Program

Tre-baserte modeller er kjent for å ha god ytelse på strukturerte data, men er samtidig mer ustabile sammenlignet med tradisjonelle statistiske modeller. Ustabilitet kan føre til betydelige endringer i prediksjoner ved små endringer i treningsdata, noe som reduserer modellens pålitelighet. En mer stabil oppdatering av tre-baserte modeller kan oppnås ved bruk av en approksimert Bayesiansk tilnærming kombinert med teknikker fra semi-supervised learning.

Foredraget vil presentere hvordan vi i Sparebanken Vest økte nytteverdien av en antihvitvask-modell ved å gjøre modellens prediksjoner mer forklarbare for brukerne. Fokus for presentasjonen blir hvilke hensyn vi måtte veie mot hverandre og hvilke metoder vi endte opp med å bruke.

Maskinlæring er ikke noe de fleste UX’ere jobber med i det daglige, og mange som faktisk jobber med maskinlæring skjønner ofte ikke hva det har med UX å gjøre. Koblingen mellom maskinlæring og UX er ikke åpenbar for de fleste. Likevel er mulighetene mange i samspillet mellom disse to.

Frende Forsikring har hatt et eget team for maskinlæring og kunstig intelligens siden 2020. På denne tiden har en mengde api-er blitt produksjonssatt, og maskinlæring har fått en sentral rolle i Frende for å nå strategiske mål. I dette foredraget vil vi gå gjennom hvordan Frende bruker Dataiku-plattformen for effektiv implementasjon av maskinlæring. I tillegg vil det bli gitt flere eksempler på  maskinlæringsprosjekter som skaper betydelig verdi i Frende.

Med inntoget av ChatGPT eksploderte populariteten av generativ KI; både for den gjengse brukeren av verdensveven, men også for større organisasjoner. I dagens datalandskap og manfoldet av prediktive modeller, er det viktigere enn noen gang å bringe kunnskapsmodellering på agendaen. Dette foredraget vil sette fingeren på hvilke utfordringer og muligheter som ligger i generativ KI, og hvordan vi sammen kan gjøre de sikrere og mer treffsikre ved bruk av kunnskapsmodellering.

NAYA kommer til å diskutere den manuelle siden av AI-utvikling, gjerne omtalt som AI sin skyggeside. De kommer til å trekke frem det usynlige arbeidet som skjer bak kulissene og hvordan menneskene involvert i dette, utsettes for psykisk tortur og moderne slavearbeid.

Korleis kombinerer ein differensiallikningar for vær og vind med faktiske observasjonar av temperatur og trykk for eit best mogleg bilete på verda? Data assimilering er samlinga av metodar for å kombinere usikre data med fysiske modellar. Algoritmene er essensielle for vår daglige værmelding, for search and rescue til havs, samt for energibransjen og mange andre. Paradoksalt fører ein stor modell til dårleg assimilering av observasjonar. Kvifor det? Det siste året har vi leita etter tapte matematiske eigenskapar til våre data, som gir informasjon om korleis dei eksakt skal assimilerast inn i den fysiske modellen. Ved å nytte desse eigenskapane blir likningane vakrare, algoritmene smartare og værmeldingane betre.

Vi tar et dypere dykk i det teoretiske bak dagens mest brukte modeller - GPTer og LLMer. I foredraget ser vi på hvordan disse modellene lærer og utvikles - hva er egentlig en “Transformer-based model”? Vi forklarer prinsippene Reinforcement Learning with Human Feedback (RLHF), Proximal Policy Optimization og Zero-Shot learning hvor hensikten er å åpne opp den “sorte boksen” for mange. Til slutt diskuterer vi OpenAIs valg om å skjule GPT-4s vekter og tekniske detaljer fra omverden - hva betyr det for forskning og veien videre? 


Visualisation has proven to be essential to comprehend and gain knowledge from data. In the beginning it was limited to tailor-made software. Tools like Microsoft Power BI, Tableau, etc., has significantly lowered the bar for doing data visualisation and have enabled business-users themselves to construct insightful and colourful visualization reports. The difficult challenge still remains; why we visualise, what to visualise, and how to do this most effectively. In this talk we cover many of the whys, the whats, and the hows of data visualization, taking the audience on a journey into the fascinating field of visualisation and visual communication. The goal is to provide knowledge and practical advice for them to take their own visualisations beyond what they do today. Topics range from perception and gestalt theory, to practical tips and recommendations, of what questions to ask, why a little data massaging can have large effects on the insight, and which visualisations to use and to avoid.