Krzysztof Kudryński

44. Deep Learning in Computer Vision Krzysztof Kudryński

45. 7e Deep Learning in Computer Vision Krzysztof Kudryński

46. 8b Deep Learning in Computer Vision Krzysztof Kudryński

47. • Smart initialization • Regularization • Gradient clipping • New activation functions • Huge training sets • Deep networks Sophisticated problems Clever solutions • Hard to train • Vanishing gradient • Exploding gradient Deep Learning in Computer Vision Krzysztof Kudryński

48. • Smart initialization • Regularization • Gradient clipping • New activation functions • Intermediate training paths • Huge training sets • Deep networks • Hard to train • Vanishing gradient • Exploding gradient Sophisticated problems Clever solutions Deep Learning in Computer Vision Krzysztof Kudryński

49. • Smart initialization • Regularization • Gradient clipping • New activation functions • Intermediate training paths • Residual connections • Huge training sets • Deep networks • Hard to train • Vanishing gradient • Exploding gradient Sophisticated problems Clever solutions Deep Learning in Computer Vision Krzysztof Kudryński

50. Deep Learning in Computer Vision Krzysztof Kudryński

51. POLAND /112018 Deep Learning in Computer Vision Krzysztof Kudryński

52. Deep Learning in Computer Vision Krzysztof Kudryński

53. Deep Learning in Computer Vision Krzysztof Kudryński

54. Deep Learning in Computer Vision Krzysztof Kudryński

55. RGB Image Convolution Max pooling X X Convolution Max pooling A B C ||A – B|| ||B – C|| L = ||A – Ex||2 L = ||B – C||2 – ||A – B||2 Deep Learning in Computer Vision Krzysztof Kudryński

56. Deep Learning in Computer Vision Krzysztof Kudryński

57. Convolution Max pooling X X Convolution Max pooling A B |A – B| Face recognition network Deep Learning in Computer Vision Krzysztof Kudryński

58. Deep Learning in Computer Vision Krzysztof Kudryński

59. Kate Winslet Arnold Schwarzenegger Alec Baldwin Abdullah Deep Learning in Computer Vision Krzysztof Kudryński

60. Convolution Max pooling X X Convolution Max pooling A B |A – B| Face recognition network 1 Deep Learning in Computer Vision Krzysztof Kudryński

61. Convolution Max pooling X X Convolution Max pooling A B |A – B| Face recognition network 0 Deep Learning in Computer Vision Krzysztof Kudryński

62. model = Sequential() model.add(Dense(rowSize, input_dim=rowSize, activation='relu')) model.add(Dense(rowSize, activation='relu')) model.add(Dense(1, activation='sigmoid')) adam = optimizers.adam() model.compile(loss='binary_crossentropy', optimizer=adam, metrics=['accuracy']) model.fit_generator(generate_arrays_from_file(trainArr, tranLabelMap, 30), steps_per_epoch=2000, epochs=100, validation_data=(valData, valDataLabels)) Training Network in Keras Deep Learning in Computer Vision Krzysztof Kudryński

63. (2018) source:http://dx.doi.org/10.1101/272518 Deep Learning in Computer Vision Krzysztof Kudryński

64. (2018) source:http://dx.doi.org/10.1101/272518 Deep Learning in Computer Vision Krzysztof Kudryński

65. Krzysztof Kudrynski k.kudrynski@gmail.com @kriskudrynski Blazej Kubiak blazejkubiak@gmail.com @blazkubiak Deep Learning in Computer Vision Krzysztof Kudryński

infoShare AI Roadshow 2018 - Krzysztof Kudryński & Błażej Kubiak (TomTom) - Deep learning in computer vision

Recommended

Recommended

More Related Content

More from Infoshare

More from Infoshare (20)

Recently uploaded

Recently uploaded (20)

infoShare AI Roadshow 2018 - Krzysztof Kudryński & Błażej Kubiak (TomTom) - Deep learning in computer vision