Сотрудники Statanly приняли участие в конференции ACMLC 2025 в Гонконге

На минувшей неделей с 25 по 27 июня в Гонконге прошла очередная уже седьмая по счету Азиатская конференция по машинному обучению и вычислениям (ACMLC 2025). По традиции участия в международных тематических конференциях, посвященных искусственному интеллекту в ней приняли участия несколько сотрудников Statanly Technologies. 

Главная задача конференции — дать площадку для обмена реальными исследованиями и практиками из индустрии, научного сообщества и правительства, работающих в сфере машинного обучения и вычислений. 

Некоторые темы конференции: рекомендательные системы, развитие и будущее глубокого обучения, тонкая настройка больших языковых моделей (LLM), модели для обнаружения аномалий сетевого трафика, генеративные АИ-инструменты.

Ключевые доклады конференции

На конференции наши сотрудники поделились последними достижениями компании в области создания цифровых двойников человека на базе различной информации, которая доступна о человеке. Создание цифровой копии личности основывается на самых последних достижениях генеративного искусственного интеллекта, больших языковых моделей. Одним из приложений создания цифрового двойника является, например создание виртуального преподавателя, который подобно настоящему человеку читает лекции, отвечает на вопросы студентов. 

Среди других докладов, отметим наиболее интересные:
Развитие глубокого обучения и путь к AGI
Профессор Фрэнсис Чин (University of Hong Kong) рассказывает о том, как работало глубокое обучение от первых сверточных сетей до революционных трансформеров с attention-механизмами, и почему оно перевернуло мир ИИ. Благодаря таким методам, а также transfer learning, регуляризации и оптимизатору Adam, появились современные системы вроде GPT, Llama, Grok, Gemini. 
Профессор акцентирует внимание на трех важных препятствиях на пути к искусственному общему интеллекту (AGI):

• масштабируемость (память): модели становятся огромными и требуют все больше ресурсов;
• объяснимость решений (explainability): модели становятся «черным ящиком», и важно понять, почему они принимают определенные решения;
• обобщениt: способность модели оставаться эффективной, когда она сталкивается с новыми, ранее невиданными данными; 

По словам профессора Чина, наибольшее значение имеют не сверхмощные серверы, а устранение этих узких мест. Он призывает подумать: как комбинировать последние достижения с фундаментальными теориями, чтобы создать AI, способный понимать, адаптироваться, и учиться как человек — это и есть следующий шаг к AGI.

Тонкая настройка больших языковых моделей (LLM): концепции, возможности и вызовы

Профессор Мин Чен (South China University of Technology) считает, что тонкая настройка — это не просто «еще один шаг» в обучении LLM, а ключ к практической адаптации ИИ для реального использования.

Он разбирает основы: от стандартного supervised fine‑tuning до PEFT‑методов (LoRA, prompt tuning), позволяющих адаптировать модели без обучения всех параметров.
Раскрывает новые методы: NLFT (Natural Language Fine‑Tuning): модель обучается не на метках, а на человеческих пояснениях — «правильно/неправильно» на уровне токенов. Это устраняет лишние данные и время, улучшая результаты при минимальных ресурсах. Уже на 50 примерах достигается эффект, сопоставимый с классическим fine‑tuning на крупном датасете (значительный прирост метрик).

Также Мин Чен обсуждает перенос LLM в мобильные и встроенные приложения, быстрое развертывание в бизнес-сценариях без громоздкой инфраструктуры.

Визуальные методы контроля и управления при металло-аддитивном производстве
Профессор Янлонг Лу из Гонконгского университета науки и технологий (HKUST) представил свое видение того, как машинное обучение и визуальные технологии меняют производство металлических деталей с помощью аддитивных технологий.

Он рассказал о реальной проблеме: во время 3D‑печати из металлического порошка возникают такие дефекты, как пустоты, шероховатости и несплавленные участки. Эти дефекты подрывают надежность конечных изделий и приводят к дорогостоящим переделкам. Вместо традиционного контроля после завершения печати профессор Лу предложил систему постоянного наблюдения с помощью камер и сенсоров в реальном времени. Камеры фиксируют как изображение расплавленного участка и облако металлов, так и тепловые карты (thermal imaging). Это позволяет алгоритмам машинного обучения автоматически выявлять отклонения — например, избыточную пористость, перегрев или дефекты под слоем метала. Ключевая идея: объединение физической модели процесса и методов ML.