Методы глубокого обучения и классические методы машинного обучения позволяют наделить подсистемы сложнейшими функциями, которые обычными инженерными методами не создать: классификация объектов на видео, предиктивная аналитика сложных процессов, цифровые двойники. Эти достижения хорошо объясняют общий интерес и желание встроить их в свои производственные цепочки или в продукты.

Но каждый алгоритм с ИИ – лишь крошечная деталь в общей системе. К примеру, встроенное ПО умного автомобиля содержит код для адаптивного контроля скорости, для соблюдения разметки, для фильтрации измерений с LIDAR и много других функций, кроме собственно компьютерного зрения на глубоком обучении. Как же все эти компоненты объединить и воплотить в жизнь, максимально снизив стоимость тестирования на стендовом оборудовании и на целевой платформе?

Мы обсудим, как облегчить проектирование сложных систем с ИИ, разрабатываемых в модельно-ориентированном процессе, как протестировать систему в модельном окружении через симуляцию, как сгенерировать код для прототипов на промежуточных аппаратных платформах (CPU/GPU). В качестве примеров приведём несколько практических результатов из индустрии.

Прошлый вебинар на эту тему: https://exponenta.ru/events/ai-v-mop

Спикеры

Николай Капырин
Николай Капырин
Николай Капырин

Инженер ЦИТМ Экспонента, специалист по коммуникации в области машинного обучения и систем автоматизированного управления. В 2009 окончил магистратуру "Архитектура сложных программно-аппаратных систем" института ENSTA (Франция), в 2010 – специалитет "Авиационные приборы и измерительно-вычислительные комплексы" Московского Авиационного Института (государственный технический университет), где преподавал до 2018 г, затем работал в Samsung Research Russia и в Корпоративном Университете Сбербанка.