我们在两周前结束了ODSC West 2023，并且我们仍然在谈论我们最喜欢的讲座和让我们大笑或“啊哈！”的演讲者。有太多这样的讲座无法全部包括在下面。但请享受一小部分ODSC West的亮点：
以人为中心的人工智能
Peter Norvig | Google工程总监 | Stanford人工智能研究所教育讲师
近年来，人工智能应用取得了令人难以置信的技术进展。在这个Peter Norvig的主题演讲中，你将探索这个进展的人性一面。具体而言，Peter重点讨论如何确保我们的应用对用户、其他利益相关者和整个社会是公正、真实、有益且经过良好搅拌的，并获得对其的信心。
GPT-4和Langchain的提示优化
Mike Taylor | Saxifrage所有者
在这个讲座中，Mike Taylor将讨论如何在规模上使用提示工程——作为模板、工作流程或产品的一部分。在大规模提示中，你需要通过GPT-4 API运行该提示20-30次，以了解其失败的频率，并通过严格的A/B测试将你的提示与其他方法进行对比，找到真正能提升结果的因素。你将学习如何利用Langchain构建一个持续的系统，用于运行、监控和衡量提示的性能，以便根据你的成功指标进行优化。
图和网络上的表示学习
Dr. Petar Veličković | DeepMind研究科学家
这个讲座试图从“鸟瞰”视角来介绍GNNs。你将了解到图表示学习的实用性，并从置换不变性和等变性的第一原则中推导出GNNs。我们将讨论如何构建不仅仅依赖输入图结构的GNNs。
填补客户细分的可解释性差距
Evie Fowler | Fulcrum Analytics高级数据科学家
在这个演讲中，你将探索一种结合了基于规则和基于机器学习的方法的新型混合方法，用于客户细分。这种混合方法在准确性和简洁性之间架起了桥梁，既能通过机器学习聚类方法精确地识别出客户群体，又能提供由基于规则的细分方法产生的简单业务概况。这使数据科学家能够在满足企业利益相关者的目标的同时，发现数据元素之间之前未发现的关系。
使用强化学习从反馈中对齐开源LLMs
Sinan Ozdemir | LoopGenius创始人+CTO | AI和LLM专家 | 作者
随着ChatGPT和Llama-2等LLMs引领人工智能领域，掌握将这些模型进行优化以实现最佳人机交互的艺术变得至关重要。
在这个讲座中，你将专注于LLM优化的核心概念，特别强调强化学习机制。该研讨会将全面理解与对齐LLMs相关的挑战和复杂性。通过研讨会的结束，与会者将能够充分利用开源LLMs的能力，根据所在行业或领域的具体需求来定制他们的模型。
AI范式转变：大型语言模型的内部机制
Valentina Alto | 微软Azure数据和人工智能专家
这个研讨会将帮助你了解生成式人工智能和大型语言模型，包括它们背后的架构、工作原理以及如何利用它们独特的会话能力。你还将熟悉LLM的概念，它作为一个推理引擎可以为你的应用程序提供动力，为生成式人工智能时代的软件开发开辟道路。最后，我们将使用流行的AI编排器，例如LangChain，在Python中介绍一些LLM应用的示例。
稳定扩散：文本到图像范式的新前沿
Sandeep Singh | Beans.ai应用AI/计算机视觉负责人
本次会议将向您介绍Stable Diffusion，该技术能够通过文本描述生成高质量的图像，非常适用于各种应用，如创意内容生成、产品设计和市场营销。
在本次会议结束时，您将能够：
– 理解Stable Diffusion的基础知识以及工作原理。
– 了解Stable Diffusion领域的所有工具和库。
– 使用Stable Diffusion根据文本描述生成图像。
– 将Stable Diffusion应用于自己的项目和工作流程。
– 理解调整开源模型以实现所需任务的过程。
生成智能应用：LLM案例研究
Michelle Yi | 董事会成员 | Women in Data
本次演讲将深入讲解建立生成智能应用的端到端流程和框架，利用开源工具（如HuggingFace模型、Python、PyTorch、Jupyter Notebooks）进行有趣和吸引人的案例研究。您将在模型选择和训练、部署等关键阶段获得指导，同时还将介绍特定任务的调整与提示工程的对比，确保输出质量并降低风险。您将探索遇到的挑战以及正在发展的解决方案和架构。
因果推理智能：从数据到行动
Dr. Andre Franca | CTO | connectedFlow
通过本次会议，您将探索和解密Causal AI世界，了解数据科学实践者在其中的应用，重点是理解数据内的因果关系以推动最佳决策。您将涵盖以下主题：
- 从Shapley到DAGs：使用事后可解释性方法作为决策工具的危险，传统的机器学习在我们想对系统进行干预的情况下不适用。
- 发现因果关系：如何确定是因果关系还是非因果关系，简要介绍结构学习和因果发现的方法。
- 最佳决策：通过理解因果关系，我们现在可以准确地估计我们在系统上的影响 – 如何利用这些知识得出最佳的行动方案？
无法参加ODSC West？别担心！ODSC East 2024即将到来（虽然还有5个多月，但谁在计数呢）。立即购买面对面或虚拟通行证并节省75％！