AI:2020年6月22日北京智源大会演讲分享之10:40-11:10Daniel教授《 可微分的加权有限状态机及其机器学习应用》、11:10何晓冬教授《启动“智源-京东”任务导向多模态对话大赛》

简介: AI:2020年6月22日北京智源大会演讲分享之10:40-11:10Daniel教授《 可微分的加权有限状态机及其机器学习应用》、11:10何晓冬教授《启动“智源-京东”任务导向多模态对话大赛》

 

导读:首先感谢北京智源大会进行主题演讲的各领域顶级教授,博主受益匪浅,此文章为博主在聆听各领域教授或专家演讲时,一张一张截图进行保存,希望与大家一起学习,共同进步,一起见证或筑起人工智能的下一个十年。非常欢迎国内外人工智能领域网友,前来留言探讨与分享,同时感谢点赞或评论!

 

 

目录

10:40-11:10 可微分的加权有限状态机及其机器学习应用

11:10-11:20 启动“智源-京东”任务导向多模态对话大赛

11:20-12:00 AI新疆域:多模态自然语言处理


 

 

10:40-11:10 可微分的加权有限状态机及其机器学习应用

  • Daniel Povey  小米语音首席科学家,Kaldi创始人

 

 

 

 

 

11:10-11:20 启动“智源-京东”任务导向多模态对话大赛

  • 何晓冬  京东集团技术副总裁,智源学者

 

 

11:20-12:00 AI新疆域:多模态自然语言处理

  • 主持人:何晓冬  京东集团技术副总裁,智源学者
  • Daniel Povey  小米语音首席科学家,Kaldi创始人
  • Christopher Manning  斯坦福人工智能实验室(SAIL)负责人
  • Mari Ostendorf  华盛顿大学教授
  • 周明  微软亚洲研究院副院长,国际计算语言学协会(ACL)主席

 

 

相关文章
|
11小时前
|
自然语言处理 API 开发工具
PAI如何处理不同编程语言的混合任务?
【7月更文挑战第1天】PAI如何处理不同编程语言的混合任务?
5 0
|
20小时前
|
机器学习/深度学习 人工智能 算法
探索自动化测试的未来:AI与机器学习的融合
【6月更文挑战第30天】在本文中,我们将探讨自动化测试领域的最新趋势,特别是人工智能(AI)和机器学习(ML)技术如何正在改变软件测试的面貌。文章将详细讨论这些先进技术如何提高测试效率、准确性和适应性,同时也会分析它们带来的挑战和机遇。通过具体的案例研究和行业应用示例,本文旨在为读者提供对自动化测试未来发展方向的深入理解。
|
1天前
|
机器学习/深度学习 人工智能 Java
Java与AI集成开发:机器学习模型部署
Java与AI集成开发:机器学习模型部署
|
2天前
|
机器学习/深度学习 数据采集 人工智能
探索自动化测试的前沿:AI与机器学习的融合之道
本文旨在探讨自动化测试领域如何通过整合人工智能(AI)和机器学习(ML)技术来提升软件测试的效率与准确性。文章首先概述了自动化测试的现状,随后详细分析了AI和ML在测试中的应用及其带来的变革,并通过案例研究展示了实际成效。最后,讨论了实施这些技术的考量因素,为读者提供了深入理解并应用于实践的基础。
9 1
|
3天前
|
机器学习/深度学习 人工智能 自然语言处理
模型可解释性在AI和机器学习中至关重要,尤其在金融、医疗和司法等领域。
**模型可解释性在AI和机器学习中至关重要,尤其在金融、医疗和司法等领域。它建立信任、揭示偏见、辅助错误排查和满足法规要求。方法包括使用直观模型、局部解释器(如LIME)、全局工具(如PDP、SHAP)及神经网络和注意力机制的可视化。可解释性结合领域知识和伦理,推动透明智能系统的构建。**
13 0
|
3天前
|
机器学习/深度学习 人工智能 自然语言处理
模型可解释性在AI和机器学习中至关重要,尤其在金融、医疗和司法等领域。
【6月更文挑战第28天】模型可解释性在AI和机器学习中至关重要,尤其在金融、医疗和司法等领域。它建立信任、揭示偏见、辅助错误排查和满足法规要求。方法包括使用简单模型、局部解释(如LIME)、全局解释(如PDP、SHAP)、模型可视化和注意力机制。通过跨学科研究,兼顾效率与透明度,打造可信的智能系统。
11 0
|
6天前
|
机器学习/深度学习 人工智能 监控
探索自动化测试的未来:AI与机器学习的融合之路
【6月更文挑战第24天】在软件测试领域,自动化测试一直是提高测试效率和质量的关键。随着人工智能(AI)和机器学习(ML)技术的飞速发展,它们正逐渐渗透到自动化测试的每一个角落,预示着测试工作方式的革命性变革。本文将探讨AI和ML如何重塑自动化测试的未来,包括智能测试脚本生成、测试用例优化、缺陷预测以及持续集成流程中的智能化改进。我们将分析这些技术带来的潜在影响,并讨论实施过程中可能遇到的挑战。
|
6天前
|
机器学习/深度学习 人工智能 算法
自动化测试的未来:AI和机器学习的融合
【6月更文挑战第24天】在软件测试领域,自动化测试已经逐渐成为提高软件开发效率和质量的关键工具。随着人工智能(AI)和机器学习(ML)技术的迅速发展,它们在自动化测试中的应用前景引起了业界的广泛关注。本文将探讨AI和ML如何革新自动化测试流程,提升测试用例的生成效率、智能化错误检测与诊断以及预测性维护的能力,从而为软件质量保证带来革命性的变化。
|
6天前
|
机器学习/深度学习 人工智能 算法
探索软件测试的未来:AI和机器学习的融合
【6月更文挑战第24天】在数字化时代的浪潮中,软件测试作为保障产品质量的重要环节,正迎来前所未有的挑战与机遇。本文将深入探讨人工智能(AI)和机器学习(ML)技术如何革新传统的软件测试流程,提高测试效率,减少人为错误,并预测未来的发展趋势。通过分析当前的应用实例和面临的挑战,我们将揭示AI和ML技术如何成为推动软件测试进步的关键力量。
|
9天前
|
机器学习/深度学习 人工智能 Dart
AI - 机器学习GBDT算法
梯度提升决策树(Gradient Boosting Decision Tree),是一种集成学习的算法,它通过构建多个决策树来逐步修正之前模型的错误,从而提升模型整体的预测性能。