09:30 – 10:00

Registration

10:00 – 10:45

CNN based predictive model case for 3D domain (RU)

Oleksandr Korobov

10:45– 11:30

Pushing the boundaries of bioscience with AI (UA)

Oleksandr Gurbych

11:30 - 12:15

Recommender systems overview (UA)

Igor Lakoza

12:15 - 13:00

Deep Learning for Flood Forecasting (UA)

Yurii Malna

13:00 - 13:45

Копірайтер Vs GPT-3 (RU)

Alexander Studenyak

13:45 - 14:30

Віддалена фотоплетизмографія або як вимірювати пульс за допомогою селфі (RU)

Pavlo Vyplavin

14:30 - 15:15

Building modern recommender systems (RU)

Alexander Konduforov

Recommender systems are all around us nowadays. Suggesting products on Amazon, recommending movies to watch on Netflix and Youtube, personalized feed on Facebook - all these applications use quite advanced RecSys algorithms. In this talk, we'll explore both classic and modern ways of building recommender systems.

15:15 - 16:00

Analitics of data Science Profession (UA)

Oleksandr Romanko

16:00 - 16:15

Conference Closing

09:30 – 10:00

Registration

10:00 – 10:45

Оркестрація інфраструктури для машинного навчання (RU)

Maxim Prasolov

Огляд існуючих інструментів MLOps та ефективний пайплайн штучного інтелекту в публічних, гібридних і приватних хмарах для розробки та деплойменту індустріальних ML-аплікацій.

10:45 – 11:30

Побудова корпоративної культури для впровадження інновацій з використанням штучного інтелекту (UA)

Oleksandr Krakovetskyi

11:30 - 12:15

AI meets genetics (UA)

Olha Romaniuk

12:15 - 13:00

Huawei AI computing in Europe and real-life cases (RU)

Goran Licanin

13:00 - 13:45

Turning machine learning models into stuff that actually helps people and makes money (UA)

Andrii Belas

З мого досвіду впровадження Data Science рішень в різних компаніях, інженери доволі гарно розуміють теорію і вміють розробляти моделі. Причиною провалів більшості проектів, на мою думку, є проблеми з процесами, а саме неправильно виконана, або взагалі пропущена перша стадія проекту - постановка задачі. В доповіді поговоримо про те, як правильно перетворювати бізнес задачу на задачу Data Science так, щоб вона приносила найбільшу користь.

13:45 - 14:30

How ML technology helps solving specific business problems (UA)

Borys Pratsiuk

15:15 - 16:00

Чи мріють андроїди про електричних овець? AI & ART (UA)

Zoryana Andrusyak

Огляд на застосунок AI в різноманітних мистецьких сферах та алгоритми, які для цього використовують.

16:00 - 16:45

Ukrainian startup fund have to (UA)

Igor Markevych

16:45 - 17:30

GDPR compliance як тригер продажів для data проектів (UA)

Anton Tarasiuk

• Обіг персональних даних в DATA/AI проектах та його законність за GDPR.
• Демонструємо GDPR compliance та продаємо західним B2B клієнтам.
• Фічі та фішки GDPR compliance для складних механік в data science проектах.

17:30 - 17:45

Conference Closing

09:30 – 10:00

Registration

10:00 – 10:45

Federated Learning на практиці (UA)

Andy Bosyi

10:45 – 11:30

Трансформери в Computer Vision: DALL-e, CLIP, та інші (RU)

Dimitri Nowicki

11:30 - 12:15

Why the amazon sellers are buiyng the RTX 3080: Dynamic pricing with RL (UA)

Andrii Prysiazhnyk

13:00 - 13:45

Neural Odyssey 2021: DALL•E and CLIP from OpenAI (RU)

Michael Konstantinov

13:45 - 14:30

Practical approach to the conversational interfaces (UA)

Roman Storchak

Про RnD та виклики у продукті http://zing.coach. Це мобільний застосунок, що виконує функцію персонального фітнес тренера. Zing, по суті, є спеціалізованим goal-oriented chatbot-ом, який враховує довгий контекст взаємодії з користувачем.

У доповіді ми розглянемо кілька підходів до побудови таких рішень та виклики що стоять на нашому шляху.

14:30 - 15:15

Longitude and Latitude, the tricky dimensions (UA)

Volodymyr Bilonenko

Talk audience: Primary Data Analysts, Data Engineers and less Product Owners, Data Scientists.

15:15 - 16:00

Azure Machine Learning Service (RU)

Viktor Tsykunov

Technical Overview, Usecases, and Implemented Project Examples.

16:00 - 16:45

Modelling Customer Behaviour (UA)

Liubomyr Bregman

16:45 - 17:30

Running ML models at scale: pitfalls and learnings (UA)

Vitalii Duk

The talk will go through some real-world challenges of deploying and maintaining Machine Learnings in production and how to solve them.
• Scalable automated ML model deployments in production.
• Drift detection in ML models.
• Feature importance and interpretability.
• Monitoring and alerting of ML pipelines.

17:30 - 17:45

Conference Closing