En aquesta xerrada es plantejaran tres preguntes clau:

• Com podem determinar automàticament com són les dades d’alta qualitat entre diferents dominis?
• Com podem trobar o generar de manera automàtica i eficient aquestes dades òptimes per entrenar o millorar models de gran escala?
• Com podem reduir els costos de càlcul i entrenament reduint conjunts massius de dades a conjunts més petits, sense perdre (o fins i tot millorant) el rendiment?

L’aparició recent de potents models fundacionals ha generat una nova onada d’aplicacions en moltes disciplines, des de la salut fins a la biologia. Això ha creat una demanda insaciable de dades. Per fer-hi front, les dades es consumeixen i etiqueten de manera intensiva quan són abundants, o bé s’autoetiqueten o es generen mitjançant models fundacionals quan són escasses.

Normalment, es prioritzen les dades amb anotacions de qualitat o procedents de sensors o sistemes de generació de qualitat. Tanmateix, aquesta visió limitada pot introduir biaixos i no permet reduir realment els conjunts de dades a volums manejables.

Ponents: Nadine Chang, investigadora sènior al Grup de Recerca Aplicada en Vehicles Autònoms de NVIDIA, i José Alvarez, director de recerca a NVIDIA.
Amfitriona: Mariona Sanz, cap d’Innovació i Desenvolupament de Negoci al BSC.