קהל יעד:

מהנדסי מערכת, מהנדסי אלגוריתמים, מהנדסי בקרה, מהנדסי תקשורת, מהנדסי עיבוד אות, ארכיטקט מערכת, מהנדסי אינטגרציה

הזמנה לכנס בנושא:

AI – From Algorithm to Production

הדרך המהירה לפיתוח והטמעה של מודלי בינה מלאכותית באמצעות MATLAB

28/6/2021 יום שני, בין השעות 8:30-16:00, מלון דניאל, הרצליה פיתוח

חוזרים לשיגרה – להיפגש פנים מול פנים, להתייעץ עם המומחים, ללמוד מתכנים מקצועיים ועדכניים, נטוורקינג וכיבוד מפנק

אחרי שנה שבה השתמשנו ב-Deep Learning על מנת לגלות אנשים שאינם עוטים מסיכה… ובעזרת Machine Learning הצלחנו לסווג במהירות מטופלים ל"חולה קורונה" או "בריא"… וחזינו כשלים צפויים של רכיבים במכונות הנשמה בעזרת תחום ה- Predictive Maintenance… ופיתחנו מערכות קבלת החלטה מבוססות Reinforcement Learning כדי להקל או להחמיר את ההגבלות על הציבור כתלות במצב התחלואה והעומסים בבתי החולים…

הגיע הזמן לחזור ל"כנסים של פעם" !!!

כנס הבינה המלאכותית המרכזי של סיסטמטיקס לשנת 2021 יעסוק השנה בכל תחומי הבינה המלאכותית, משלב האלגוריתם ועד ה-Production. נלמד על שילוב של MATLAB עם סביבות למידה עמוקה אחרות, נראה כיצד להביא אלגוריתמי ומודלי AI לכדי פעולה בשטח (DevOps), נדבר על הטמעה של מערכות AI ברכיבי קצה וענן, נערוך היכרות עם תחום ה-Lidar החדשני ועם יישומי למידה עמוקה עבורו, נדגים ביצוע של סימולציה מערכתית עבור מודלי AI, נסווג אותות מכ"מ באמצעות למידה עמוקה, ניכנס לעולם למידת החיזוק, ונשמע על תחום האחזקה החזויה.

הצטרפו לצוות המהנדסים של סיסטמטיקס ליום עיון טכני ומקצועי ללא עלות, בו תוכלו להעשיר את עולם הידע שלכם, ולרכוש כלים שיסייעו לכם בעבודה היומיומית בתחום הבינה המלאכותית!

[ סדר יום ]

הערה:

ההשתתפות הינה ללא תשלום, אך מחייבת הרשמה מראש.

8:30 התכנסות, רישום וכיבוד קל
9:00 למידה עמוקה עם MATLAB או קוד פתוח? או גם וגם?
יואב ברסלר, מומחה צבע, Stratasys
רועי פן, מהנדס אפליקציה לתחומי הבינה המלאכותית, עיבוד התמונה והראיה הממוחשבת, סיסטמטיקס
10:45 DevOps עבור תוכנה ומערכות: כיצד להביא אלגוריתמי ומודלי AI לכדי פעולה בשטח
דן נשר, מנהל צוות מהנדסי אפליקציה, סיסטמטיקס
11:15 הפסקת קפה
11:45 הטמעה של מערכות AI ברכיבי קצה ובענן
רוני פאר, CTO, סיסטמטיקס
12:15 גילוי אובייקטים במידע Lidar באמצעות למידה עמוקה
רועי פן, מהנדס אפליקציה לתחומי הבינה המלאכותית, עיבוד התמונה והראיה הממוחשבת, סיסטמטיקס
12:45 סימולציה מערכתית של מודלי AI
רוני פאר, CTO, סיסטמטיקס
13:15 ארוחת צהריים
14:15 סיווג אותות מכ"מ באמצעות למידה עמוקה
ינון נוסבאום, מהנדס אפליקציה לתחומי עיבוד אותות ותקשורת, סיסטמטיקס
14:45 למידת חיזוק (Reinforcement Learning)
איתמר אנגלמן, מהנדס אפליקציה, סיסטמטיקס
15:15 אחזקה חזויה (Predictive Maintenance)
רוני פאר, CTO, סיסטמטיקס
15:45 הגרלה של 3 קורסי למידה עמוקה

הערה:

ההשתתפות הינה ללא תשלום, אך מחייבת הרשמה מראש.

8:30 התכנסות, רישום וכיבוד קל
9:00 למידה עמוקה עם MATLAB או קוד פתוח? או גם וגם?
יואב ברסלר, מומחה צבע, Stratasys
רועי פן, מהנדס אפליקציה לתחומי הבינה המלאכותית, עיבוד התמונה והראיה הממוחשבת, סיסטמטיקס
10:45 DevOps עבור תוכנה ומערכות: כיצד להביא אלגוריתמי ומודלי AI לכדי פעולה בשטח
דן נשר, מנהל צוות מהנדסי אפליקציה, סיסטמטיקס
11:15 הפסקת קפה
11:45 הטמעה של מערכות AI ברכיבי קצה ובענן
רוני פאר, CTO, סיסטמטיקס
12:15 גילוי אובייקטים במידע Lidar באמצעות למידה עמוקה
רועי פן, מהנדס אפליקציה לתחומי הבינה המלאכותית, עיבוד התמונה והראיה הממוחשבת, סיסטמטיקס
12:45 סימולציה מערכתית של מודלי AI
רוני פאר, CTO, סיסטמטיקס
13:15 ארוחת צהריים
14:15 סיווג אותות מכ"מ באמצעות למידה עמוקה
ינון נוסבאום, מהנדס אפליקציה לתחומי עיבוד אותות ותקשורת, סיסטמטיקס
14:45 למידת חיזוק (Reinforcement Learning)
איתמר אנגלמן, מהנדס אפליקציה, סיסטמטיקס
15:15 אחזקה חזויה (Predictive Maintenance)
רוני פאר, CTO, סיסטמטיקס
15:45 הגרלה של 3 קורסי למידה עמוקה

[ פירוט הרצאות ]

פירוט הרצאות

למידה עמוקה עם MATLAB או קוד פתוח? או גם וגם? — הקליקו לפירוט>>

למידה עמוקה עם MATLAB או קוד פתוח? או גם וגם?

בשנים האחרונות צצו סביבות שונות המאפשרות פיתוח רשתות למידה עמוקה. הסביבות נבדלות ביניהן במגוון היבטים – עלות שימוש, יכולות, מהירות, גודל קהילת המשתמשים ועוד.

בהרצאה זו נעמוד על ההבדלים בין הסביבות ה"חינמיות" לבין MATLAB, ונראה מתי נכון להשתמש בכל אחת בנפרד, ומתי מומלץ לשלב בין סביבות על מנת ליהנות מכל העולמות.

נראה גם סיפור משתמש שיסביר כיצד להכניס לתוך MATLAB רשת מסביבת למידה עמוקה אחרת. הדוגמה שתוצג תעסוק בביצוע Style Transfer לקבצי וידאו, במטרה לייצר סרטונים בסגנון רצוי. לצורך כך ניקח רשת למידה עמוקה שמבצעת Style Transfer לסט מסויים של סגנונות, שאומנה בסביבה שאינה MATLAB, ונכניס אותה ל-MATLAB על מנת ליהנות מכל היתרונות של ביצוע למידה עמוקה בסביבה זו. כחלק מהתהליך, נתמודד בקלות עם אתגרים שונים הכרוכים בהכנסה של רשת ששמורה בפורמט ONNX אל תוך MATLAB, נשתמש בממשקים גרפים ידידותיים לצורך ניתוח הרשת ועריכה שלה, ונאמן במהירות את הרשת מחדש על מנת שתוכל לבצע Style Transfer גם לסגנון המעניין אותנו ולא רק לסגנונות שעליהם היא אומנה במקור. לסיום, נמיר את הרשת בצורה אוטומטית לקוד CUDA, דבר אשר יביא להאצת פעולתה.

DevOps עבור תוכנה ומערכות – כיצד להביא אלגוריתמי ומודלי AI לכדי פעולה בשטח — לפירוט>>

DevOps עבור תוכנה ומערכות – כיצד להביא אלגוריתמי ומודלי AI לכדי פעולה בשטח

Many organizations using MATLAB and Simulink to develop algorithms and models see an increased need to deploy, monitor, and manage them over their lifetime in production. DevOps refers to the set of capabilities needed to operationalize software applications, usually in an IT context. However, it is not straightforward for engineering algorithms and models; Gartner reports that more than 50% of data science projects do not result in business value due to problems with their operationalization. It is even more challenging when they involve physical systems.

DevOps for software and systems are needed by teams responsible for the operational performance of algorithms and models. Those teams often include engineering, software development, IT, and OT (Operation Technology). Engineers test, deploy, and debug their algorithms and models through the entire lifecycle, including redeploying algorithms after they are in operation. These production systems are typically owned by IT/OT.

In this session, we’ll learn how engineering teams are using MATLAB and Simulink product families to operationalize their algorithms and models and to bridge the gap with IT/OT teams.

הטמעה של מערכות AI ברכיבי קצה ובענן — לפירוט>>

הטמעה של מערכות AI ברכיבי קצה ובענן

בניתם מודל מדהים של למידת מכונה, או למידת חיזוק, או למידה עמוקה ואף של אחזקה חזויה – אז מה עכשיו? בסופו של דבר, המודל הזה אמור להתממשק למדידות של חיישנים אמיתיים, ולספק לכם החלטות או תובנות בזמן הפעולה של המערכת עצמה, אבל האם ניתן לקחת את מה שיצרתם

בסביבת MATLAB ולהעביר אותו לסביבה אחרת? ודאי שכן!

בהרצאה זו נציג את האפשרויות השונות להטמעת ושיתוף המודלים שלכם:

  1. עם משתמשים נוספים בארגון, שיכולים לעשות שימוש נרחב בתוצרים שכבר פיתחתם
  2. ברכיב קצה – Edge Device – אשר לרוב מכיל רכיב Embedded כמו CPU, PLC, GPU או אף FPGA
  3. בסביבת ענן – IT/OT – כמו AWS או AZURE

כמו כן נדבר קצת על השילוב בסביבות Dashboard מתקדמות, כמו Kibana, Power BI ועוד

גילוי אובייקטים במידע Lidar באמצעות למידה עמוקה — לפירוט>>

גילוי אובייקטים במידע Lidar באמצעות למידה עמוקה

חיישני Lidar נעשים יותר ויותר פופולרים בשנים האחרונות, כשהשימוש הכי בולט בהם הוא בתחום המערכות האוטונומיות. במכוניות חכמות, למשל, לצד Lidar משתמשים גם בחיישנים מסוגים נוספים, כמו מצלמה ומכ"ם, כדי להבין טוב יותר מה קורה בסביבה של הכלי, אבל להבדיל מהחיישנים הללו, ה- Lidar עובד מעולה גם בחושך או בתנאי מזג אויר גרועים, והוא נותן רזולוזציה טובה ודיוק גם עבור אובייקטים מרוחקים. משתמשים ב- Lidar גם עבור ניווט ומיפוי, ורואים יישומים של Lidar ברובוטיקה, כלי טיס לא מאויישים ועוד…

יצירה של אלגוריתמי גילוי אובייקטים וסגמנטציה סמנטית עבור ענני נקודות Lidar הינה מאתגרת, בגלל סיבות כמו דלילות (Sparsity) של המידע עבור כל אובייקט, הסתרות ורעש. טכניקות מבוססות למידה עמוקה נותנות מענה לאתגרים הללו, על ידי למידה של ייצוגים רובסטיים של פיצ'רים ישירות מתוך ענני הנקודות.
בהרצאה זו נכיר את עולם ה-Lidar ואת היישומים של תחום הלמידה העמוקה עבורו. נדגים בצורה מפורטת כיצד לממש מקצה לקצה תהליך עבודה מבוסס למידה עמוקה עבור גילוי אובייקטים בענני נקודות Lidar ועקיבה אחריהם. בין היתר, נראה שיטות לביצוע עיבוד מקדים של המידע, תיוג (Labelling) מהיר ונוח שלו, בניה של מודלי למידה עמוקה, אימון שלהם, בדיקה שלהם והורדה שלהם ל-Target.

סימולציה מערכתית של מודלי AI — לפירוט>>

סימולציה מערכתית של מודלי AI

סביבת Simulink מאפשרת אינטגרציה מערכתית של כל רכיבי המערכת, החל ממערכות הבקרה ועיבוד האות, דרך עיבוד התמונה, וכלה בממשק לסביבות פיסיות של זרועות רובוטיות רכבים אוטונומיים ועוד. חלק אינטגרלי ומהותי בכל מערכת מודרנית, הינו שילוב של רכיב ה-AI בתוך המודל הקלאסי של המערכת. רובוט צריך להיות מסוגל לזהות מכשולים ולהימנע מהם, אולי לתפוס ולזהות דווקא כדורים ירוקים ולא כחולים, ואף להתנייד במרחב בצורה אוטונומית. מערכות מודרניות של AI מיושמות לרוב בעזרת חיישנים מתאימים ורשתות המסוגלות ללמוד בצורה עצמאית ולזהות תבניות בצורה מהירה.
בהרצאה זו נראה כיצד ניתן לבצע את השילוב הזה בצורה פשוטה בסביבת Simulink, וכיצד מהנדס המערכת או הפרויקט יכול לבצע אינטגרציה מערכתית בצורה קלה ומהירה ולבחון את התנהגות המערכת הכוללת – הרבה לפני שבונים אבטיפוס.

במהלך ההרצאה נעשה שימוש בדוגמה של רכב, אשר בלוגיקת הפעולה שלו ישולבו 2 מערכות עזר – זיהוי סטיה מנתיב והימנעות מהתנגשות ברכבים. כל מערכות ההנעה והשליטה ברכב ימודלו ויסומלצו בעזרת Simulink, וחלקי הזיהוי ימודלו ברשתות מתאימות (YOLO ו-AlexNet) וירוצו על גבי ה- GPU של מחשב הסימולציה כחלק מאותו המודל.

*לא נדרש ידע מקדים בסביבת Simulink בכדי להפיק ערך רב מהרצאה זו.

סיווג אותות מכ"מ באמצעות למידה עמוקה — לפירוט>>

סיווג אותות מכ"מ באמצעות למידה עמוקה

אותות נמצאים בחיי היום-יום של כולנו: במחשבים, רדיו, טלפונים סלולריים, ציוד רפואי, בבית, במשרד ובכל מקום.

גם עולם הלמידה העמוקה עבור עיבוד האותות צובר תאוצה רבה בשנים האחרונות.

בהרצאה נדגים את היכולת לסווג אותות מכ"מ בצורה אוטומטית ומהירה, אך את השיטות והיכולות שנלמד בהרצאה נוכל ליישם לא רק על אותות מכ"מ, אלא על כל סוגי האותות: תקשורת, שמע, אותות ביולוגיים, או כל סוג אחר של אות.

בין היתר נראה:

  • כיצד לייצר Label-ים לאותות מכ"מ ולבצע את את תהליך התיוג באופן אוטומטי
  • איך לייצר מידע סימולטיבי וללמד את הרשת באמצעותו
  • איך להפוך אותות חד-ממדיים לתמונות שיהוו קלט לרשתות CNN
  • כיצד לשפר את ביצועי הלמידה של הרשת

למידת חיזוק (Reinforcement Learning) — לפירוט>>

למידת חיזוק (Reinforcement Learning)

Reinforcement learning allows you to solve control problems using deep learning but without using labeled data. Instead, learning occurs through multiple simulations of the system of interest. This simulation data is used to train a policy represented by a deep neural network that would then replace a traditional controller or decision-making system.

In this session you will be introduced to reinforcement learning and see how to perform it using Simulink. You will also see how to:

  • Set up environment models.
  • Define the policy structure.
  • Scale training through parallel computing to improve performance.
  • Use the “Reinforcement Learning Designer” app to simplify and accelerate the design.

אחזקה חזויה (Predictive Maintenance) — לפירוט>>

אחזקה חזויה (Predictive Maintenance)

אחזקת מערכות הינה חלק אינטגרלי מכל פיתוח של מערכת חדשה. בעוד שבשלבי המחקר והפיתוח אנו משקיעים כ-20% מעלות הפרויקט, הרי שעיקר התקציב והמאמץ עובר בסופו של דבר לדרג האחזקה וביצוע שינויים ושיפורים. כפועל יוצא, חשיבות האחזקה בכלל, ונושא האחזקה החזויה בפרט הינו בעל ערך עליון, בעיקר כשמדובר על מערכות הפרוסות במספר אתרים ברחבי המדינה.
חברות המפתחות ציוד תעופתי ותעשייתי לרוב שומרות כמויות אדירות של נתונים לגבי אופן פעולת המכשירים והמכונות, מתוך כוונה שבעתיד ניתן יהיה להפיק ממנו מידע חשוב. עם זאת, לצורך בניה של מודלים רובוסטיים ומדויקים לחיזוי הפעילות, נדרש שילוב נדיר של ניסיון מקצועי ויכולות לעיבוד סטטיסטי.
בהרצאה זו נציג טכניקות ללימוד מכונה בסביבת MATLAB המאפשרות לחזות את משך החיים הנותר של הציוד. בעזרת נתונים המגיעים ממדידות אמיתות, נחקור את תהליכי ייבוא המידע, עיבוד ראשוני שלו, וסיווג שלו. גם אלו מכם שאינם סטטיסטיקנים או מהנדסי אמינות יוכלו להפיק רבות משלב זה.
בהמשך נראה כיצד ניתן לעשות שימוש בבינה מלאכותית ולימוד מכונה על מנת להיות מסוגלים לחזות כשלים או מצבי פעולה שאינם תקינים, מתוך מידע היסטורי. אנו נראה כיצד בוחרים את ה-features וכיצד משווים בין מספר מודלים של לימוד מכונה. נציג כיצד ניתן לעשות שימוש ב-MATLAB לצורך בניית אלגוריתמים לחיזוי (פרוגנוסטיקה) וכיצד מעבירים אותם לעולם ה-production בכדי שגם דרגי השטח יוכלו לעשות בהם שימוש.
בתהליכים שיוצגו בהרצאה זו, תוכלו ללמוד כיצד ניתן לשפר את אמינות הציוד והמערכות ולפתח מודלים ושירותים מתקדמים יותר מהקיים היום.

בנוסף לשיטות הקלסיות של שימוש במודלים פשוטים של למידת מכונה, נראה גם כיצד ניתן לעשות שימוש ברשתות בכדי לבצע חיזוי ולהימנע מתקלות במערכות מסוג זה.

יצירת קשר

מחלקת שיווק
חברת סיסטמטיקס
טלפון:  03-7660111