CENIM 2020

[threeal]

• All CENIM 2020 links and resources are available in here
• resume dibuat di sini
• rekaman CENIM 2020, keynote speaker 1 dan 2, keynote speaker 3, keynote speaker 4 dan 5

[threeal]

1 - Deep Learning with Small Visual Data

Prof. Kai-Lung Hua, National Taiwan University of Science and Technology, Taiwan

detail bahasan

## Noisy Data Problem  ## TrustMAE  ## Memory Access Patterns  ## Sparse Memory Addressing  ## Trust Region Memory Updates  ## Ablation  ## Detection Result  ## Different Noise Levels  ## Selection Results  ## Data Availability Problem   ## Incremental Learning  ## ???  ## ???  ## Our IncrementalGAN  ## Size of Domain Embeding  ## Translator Network  ## ???  ## User Study 

[threeal]

2 - Review on Standardization Activities of Artificial Intelligence and It's Trustworthiness

• Prof. Dae-ki Kang, Dongseo University, Korea
• alternative title: AI Standardization and Fair Machine Learning

detail bahasan

## GPT-3, Most Excellent AI in Human History  ## Way of Learning  ## OpenAI GPT-3: Beginner Tutorials  ## GPT-3 Can Do the Following  ## People worry about AI's Malfunctioning  - hegel general and secretary problem . - https://en.wikipedia.org/wiki/Georg_Wilhelm_Friedrich_Hegel maybe?? ## Future of AI  - AI will be our final inovation ## An Accident Caused by an Autonomous Vehicle  - In korea we don't allow AI to drive a car ??? - Do not create autonomous car because it's dangerous, but in the USA they still do it ## The Ethical Dilemma of Driverless Cars  ## Insurance and Marketing Dilemma of Driverless Vehicle  ## Adversarial Problem  - Masalah dari CNN, sedikit penambahan pada noise dapat mengakibatkan hasil yang salah pada prediksi, walaupun secara tampilan gambar tidak tampak berbeda jauh. - Semua CNN punya masalah ini. ## Uni-image  ## Pixel Redrawn For a Robust Adversarial Defense  ## Conversation AI  ## Microsoft's Chatbot Tay Tweets  ## Siri Call Police  - siri salah mengartikan "siri call stella" menjadi "siri call police" ## Reference  - we have to worry about AI malfunctioning - people could said that 10 years, or some years later there could be AI that could be smarter than us - many people now trying to create standard for AI system, though it's hard ## AI Standardization Area  ## Standardization Body  ## ???  ## ???  ## ???  ## OECD Background  ## Asilomar AI Principles  ## ???  ## Longer Term Issues  ## ???  ## ???  - kita enggak bisa mengatakan kalau CNN memiliki akurasi bagus, karena kita tidak tahu, tidak ada yang tahu apa yang akan terjadi dengan sistem seiring berjalannya waktu ## ???  ## ???  ## ???  - AI system is not perfect ## Thanks  - KAIST pernah mencoba melakukan riset AI untuk militer, tapi kemudian dikecam oleh berbagai ilmuwan di dunia, mereka mengatakan "please stop this, it could be dangerous" - Walaupun enggak bisa dipungkiri banyak negara lain yang mungkin seperti indonesia yang juga ingin melakukan hal tersebut

[threeal]

3 - Evolution of Mobile and Embedded Smart Device Technology

Alfred Boediman. PhD., Samsung Research and Development Institute Indonesia (SRIN), Indonesia

detail bahasan

## Model Use Case: I Know You  ## Node Pruning  - untuk melakukan proses membutuhkan komputasi yang berat - node pruning merupakan salah satu metode untuk mengurangi banyaknya komputasi yang dibutuhkan - masalah ketiga adalah energy efficiency, karena komputasi yang berat akan memakan lebih banyak daya batere ## Grounding in Nature  - secara natural, pruning terjadi dalam otak manusia, dimana dibandingkan ketika umur satu tahun, remaja memiliki jumlah synapses yang lebih sedikit ## Timeline  ## Deep Learning in Microcontrollers  - saat ini ada sejuta embedded device di dunia dan akan semakin meningkat jumlahnya. ## Obsession With Model Compression  - mobile device memiliki kelemahan pada kemampuan komputasi dan energy - sehingga ketika model memiliki ukuran yang besar akan lebih susah dideploy pada aplikasi mobile. - ada dua pendekatan untuk mengatasi masalah tersebut, melakukan pruning pada model (mengurangi ukuran model), atau meningkatkan kemampuan hardware ## Fundamental On-Device ML Challenges  ## Automated Specialization   ## Automated Specialization Use Case  ## Memory and Compute Sharing   ## Memory and Compute Sharing Use Case  ## On-Device AI Goes Beyond Classification  - mobile device mulai cukup kuat untuk menjalankan machine learning, tanpa perlu adanya bantuan dari cloud ## SOA Accuracy Will Come From Efficient Models  ## ???  ## Research Use Case  ## Test Result  ## ???  ## ???  ## On Device Research Challenges  - AI telah menjadi trend setter di global market - semua industri, kecil besar sekarang mendapat benefit dari adanya AI