Интеллектуальные
информационные технологии
для  индустрии

Уткин Лев Владимирович

Доктор технических наук, профессор, Институт компьютерных наук и технологий СПбПУ, Россия

Модели условного эффекта лечения в условиях неопределённости обучающих данных

Модели условного эффекта лечения позволяют оценивать реакции на воздействие на основе индивидуальных векторов признаков, что обеспечивает персонализацию принятия решений в клинической медицине, обслуживании оборудования и разработке экономической политики. Оценка таких эффектов обычно предполагает разделение объектов на экспериментальную группу (после лечения) и контрольную группу (до лечения) с последующим сравнением их результатов. Однако фундаментальная проблема оценки заключается в том, что нельзя зафиксировать результат лечения одновременно для для контрольного пациента и после лечения, так как пациент становится другим после лечения. Кроме того, обучающие данные зачастую содержат неопределенность, особенно в случаях, когда целевые переменные имеют интервальные значения, например, при наличии цензурированных наблюдений. Для решения этих задач анализируются существующие модели оценки эффекта лечения, а также предлагаются новые подходы на основе механизмов внимания, которые явно учитывают неопределенность обучающих данных.

Информация о докладчике

Профессор Высшей школы искусственного интеллекта Санкт-Петербургского политехнического университета Петра Великого, Санкт-Петербург, Россия. Профессор, д.т.н. заведующий научно-исследовательской лабораторией нейросетевых технологий и искусственного интеллекта того же университета. В 1986 году окончил Санкт-Петербургский государственный электротехнический университет (бывший Ленинградский электротехнический институт). Защитил кандидатскую диссертацию в области систем обработки информации и управления (1989 г.) в том же университете и докторскую диссертацию в области математического моделирования (2001) в Санкт-Петербургском государственном технологическом институте. Награжден стипендией Фонда Александра фон Гумбольдта (2001–2003). Член Общества интервальных вероятностей и их применений (SIPTA) и Международного общества многокритериального принятия решений (ISMCDM). Автор более 300 научных публикаций, в том числе журналов по ИИ: Neurocomputing, Neural Networks, Knowledge-Based Systems, Applied Soft Computing, AI in Medicine и др. Научные интересы: машинное обучение, теория интервальных вероятностей, принятие решений.

Илиас Саввас

Профессор кафедры цифровых систем, Университет Фессалии, Греция

Квантовая физика без уравнений: формирование квантовой грамотности в системе образования

Квантовая механика достигла своего расцвета, а квантовые вычисления развиваются поразительными темпами. Демонстрация квантового превосходства и первые признаки практического применения квантовых технологий открывают путь к революционным разработкам: квантовому машинному обучению для поиска новых лекарств и персонализированной медицине, безопасным квантовым коммуникациям и квантовому интернету, постквантовой криптографии и многому другому. Тем не менее поразительный парадокс сохраняется. В то время как развитие квантовых технологий набирает обороты, базовое образование отстаёт. В средних школах и даже на первых курсах университета студенты практически ничего не узнают о квантовой науке, и многие относятся к ней с опасением, испытывая страх перед её сложным математическим и физическим формализмом. В этом докладе этот пробел рассматривается напрямую. В нём утверждается, что основные понятия квантового мира — суперпозиция, запутанность, измерение и кубит — можно эффективно преподавать с помощью интуиции, визуального мышления и повседневных аналогий, без использования уравнений. Далее речь пойдет о решающем и часто упускаемом из виду факторе: готовности и желанию учителей средних школ воспринимать, осваивать и преподавать материал по квантовой физике. Наконец, в докладе рассматривается, как искусственный интеллект может стать конструктивным помощником в педагогике, помогая преподавателям преодолеть страх перед технологиями, разрабатывать интуитивно понятные учебные материалы и создавать доступную среду, в которой не будет места страхам. В совокупности эти направления прокладывают практический путь к подготовке следующего поколения к грядущей квантовой эре.

Информация о докладчике

Профессор кафедры цифровых систем Университета Фессалии, Греция. Имеет степень Ph.D. в области информатики, полученную в Университетском колледже Дублина (UCD), Ирландия (2004 г.), степень магистра наук (M.Sc.) в области информатики, полученную в Университете Данди, Шотландия (1988 г.), и степень бакалавра наук (B.Sc.) в области математики, полученную в Университете Аристотеля в Салониках, Греция (1982 г.). Он занимал должность декана Технологического факультета Тессалийского университета (2020–2024 гг.) и на протяжении более трех десятилетий, посвященных преподавательской и научной деятельности, занимал ряд руководящих академических должностей, в том числе заведующего кафедрой и руководителя магистерской программы. Он является соавтором книги «Hands-On Quantum Computing» (издательство Tziolas Editions, 2022) и руководил работой над множеством докторских и магистерских диссертаций, многие из которых были посвящены таким областям, связанным с квантовой физикой, как постквантовая криптография, квантовое машинное обучение и формирование базовых знаний о квантовых вычислениях в средней школе. Научные интересы сосредоточены на квантовых вычислениях, квантовом машинном обучении для разработки лекарственных препаратов и персонализированной медицины, облачных и распределенных вычислениях, параллельных и распределенных алгоритмах, интеллектуальном анализе данных и больших данных. Профессор Саввас является всемирно признанным докладчиком. Помимо выступления на конференции IITI 2026, он также выступит в качестве пленарного докладчика на GQCE 2027 — Глобальном саммите по квантовым вычислениям и инженерии (Берлин, 23–25 июня 2027 года), где его имя фигурирует в числе пленарных докладчиков наряду с Питером Шором, Дэвидом Дойчем и Джоном Прескиллом (https://gsqce.com/speakers).

Гао Сяошань

Профессор, Академия математики и системных наук Китайской академии наук, Международный институт математических наук Кайюань, Китай

MechMath Agent Team: агент на базе больших языковых моделей (LLM) для математических исследований

MechMath Agent Team (https://mechmath.github.io/) — это агент на основе большой языковой модели (LLM), который выступает в роли помощника на протяжении всего цикла математических исследований, включая систематизацию и использование математических знаний, доказательство теорем на естественном языке, доказательство теорем с использованием формального языка Lean, выдвижение новых гипотез и составление научных статей в LaTeX. В этом докладе профессор Гао расскажет о MechMath Agent Team и о том, как использовать его для решения открытых математических задач. Кроме того, профессор Гао представит общий обзор процессов рассуждения в искусственном интеллекте и возможностей LLM-Agent в области доказательства математических теорем.

Информация о докладчике

Гао Сяошань — профессор Академии математики и системных наук Китайской академии наук, исполнительный директор Национального центра математики и междисциплинарных наук при Китайской академии наук, а также директор Международного института математических наук Кайюань. Он занимается исследованиями в области автоматизации логических выводов, символьных вычислений, математической теории глубокого обучения и больших языковых моделей (LLM), а также математического вывода на основе LLM.

Сюй Цзунбэнь

Декан Сианьского института математики и математических технологий, профессор Сианьского транспортного университета, Китай

Симметрия: основополагающий принцип моделирования искусственного интеллекта

Симметрия является фундаментальным принципом физического мира и одним из ключевых принципов моделирования искусственного интеллекта. По мере развития искусственного интеллекта в науке (AI4S) растёт спрос на системы искусственного интеллекта, способные точно имитировать физические явления, соответствовать физическим механизмам и соблюдать установленные законы физики. Следовательно, способность описывать, сохранять и генерировать симметрию является незаменимым условием для создания надежных систем искусственного интеллекта. В этом докладе представлены последние достижения исследовательской группы профессора Сюя в решении этой фундаментальной научной задачи.

Информация о докладчике

Цзунбэнь Сюй получил степень Ph.D. по математике в Сианьском транспортном университете в 1987 году. С 2003 по 2014 год он занимал должность вице-президента университета. В настоящее время он является деканом Сианьского института математики и математических технологий, а также профессором Сианьского транспортного университета. Его исследования посвящены теоретическим основам прикладной математики, науке о данных и искусственному интеллекту. В частности, он предложил теорию регуляризации L(1/2), лежащую в основе метода разреженной микроволновой визуализации, и доказал теорему «Сюй-Роуча», сформулировав количественные принципы машинного обучения в неевклидовых структурах. Кроме того, он стал первопроходцем в области моделирования данных на основе визуального познания, разработав ключевые алгоритмы, широко применяемые в науке и технике.

Профессор Сюй, избранный членом Китайской академии наук (CAS) в 2011 году, выступил с 45-минутным докладом на Международном математическом конгрессе (ICM) 2010 года. Он был удостоен премии Ричарда Прайса в области науки о данных от Международной академии информационных технологий и количественного менеджмента (IAITQM), Национальной премии Китая в области естественных наук, Национальной премии Китая за научно-технический прогресс, премии Тан Ка Ки в области науки и технологий, премии Хуа Лу-кэна по математике, премии Су Бучина в области прикладной математики и премии У Вэньцзюня в области науки и технологий искусственного интеллекта.

Го Лэй

Директор Национального центра математики и междисциплинарных наук Китайской академии наук, Китай

Обучение и адаптация в неопределенных динамических системах

Обучение и адаптация имеют фундаментальное значение для моделирования и управления неопределенными динамическими системами, а также являются краеугольными камнями интеллектуальных систем. Хотя статистическое обучение лежит в основе большей части прогресса в машинном обучении, его теоретические основы часто опираются на идеализированные предположения о данных, такие как независимые и одинаково распределенные (i.i.d.) выборки. Эти предположения, как правило, недействительны для динамических систем, особенно тех, которые управляются с обратной связью, где входные и выходные данные демонстрируют сильную временную корреляцию и присущую им нестационарность. Это мотивирует разработку более общей теоретической модели, способной учитывать сложные характеристики данных, присущие динамическим системам. В данном докладе рассматриваются эти проблемы и представлены некоторые из наших последних достижений в области обучения и адаптации стохастических динамических систем. Мы вводим общие и проверяемые условия на данные, которые могут гарантировать глобальную устойчивость и эффективность оценки для алгоритмов адаптивного обучения и фильтрации как с убывающими, так и с неубывающими коэффициентами адаптации. Среди рассматриваемых тем — адаптивные методы на основе градиента и методов типа Ньютона, распределенное обучение и фильтрация в сетевых системах, а также интегрированные платформы для офлайн-онлайн-обучения. Мы также учитываем практические проблемы, такие как перенасыщенные или ограниченные по значению измерения, конечный объем данных, ограничения на входное состояние и изменяющиеся во времени параметры системы. Доклад завершится обсуждением новых исследований на стыке управления и искусственного интеллекта.

Информация о докладчике

Лэй Го получил степень бакалавра математики в Шаньдунском университете в 1982 году и степень Ph.D. в области теории управления в Китайской академии наук в 1987 году. В настоящее время он является профессором Академии математики и системных наук Китайской академии наук и занимает должность директора Национального центра математики и междисциплинарных наук Китайской академии наук. Он является членом IEEE, членом Китайской академии наук, иностранным членом Королевской шведской академии инженерных наук, членом Академии наук третьего мира (TWAS) и членом IFAC. В 1993 году он был удостоен премии IFAC для молодых авторов, в 2011 году — премии IFAC за выдающиеся заслуги, в 2014 году — почетной докторской степени Королевского технологического института (KTH, Швеция), а в 2019 году — премии имени Хендрика В. Боде от IEEE Control Systems Society (CSS). Он занимал должности президента Азиатской ассоциации управления (ACA), президента Китайского общества промышленной и прикладной математики (CSIAM), сопредседателя 48-й конференции IEEE CDC, а также почетного лектора IFAC и IEEE-CSS. В сферу его научных интересов входят стохастические системы, идентификация систем, машинное обучение, адаптивное управление, адаптивная фильтрация, адаптивная теория игр, управление неопределенными нелинейными системами, возможность обратной связи, многоагентные системы и системы управления на основе игр.