10月24日-27日,作为微软中国年度最盛大的科技峰会,2018微软大中华区技术暨生态大会将在上海世博中心揭开“面纱”。
这是微软技术大会与合作伙伴大会联袂上演的第二年。24日全天为合作伙伴生态大会,仅面向微软生态合作伙伴开放,展示微软的生态系统与技术能力;25日-27日为三天的技术大会,内容涉及5系25大技术主题,涵盖了IT行业最热门话题与技术应用。
除此之外,大会还设有40+动手实验室、170+分会场课程,由百余位明星讲师现场授课分享。
对于这样一个干货不断、行程紧凑、花样连番的年度大会,如何才能不走马观花,有选择、有目的地参与其中呢?那就带上小编专为分身乏术的你梳理的Tech Summit攻略吧:
课程安排
现代化工作模式:企业现代化工作模式、信息安全及业务合规、可扩展业务平台、企业桌面基础架构、新一代使用者体验;
集成业务应用:Dynamics 365云版本产品最新更新、Dynamics 365 AI激活业务数据生命力、Dynamics 365财务与运营核心产品及技术架构、一石三鸟,Power Platform贯穿核心业务全程、Dynamics行业应用方案落地案例;
应用和基础框架:DevAudience、Azure Stack、Win SVR、云计算基础、云计算应用开发、开源解决方案;
数据及人工智能:人工智能、商业数据分析、数据平台的部署、开发与管理;
行业数字化转型:AI驱动的行业数字化转型及设计思维、区块链等新技术革新供应链和医疗行业、传统行业的质量管控的AI之道、新零售行业的“数据银行”最佳时间、效率之旅。
信息技术、新方案、新应用应有尽有,全方位满足不同技术爱好者需求,助力企业稳步创新转型。
动手实践
乐鑫ESP32物联网动手实验:乐鑫ESP32的方案是目前市场上非常流行的一款物联网芯片方案。这个实验将帮助您快速的体验如何将ESP32跟微软的云端物联网平台作打通连接。
使用AKS搭建Kubernetes应用:Azure Kubernetes Service (AKS) 是Azure托管的Kubernetes环境,使用户无需具备容器业务流程专业知识即可快速、轻松地部署和管理容器化的应用程序。
利用Azure Machine Learning加速现代化AI应用的全栈开发:在Azure AI平台上,通过Azure Machine Learning 服务助力不同类型的开发团队,便捷地开发出不同业务场景定制化的AI 应用。从数据准备,训练,部署,维护,真正实现降本增效。
VS Code + Ansible: 加速Azure基础架构自动化:Ansible是近年来非常流行的开源自动运维工具之一,它简化了IT自动化运维。VS Code是一个轻量级,免费但非常强大的跨平台代码编辑器。
使用IoT DevKit和Azure IoT Central创建一个完整的物联网应用方案:本实验将介绍如何配置和使用IoT DevKit开发套件和Azure IoT Workbench开发工具来连接微软Azure IoT Central来构建一个完整的物联网应用方案。
Microsoft Dynamics 365 现场服务:通过Dynamics 365实现现场服务的被动响应到主动预测,从被动到主动,是一个费用实用的解决方案。
体验微软自动机器学习工具 – NNI:自动机器学习工具能帮助算法工程师和数据科学家进行参数、网络结构的自动搜索,提高了工作效率。
歪聊Office 365-原来工作如此高效:以Froms、PowerBI、Presentation Translator 实时互动翻译,Teams等Office 365服务为切入点,对应组织不同的应用场景,比如会议,报告,中外员工的会议翻译,各个不同部门&团队的协调工作等场景,让与会者了解Office 365能够帮助企业更有效率的工作方式。
......
现场感受物联网、体验自动机器学习工具,亲身体会Azure网络最佳实践。
交流之夜
「10月25日」女性幸福力论坛&微软粉丝之夜:带您感受近距离的温暖,了解行业知名女性别样的人生经历和积极的生活态度;
「10月26日」人工智能之夜&混合现实之夜:带您穿越科技隧道,与最前沿科技成果面对面,花样体会技术魅力和多样的前沿产品;
(彩蛋:AI 奇葩说——一场关乎前沿技术的辩论赛)
「10月27日」微软创业者之夜:带您与知名VC、行业大咖、成功创业者一起碰撞思维火花,探讨创未来。
专家大咖亲临现场,带您领略别样的行业领域知识和最实际的经验。
附件:课程表
「10月24日」
「10月25日」
「10月26日」
「10月26日」
好文章,需要你的鼓励
OpenAI明确表示要成为互联网一切事物的主导界面。AI智能体正在改变用户的数字习惯,从健康记录分析到购物指导,ChatGPT已经在多个领域扩展影响力。用户快速采用AI工具,但企业和生态系统的适应速度滞后。电商领域的权力分配尚不明确,用户偏好AI驱动的答案优先体验,品牌则推动生成式引擎优化。研究旨在了解用户与企业在AI变革中的适应差异。
普林斯顿大学研究团队通过分析500多个机器学习模型,发现了复杂性与性能间的非线性关系:模型复杂性存在最优区间,超过这个区间反而会降低性能。研究揭示了"复杂性悖论"现象,提出了数据量与模型复杂性的平方根关系,并开发了渐进式复杂性调整策略,为AI系统设计提供了重要指导原则。
微软亚洲研究院开发出革命性的认知启发学习框架,让AI能够像人类一样思考和学习。该技术通过模仿人类的注意力分配、记忆整合和类比推理等认知机制,使AI在面对新情况时能快速适应,无需大量数据重新训练。实验显示这种AI在图像识别、语言理解和决策制定方面表现卓越,为教育、医疗、商业等领域的智能化应用开辟了新前景。