Presentation materials /Letölthető előadásanyagok

 

May 3, Tuesday / Május 3., kedd

Plenary Session / Plenáris

• Data Science és ML trendek – Arató Bence, BI Consulting
• AI infrastruktúra az OTP Bankban: jelen, múlt, jövő – Schin Lotar, OTP Bank

Track 1

• Egy világszínvonalú MI klaszter kihívásai – Nagy Enikő, Continental
• Közeledik a Komondor, Magyarország szuperszámítógépe – Kiss Zoltán, KIFÜ
• Modern Data Science platform kiválasztása az OTP-nél – Fodor Szabolcs, United Consult
• Magyarázható mesterséges intelligencia a csalás megelőzésben – Utassy Dávid, SEON Technologies
• Mit reggelizik a neurális háló? – Adatmenedzsment és MI – Ridzi Péter, Continental
• MLOps módszerek bevezetési tapasztalatai – Tőzsér Attila
• A biológiai látás által inspirált mesterséges látás – Orbán Gergő

Track 2

• How we use NLP at Barion – Balogh Zoltán, Barion Payment Inc.
• HILANCO-GPTX, egy hétmilliárd paraméteres GPT-3 modell – Dr. Feldmann Ádám, PTE
• Fáradtság és figyelem meghatározása gépi látással – Várhelyi-Tóth Gergely, roboGaze
• Mesterséges intelligencia a benzinkutakon – Hárs Márton, Mol Group
• Machine Learning Kedvcsináló Kezdőknek – Kovács Gyula

Track 3

• AI-based multi-sensor fusion for solving challenging driving scenarios – Kabai Robert-Zsolt, Continental
• Do you have a few minutes for an ImageNet training? – Tilk Bence, Graphcore
• Explore-Exploit algorithms used at IKEA recommendations – Tóth Balázs, IKEA
• Building NLP applications with Transformers – Julien Simon, Hugging Face

May 4, Wednesday/ Május 4., szerda

Plenary Session / Plenáris

• Building Successful Data Science Projects – Ian Ozsvald, Mor Consulting

Track 1 

• Idősoros anomáliák szöveges összefoglalása – Zempléni Balázs és Kovács Bálint, Starschema
• Transzfer learning alapok kísérletezőknek és menedzsereknek – Molnár Tamás
• Az interpretálhatóság szerepe a gépi tanulásban – Balogh Nóra
• Gyógyszerfejlesztés ML technológiával: 3D képfeldolgozás – Kelemen Kristóf és Windhager-Pokol Eszter, Richter Gedeon
• AlphaFold 2 – fehérjék 3D struktúrájának predikciója – Kovács Gábor, Turbine

Track 2

• Machine Learning applications in the Online Gambling Industry – Sinkó Máté, Prospect AI – Betting Analytics
• Building a job title predictor – Borbély Gábor, Lensa
• Best Algorithm for Tabular/Business Data: Sorry, it’s not deep learning – Pafka Szilárd, Epoch (USA)
• Deep learning antipatterns – Török Ágoston, Neural Machines

Track 3

• Hogyan fejlesszünk Python csomagot? Tanulságok egy klaszterező csomag létrehozásából – Fülöp Árpád, Rollbar
• Share Python Notebooks as interactive web applications with Mercury – Piotr Płoński, MLJAR
• Building up an AI Center of Excellence in an Energy Utility – Rachel Berryman, 50Hertz
• StickyLand: Breaking the Linear Presentation of Computational Notebooks– Jay Wang, Georgia Institute of Technology