Big Data Days 2021

Online Edition

28-30 Cентября

онлайн

Присоединиться к конференции

Перейдите по ссылке чтобы присоединиться к платформе конференции: https://app.pinetool.ai/attendee

Зайдите под логином, который регистрировали.

В случае каких-либо трудностей – проверьте входящие эл.письма от  noreply@pinetool.ai

Если проблема не была устранена – заполните форму для нашей техподдержки здесь.

Присоединиться к мастер-классам

Все инструкции по подключению к мастер-классам были высланы на вашу электронную почту. Пожалуйста, проверьте ваши входящие письма (а также папку СПАМ) от tickets@bigdatadays.ru

В случае каких-либо неполадок – звоните нам +79060843324 или пишите на эл.почту.

Начало мастер-классов 30 сентября  в 9:00 МСК.

Мастер-классы

(30 Cентября)

Продолжительность: 08:40 – 16:30 (МСК)

8:40 – 9:00 Регистрация участников
9:00 – 10:30 Мастер-класс, часть I
10:30 – 10:40 Перерыв
10:40 – 12:00 Мастер-класс, часть II
12:00 – 13:00 Обед

13:00 – 14:20 Мастер-класс, часть III

14:20 – 14:30 Перерыв

14:30 – 16:30 Мастер-класс, часть IV


– Каждый практический мастер-класс – мероприятие на целый день.
– Все мастер-классы проходят параллельно, поэтому приобретенный билет дает вам право на посещение только одного, выбранного вами мастер-класса.
– Язык проведения каждого мастер-класса зависит от того, англо- или русскоговорящим является тренер.
– Язык проведения указан у каждого конкретного мастер-класса (ENG/RU).
– Синхронный перевод мастер-классов НЕ ПРЕДУСМОТРЕН, поэтому перед выбором темы оцените возможности своего английского языка. Однако, исходя из опыта прошлых конференций, все тренеры знают о наличии языкового барьера, поэтому приложат максимальные усилия, чтобы облегчить участникам мастер-классов понимание обсуждаемой темы.

ONNX runtime to serve AI models

Mauro Bennici
You Are My Guide – GhostWriterAI

Читать больше »

ENG
ENG

An introduction to FluxLang

Riccardo Tommasini
University of Tartu – Titania Project OÜ

Читать больше »

ENG

1-ый день конференции

(28 Cентября)

! Синхронный перевод с английского языка не предусмотрен
(ENG) – доклады на английском языке
(RU) – доклады на русском языке

Время Трек 1: RU: Применение Трек 2: RU: Проекты Трек 3: ENG: Data Трек 4: ENG: Machine Learning Трек 5: ENG: Cloud and Streaming Трек 6: ENG: Varia
08:30 - 09:00 (MCK) Регистрация
09:00 - 10:00 (MCK)
Вступительная речь:
Trust Your Data
Mark Grover
Stemma
Data Discovery
Metadata
Amundsen
(Трек 3)
10:05 - 10:50 (MCK) Вероятностная Калибровка на Примере Probability Calibration Trees
Валерий Бабушкин
Facebook UK Ltd
ML
Probability Calibration Trees
Model Calibrations
Uncertainty Estimation
Трек 1: RU: Применение
Гиперавтоматизация Глазами Программного Робота
Сергей Вотяков
Академия Россия RPA2
RPA
Hyperautomation
Трек 2: RU: Проекты
Rethinking Ingestion: CI/CD for Data Lakes
Einat Orr
Treeverse
Data Lake
Data Versioning
Ingestion
Трек 3: ENG: Data
ML in Production – Serverless and Painless
Oliver Gindele
Datatonic
MLOps
Serverless
Containers
Tensorflow
Трек 4: ENG: Machine Learning
Designing Robust Processing System With Redis
Paško Pajdek
Mediatoolkit
Realtime Data Processing
Queueing
Redis
Трек 5: ENG: Cloud and Streaming
Creating a Dwh From Scratch to Analyze 11 Million Kilometers Worth of Bike Rides
Sebastian Mehldau
VanMoof
Data Warehouses
BigQuery
Predictive Models
Трек 6: ENG: Varia
10:50 - 11:05 (MCK) Утренний перерыв
11:05 - 11:50 (MCK) Воспитание моделей
Вадим Стрижов
МФТИ
ML
Model Selection
Трек 1: RU: Применение
Unboxing Многокомпонентных Big Data-проектов Инструментом DataLog на Основе Подхода Software Аs Аrtefact
Павел Симанихин
Neoflex
Big Data
Software As Artefact
DataLog
Трек 2: RU: Проекты
Data Observability
Gerard Toonstra
Datafold
Data Observability
Data Lineage
Catalog
Трек 3: ENG: Data
Machine Learning Helping the Economy
Diana Gabrielyan
Stockmann
ML
Text Mining
Economics
Inflation
Трек 4: ENG: Machine Learning
The Honest Review of Amazon SageMaker
Wojciech Gawroński
Pattern Match
ML
Cloud
Amazon
SageMaker
Трек 5: ENG: Cloud and Streaming
DataSecOps: Why You Should Care
Ben Herzberg
Satori
Cloud
DataOps
Security
Data Engineering
Трек 6: ENG: Varia
11:55 - 12:40 (MCK) Прогнозирование Качества Процесса Переработки Нефти При Помощи Машинного Обучения
Андрей Шагалов & Ольга Миндлина
Artezio
Predictive Models
Time Series
Oil Industry
Трек 1: RU: Применение
Обнаружение Плагиата в Новостях
Алексей Бурнаков
ТАСС
NLP
Hadoop
Plagiarism
Трек 2: RU: Проекты
Cloud Computing Anomaly and Threat Detection Using Big Data Analytics and Machine Learning
Ibrahim Muzaferija
Maestral Solutions
Cloud
ML
Anomaly Detection
Support Vector Machines
User Behavior Modeling
Трек 3: ENG: Data
A Friendly Introduction to Codeless Deep Learning
Kathrin Melcher
Knime
Deep Learning
CNN
Keras
KNIME
Трек 4: ENG: Machine Learning
The Importance of Performance in Open Source Databases
Lukas Vileikis
Severalnines
Databases
MySQL
Performance
Security
Трек 5: ENG: Cloud and Streaming
Expanding the Data Team: Analytics Engineers
Victoria Perez Mola
Tier mobility
Team Management
Data Team
Analytics Engineer
Трек 6: ENG: Varia
12:40 - 13:40 (MCK) Обеденный перерыв
13:40 - 14:25 (MCK) Оптимизация Нейросетевой Архитектуры Агента, Выполняющего Обучение с Подкреплением
Евгений Бурнаев
Skoltech
Reinforcement Learning
Neural Architecture Search
Atari Benchmark
Трек 1: RU: Применение
Качество Или Количество Данных – Что Важнее?
Юлия Рубцова
Data Monsters
Exploratory Data Analysis
Data Quality
Data Labeling
Трек 2: RU: Проекты
Graph Data Science: from Theory to Application
Julien Genovese
Data Reply
Graph Data Science
MLlib
Трек 3: ENG: Data
In-Database Machine Learning with Jupyter
Paige Roberts
Vertica
ML
Data Architecture
Jupyter
Трек 4: ENG: Machine Learning
Best practices for ETL with Apache NiFi on Kubernetes
Albert Lewandowski
GetInData
ETL
Kubernetes
NiFi
Трек 5: ENG: Cloud and Streaming
How to Fail in AI Business
Mohammad Hossein Noranian
Esra Tech
AI Business
Case Study
Трек 6: ENG: Varia
14:30 - 15:15 (MCK) Нейронные Сети в Анализе и Генерации Звука
Татьяна Зобнина
Naumen
Neural Networks
Sound Analysis
ML Art
Трек 1: RU: Применение
People-driven Company vs Data-driven Company
Алексей Чернобровов
Chernobrovov.com
Data Driven Management
Трек 2: RU: Проекты
The Unbreakable Data Pipeline
Herminio Vazquez
IOVIO
Data Engineering
Data Pipeline
PySpark
Трек 3: ENG: Data
The Intuition Behind Machine Learning In Marketing
Mario A Vinasco
Credit Sesame
ML
Marketing
Advanced Segmentation
Cross Sell Predictions
Трек 4: ENG: Machine Learning
Real-Time Streaming in Any and All Clouds, Hybrid and Beyond
Timothy J Spann
StreamNative
Streaming
Flink
Pulsar
Nifi
Трек 5: ENG: Cloud and Streaming
Trends in 2021 - CRPA, AutoML & the Role of DataOps
Barry Walsh
Pairview Group
ML
DataOps
Trends
Трек 6: ENG: Varia
15:15 - 15:30 (MCK) Вечерний перерыв
15:30 - 16:30 (MCK)
ЗАКЛЮЧИТЕЛЬНАЯ РЕЧЬ:
Embracing #AiFirst Enterprise-Wide
Alex Sanginov
ServiceNow
ML
Enterprise AI
Data Science
(Трек 3)

2-ой день конференции

(29 Cентября)

! Синхронный перевод с английского языка не предусмотрен
(ENG) – доклады на английском языке
(RU) – доклады на русском языке

Время Трек 1: RU: Применение Трек 2: RU: Проекты Трек 3: ENG: Data Трек 4: ENG: Machine Learning Трек 5: ENG: Cloud and Streaming Трек 6: ENG: Varia
08:30 - 09:00 (MCK) Регистрация
09:00 - 10:00 (MCK)
Вступительная речь:
A Code-Driven Introduction to Reinforcement Learning
Phil Winder
Winder Research
Reinforcement Learning
Cyber Security
(Трек 3)
10:05 - 10:50 (MCK) Диагностика Корпоративной Культуры по Лексике Деловой Коммуникации
Марианна Крель & Павел Потеев
Центр Подготовки Руководителей и Команд Цифровой Трансформации ВШГУ РАНХиГС
ML
Linguistic Analysis
Culture Diagnostics Algorithms
Трек 1: RU: Применение
Масштабируем Data Science с помощью Modin
Василий Литвинов
Intel
Data Science
Scalability
Pandas
Трек 2: RU: Проекты
Use Visual Studio Code for Your Machine Learning Environments
Kris van der Mast
VaHa
ML
Visual Studio
Python
Azure
Трек 3: ENG: Data
Neural Networks on the Source Code
Jameel Nabbo
Cybersecurity Researcher, The Netherlands
ML on Source Code
Static Code Analysis
Compilers
Трек 4: ENG: Machine Learning
Management of a Cloud Data Lake in Practice: How to Manage 1000s of ETLs Using Apache Spark
Josef Habdank
DXC Technology
Data Governance
Azure
Spark
Трек 5: ENG: Cloud and Streaming
Industrial Use Cases of Data Science
Sana Rasheed
Accenture
Data Science
Predictive Models
Industry Use Cases
Трек 6: ENG: Varia
10:50 - 11:05 (MCK) Утренний перерыв
11:05 - 11:50 (MCK) NLP или Как Подключить Тысячи Пользователей к Данным
Юрий Ефаров
Easy Report
Natural Language Processing
Data Democratization
Трек 1: RU: Применение
Metadata management light или чем полезна фолксономия
Анастасия Викторова
Mediacom
Metadata Management
Data Catalog
Трек 2: RU: Проекты
Using Service Level Objective Theory to Design Great Data Products
Emily Gorcenski
ThoughtWorks
Reliability Engineering
Data Mesh
AI
Трек 3: ENG: Data
Complex AI Forecasting Methods for Investments Portfolio Optimization
Paweł Skrzypek
Anna Warno
AI Investments
ML
Forecasting
Investing
Трек 4: ENG: Machine Learning
Development of a Kafka-Powered Advanced Stream Commerce Platform
Andrea Spina
Radicalbit
MLOps
Streaming
Kafka
Трек 5: ENG: Cloud and Streaming
Machine Learning Security
Karol Przystalski
Codete
ML
Security
Трек 6: ENG: Varia
11:55 - 12:40 (MCK) Распределенное Хранилище IoT Телеметрии на Базе PostgreSQL и TimescaleDB
Иван Муратов
Первая Мониторинговая Компания
IoT
Time Series
TimescaleDB
PostgreSQL
Трек 1: RU: Применение
Discovery на API-Проектах: с Чего Начать и Чего Ожидать
Ксения Калашникова
Llamazing Data Project
API Discovery
Requirements Management
Трек 2: RU: Проекты
Riding the Second Wave - Open Source for Relational Databases
Jan Karremans
EDB Postgres
Databases
Open Source
PostgreSQL
Трек 3: ENG: Data
Share Massive Amounts of Live Data with Delta Sharing
Frank Munz
Databricks
Data Science
Open Source
Data Sharing
Трек 4: ENG: Machine Learning
Real Time Streaming Data from AWS MSK Kafka to Cloudera
Lidor Gerstel
Centerity
Hadoop
Databases
ETL
NoSQL
Scala
Трек 5: ENG: Cloud and Streaming
Keyword search is dead! And so are Solr and Elasticsearch?
Daniel Wrigley
SHI
Natural Language Processing (NLP)
Vector Similarity Search
Solr
Elasticsearch
Трек 6: ENG: Varia
12:40 - 13:40 (MCK) Обеденный перерыв
13:40 - 14:25 (MCK) Архитектура и Реализация Реляционных Операторов в Распределенных SQL-Движках
Владимир Озеров
Querify Labs
Apache Calcite
SQL
Query Optimization
Трек 1: RU: Применение
Как Начать Продажи Big Data Продукта с Нуля: Три Обязательных Составляющих
Александр Дмитриев
ADV LaunchPad
Big Data Products
Sales
Трек 2: RU: Проекты
Big or Small Data in the Food Industry?
Antía Fernández
Gradiant
Big Data
Data Analytics
Food Industry
Трек 3: ENG: Data
The state of MLOps - machine learning in production at enterprise scale
Bas Geerdink
Aizonic
MLOps
Big Data
Machine Learning
Трек 4: ENG: Machine Learning
Choosing the Right Abstraction Level for Your Kafka Project
Carlos Manuel Duclos-Vergara
Schibsted
Streaming Architecture
Event Processing
Kafka
Трек 5: ENG: Cloud and Streaming
Architecture vs. Operating Model - A Cloud Conundrum
Federico Fregosi
Contino
End-to-End Tests
Developers
Agile Test Automation
Трек 6: ENG: Varia
14:30 - 15:15 (MCK) Использование Методов Машинного Обучения в Задачах Статического Анализа Исполняемых Файлов
Никита Курганов
МГТУ им Н.Э.Баумана
ML
Security
File Analysis
Трек 1: RU: Применение
Как Выбрать Подход к Управлению ML Проектом
Асхат Уразбаев
ScrumTrek
ML
Agile
Scrum
Kanban
Трек 2: RU: Проекты
Building Data Science Products
Valentina Djordjevic
Things Solver
ML
Data Science
Product Development
Трек 3: ENG: Data
Towards Human-AI Teaming: Challenges and Opportunities of Human in the Loop AI Training
Clodéric Mars & Sagar Kurandwad
AI Redefined
ML
Multi-Agent Systems
Reinforcement Learning
Трек 4: ENG: Machine Learning
An Introduction to Streaming SQL with Materialize
Marta Paes
Materialize
Databases
Streaming
SQL
Трек 5: ENG: Cloud and Streaming
Zoom Out: Building a Kickass Engineering Team Remotely
Gad Salner
Melio
Team Management
Agile
Трек 6: ENG: Varia
15:15 - 15:30 (MCK) Вечерний перерыв
15:30 - 16:30 (MCK)
ЗАКЛЮЧИТЕЛЬНАЯ РЕЧЬ:
Translating Data Into Powerful Stories
Juan Venegas
Growth Tribe
Data storytelling
Data Visualisation
(Трек 3)

« Hазад