Konferenca OTS

4. in 5. september 2024
MARIBOR

Delavnice

DELAVNICE

1. Silver bullet strojnega učenja: (skoraj) samodejna optimizacija modelov za razvijalce

Izvajalca: Vili Podgorelec, Grega Vrbančič
Trajanje: 2 uri

Ste razvijalec, soočen z izzivom izgradnje učinkovitega in točnega napovednega modela strojnega učenja, pa za to nimate ne časa, ne dovolj poglobljenega znanja? Ali vodstvo oz. poslovni partnerji od vas pričakujejo, da boste (ob vseh ostalih nalogah) poskrbeli še za razvoj inteligentnih rešitev? Ste s pomočjo tutorialov in primerov uporabe ustvarili model, ki pa ne dosega pričakovanih rezultatov? Nekaj odgovorov in praktičnih nasvetov, kako se spopasti z naštetimi izzivi, vam bomo ponudili v okviru te »hands-on« delavnice.

Strojno učenje predstavlja jedro umetne inteligence, od preprostih napovedi do najzmogljivejših generativnih orodij. Njegova uporaba se nenehno širi na nova področja in v mnoge domene ter postaja vseprisotna tehnologija, bolj ali manj skrita v vsakodnevnih opravilih. S širjenjem področij, kjer želimo uporabiti napovedne modele strojnega učenja, se nenehno veča tudi nabor nalog in izzivov, ki bi jih radi s strojnim učenjem čim bolje rešili. Razvoj in optimizacija napovednih modelov tako nista več le domena podatkovnih znanstvenikov, pač pa njihova uporaba postaja vse bolj operativna naloga običajnih razvijalcev informacijskih rešitev in IT oddelkov v podjetjih. Le-ti nimajo poglobljenih znanj o metodah umetne inteligence in algoritmih strojnega učenja, prav tako pa ne časa za razvoj specifičnih, visoko prilagojenih in optimiziranih rešitev za posamezno nalogo. Kljub temu pa bi seveda želeli rešitev, ki bi zastavljen problem reševala čim bolj točno in zanesljivo.

Dobro znana lekcija nas uči, da je potrebno za uspešno inteligentno rešitev nad zbranimi podatki uporabiti primeren model strojnega učenja. Različni sodobni algoritmi strojnega učenja so sicer dovolj univerzalni, da je z njimi možno doseči dobre rešitve za različne naloge. Njihovo vedenje prilagajamo danemu problemu z ustrezno nastavitvijo učnih parametrov. Pri tem velja, da bolj kot je algoritem kompleksen, več parametrov vpliva na njegovo delovanje. Iskanje in prilagajanje učnih parametrov konkretni nalogi je tako lahko zelo zahtevna naloga. A na srečo obstajajo dovolj preprosti in hkrati učinkoviti pristopi, ki omogočajo optimizacijo napovednih modelov tudi brez poglobljenega znanja.

Namen delavnice je na čimbolj praktičen način predstaviti možne pristope k optimizaciji napovednih modelov, četudi niste podatkovni znanstvenik. V okviru delavnice boste sami preskusili, kako lahko z uporabo knjižnic in orodij v programskem okolju Python iz povprečnih »šolskih« modelov s predstavljenimi pristopi zgradimo kakovostno rešitev. Pridobili boste znanje in veščine, ki vam bodo pomagale izboljšati napovedne modele tudi v vašem lastnem produkcijskem okolju.

2. DataOps pristopi za hiter razvoj in nameščanje inteligentnih aplikacij *

Building and Deploying AI Agents Quickly with Qubinets

Izvajalca: Ivan Konjevod, Vice Ivandić
Trajanje: 2 uri
 

In the fast-changing world of artificial intelligence (AI), quickly developing and deploying AI agents is essential to stay competitive and meet business needs. Qubinets is a platform that offers a solid and efficient framework for building and deploying AI agents rapidly.

Qubinets provides a complete set of tools that work well with popular machine learning frameworks and development environments. Its user-friendly interface and ready-made templates help developers create AI models faster by cutting down on repetitive coding and setup. The platform supports various AI applications, such as natural language processing, computer vision, and predictive analytics, miting it suitable for different industries.

The deployment process is improved by Qubinets’ automated pipeline, which ensures that AI models are tested, validated, and scaled efficiently. This pipeline supports continuous integration and continuous deployment (CI/CD), allowing for quick updates and iterations. Additionally, Qubinets’ cloud-based infrastructure ensures that AI agents are highly available and scalable, making it easy to integrate them into existing systems.

Moreover, Qubinets includes strong monitoring and analytics tools that provide real-time insights into the performance of deployed AI agents. These tools help identify issues and optimize performance, ensuring that AI solutions work well in production environments.

Using Qubinets, organizations can speed up the time-to-market for AI solutions, improve operational efficiency, and become more agile in responding to market changes. This overview highlights the benefits of using Qubinets for building and deploying AI agents and emphasizes its role in promoting innovation and efficiency in AI development.

Keywords: AI agents, Qubinets, fast deployment, machine learning, CI/CD, cloud-native, real-time monitoring, operational efficiency, AI development.

3. Umetna inteligenca v programskem inženirstvu – kaj pa sedaj?

Izvajalci: Vasilka Saklamaeva, Nadica Uzunova, Luka Četina
Trajanje: 2 uri

Razvoj informacijskih rešitev, pa naj gre za zaledne, spletne, mobilne, namizne, vgrajene ali oblačne aplikacije, je skupek kompleksnih organizacijsko-tehničnih opravil, ki jih morajo opravljati ekipe strokovnjakov z različnimi znanji na učinkovit in uigran način. Izzivov, s katerimi se posamezniki in ekipe pri tem srečujejo, ne manjka.

Ideja, da bi informacijska rešitev nastala samodejno na podlagi podanih uporabniških zahtev, ni novost. Tako se raziskovalci že desetletja trudijo s preboji na različnih področjih, npr. samodejnega generiranja testnih primerkov, sistemi za predlaganje načrtovalskih odločitev ipd. Čeprav smo že uspeli doseči relativno visoko stopnjo avtomatizacije pri celi množici aktivnosti, se na področju programskega inženirstva zadnji preboji umetne inteligence kažejo kot še posebej obetavni. Inteligentni pomočniki pri pisanju programske kode so že dosegli raven, ko jih uporabljamo vsakodnevno. A potencial pristopov umetne inteligence in inteligentnih orodij se ne ustavi pri pisanju programske kode. Tako danes že poznamo in uporabljamo inteligentne pomočnike na celotnem ciklu razvoja in vzdrževanja informacijskih rešitev: generiranje programske kode na osnovi opisov uporabniških zahtev, generiranje delov programske kode, načrtovanje in ocenjevanje truda pri razvoju, detekcija defektov in predikcija napak, generiranje testnih primerkov, generiranje vhodnih podatkov v testiranje, generiranje izvajalnih okolij, prilagajanje konfiguracij ciljnim okoljem, spremljanje incidentov in samodejno odzivanje nanje, spremljanje in optimizacija stroškov produkcija, samodejno testiranje, predlaganje razvojnih nalog ipd.

Tekom delavnice se bomo podali po poti celotnega življenjskega cikla razvoja informacijskih rešitev: od vizije do predaje v uporabo in vzdrževanja. Na vsakem koraku bomo preučili ali in kako lahko orodja na osnovi sodobnih pristopov umetne inteligence pomagajo pri konkretnih izzivih. Najzanimivejša med njimi pa bomo preizkusili v praksi.