В рамках нацпрограммы «Цифровая экономика» в России стартовал проект «Хакатоны и лекции по искусственному интеллекту». Он продлится до 2024 года. Организаторы проекта проведут 116 хакатонов и 85 научно-популярных лекций от ведущих российских специалистов по ИИ. Они будут посвящены технологиям компьютерного зрения, обработки естественного языка, распознавания и синтеза речи, интеллектуальной поддержке принятия решений и перспективным методам искусственного интеллекта. Проект организован Минэкономразвития, его оператором выступает АНО «Россия — страна возможностей», а организационным партнером — Российская ассоциация электронных коммуникаций (РАЭК).
В рамках проекта уже прошло десять хакатонов в разных регионах страны. В них приняли участие 1512 человек (289 команд), а по их результатам разработаны 142 решения. РБК Тренды ознакомились с самыми интересными проектами, которые связаны с технологиями искусственного интеллекта.
ИИ для оценки образования
В Нижнем Новгороде конкурсанты создавали модель оценки соответствия образовательных программ запросам рынка труда и лучшим практикам в сфере подготовки специалистов. Кейс разработал «Университет 20.35». Решение должно было представлять собой обучаемый алгоритм, способный анализировать паспорта и описания образовательных программ и определять, насколько полный набор компетенций по запросам рынка труда получит слушатель при обучении по данной программе. Как отметили в РАЭК, в настоящее время только половина программ соответствуют потребностям рынка.
Победителями хакатона стали команды Showcase (Москва), а также нижегородские MirITeam и команда Княгининского университета.
Showcase создала решение, которое оценивает работу образовательных программ, основываясь на том, соответствуют ли они рынку труда и полезны ли получаемые навыки для потенциальных работодателей. Система работала с данными с сайта HeadHunter. Алгоритм определяет эффективность образовательных программ на основе описаний вакансий и отзывов выпускников. Он собирает такие метрики, как покрытие рынка вакансий образовательной программой, уровень остаточных знаний, оценка удовлетворенности программой, оценка программы на основе сравнения с другим.
Княгининцы разработали сервис, способный проверить, к какой области Национальной технологической инициативы относится образовательная программа и насколько она близка к требуемым компетенциям. Команда проверила по своей методике программы в компетенции «Искусственный интеллект» 11 ведущих вузов страны. Их средний уровень соответствия составил 50%.
А в MirITeam предложили решение, которое показывает, как потребностям рынка отвечают программы внутри каждого вуза, и сравнивает образовательные программы вузов между собой. Созданный командой веб-сервис предлагает каждому университету рекомендации по улучшению программ.
ИИ для борьбы с коррупцией
Участникам хакатона в Великом Новгороде предложили создать аналитическую систему, позволяющую с помощью ИИ выявлять и классифицировать возможные коррупциогенные факторы в нормативно-правовых актах. Автором кейса выступил Минюст. Там отметили, что ежегодно в стране принимается 1 млн НПА, но их приходится проверять вручную.
Победителями хакатона стали команды «Наносемантика» (Москва), MirITeam (Нижний Новгород) и Profit (Санкт-Петербург, Москва).
Например, «Наносемантика» представила алгоритм, который анализирует каждую строку документа и выясняет, может ли в ней присутствовать коррупциогенный элемент. Команда применила 12 факторов (широта полномочий чиновника, выборочное изменение объема прав, отсутствие или неполнота административных процедур и др.) для обнаружения в документах норм, нарушающих права граждан. Затем она применила языковую модель GPT-3, которая написала 50 тыс. строк c коррупционными факторами. После этого алгоритм обучили на полученном датасете.
ИИ для остановки лесных пожаров
Конкурс в Ставрополе был посвящен разработке алгоритма, который позволит прогнозировать, на сколько за сутки может вырасти площадь крупного ландшафтного пожара. Кейс разработало МЧС. Как заявили в ведомстве, прогноз развития пожара позволит службам оперативно привлекать дополнительные силы и средства для его ликвидации.
Победителями стали команды Profit (Санкт-Петербург, Москва, Ставрополь), а также ставропольские AIForestFire и «Выход есть».
Profit разработала алгоритм, который подгружает в математическую модель координаты точки 1х1 км (метео, географические координаты, тип поверхности — вода, лес, камни, растительность), а затем предсказывает распространение огня.
AIForestFire предложила систему, которая не только предсказывает площадь пожара, но и определяет его точные очертания, преобразуя полигоны в конкретные изображения. Модель можно обновлять и другими критериями оценки пожаров.
«Выход есть» создали нейросеть «Игни», которая анализирует координаты и выводит на их основе текущий план местности, а потом рассчитывает дальнейший путь распространения пожара. Команда использовала опенсорсный проект Geopandas, который позволяет работать с геопространственными данными, добавляя их на интерактивную карту в виде геометрических объектов, где точки показывают центр, а линии — дороги.
ИИ против браконьерства на воде
В Ростове-на-Дону хакатонщикам предложили решить задачу по разработке алгоритма, способного фиксировать данные о положении рыболовных тралов в момент получения спутникового снимка. Как отметили в Росрыболовстве, данная информация с привязкой к географическим координатам и разрешительной документации на вылов позволит пресекать деятельность браконьеров.
Победителями хакатона стали команды 2plus (Ростовская область), Волюнтаристы (Ставропольский край) и ростовская BackLab.
2plus предложила решение, которое сопоставляет данные с местоположением кораблей на воде и оценивает факт вылова.
«Волюнтаристы» представили систему оценки количества и ранжирования вероятности незаконного вылова рыбы. Она основана на анализе временных рядов с помощью модели decision tree. Это модель вычислений, в которой алгоритм рассматривается как дерево решений, то есть последовательность запросов или тестов, которые выполняются адаптивно. В итоге результат предыдущих тестов может повлиять на те, которые выполняются после.
Наконец, BackLab решила задачу предиктивной аналитики по выявлению судов, которые производят вылов, через прототип сервиса Fisher Detector. Для модели задействовали алгоритм Xgboost, который используется при работе с большими данными, а также Docker — платформу для контейнеризации с открытым исходным кодом, которая позволяет упаковывать приложения в контейнеры или стандартизованные компоненты, сочетающие исходный код с библиотеками операционной системы и зависимостями.
ИИ для комфортной городской среды
В Чебоксарах хакатонщикам предложили создать прототип карты потребностей жителей города в объектах комфортной городской среды. Автором кейса выступили Министерство цифрового развития, информационной политики и массовых коммуникаций Чувашской Республики и АНО «Институт территориального развития Чувашской Республики».
Победителями хакатона стали команды SIMP (Чувашия), PSPU_Team (Пермский край) и Profit (Москва, Санкт-Петербург).
SIMP, команда учеников 11 класса чебоксарской школы № 61, представила интерактивную карту, которую формируют сами горожане, отмечая на ней проблемные места в городе. Каждой проблеме алгоритм назначает приоритет. Кроме того, карта обновляется информацией со сторонних интернет-ресурсов. На ней также обозначены расположенные рядом ведомства, которые могут решить проблему в конкретном месте. Сайт публикует статистику для каждого района города.
PSPU_Team предложила интерактивную карту с разделением ролей и оценкой деятельности сервисов. Ее можно интегрировать со сторонними платформами, такими как госуслуги, городские порталы, сайт Роспотребнадзора и пр. Команда создала алгоритмы приоритезации (выстраивания задач по приоритету), которые определяют, действительно ли проблема актуальна. Затем она автоматизировала алгоритм принятия решения, который учитывает бюджет и прочие ограничения. Для разработки карты задействовали микросервисы (независимые модули сервиса), а также открытую библиотеку Keras для взаимодействия с нейронными сетями для быстрого обучения и переобучения модели классификации данных.
А Profit разработала ассистента для планирования объектов комфортной городской среды. Это алгоритм, который опирается на Индекс качества городской среды — инструмент для оценки качества материальной городской среды и условий ее формирования. Он работает с Kepler, приложением геопространственной аналитической визуализации, а также 2ГИС и моделью обработки естественного языка BERT от Google.
ИИ против дефицита лекарств
Участникам петербургского хакатона предложили решить задачу предотвращения дефицита лекарств путем анализа складских запасов препаратов по регионам России. Автором кейса стал Минпромторг.
Победителями стали команды waico.ru (Томская область), MirITeam (Нижегородская область) и Profit (Санкт-Петербург, Москва).
waico.ru разработала платформу для анализа спроса и складских запасов препаратов по регионам. Она позволяет построить прогноз потребления лекарственных средств на 1 месяц и 6–12 месяцев для каждого субъекта или отдельного вида препарата.
MirITeam создала сервис, который учитывает зависимости между спросом, ценой, происхождением и остатком лекарств на складах, а также использует данные из открытых источников: геоданные, плотность населения, количество поликлиник, больниц и аптек в каждом регионе и уровень заболеваемости коронавирусом по каждому месяцу 2021 года. На сервисе есть личный кабинет работника, «виртуальные двойники» каждого физического склада лекарств в регионе и карточки препаратов с данными поставщиков (стоимость, количество, удаленность).
ИИ для сопровождения самолетов при посадке
Участникам хакатона в Челябинске предстояло разработать систему автоматического видеосопровождения самолетов при посадке. Кейс представило АО «ЧРЗ Полет».
Победителями хакатона стали столичные команды AeroFlex и «Московские Зайцы», а также CVisTeam (Челябинская область).
AeroFlex предложила использовать нейросети, чтобы найти самолет и определить его положение в пространстве. Решение в режиме реального времени выстраивает траекторию движения судна только по одному каналу видеосвязи. Команда проверила свою разработку с помощью Telegram-бота.
«Московские Зайцы» задействовали алгоритмы детекции объектов и сверточные нейросети, которые распознают объекты. Разработанная командой система позволяет закрыть ряд проблем, связанных с процессом авиационной посадки. Разработчики протестировали свое решение на независимых данных из реального мира и получили хорошие результаты. В перспективе программа сможет проверять целостность самолета и обнаруживать посторонние объекты, а также реагировать на нестандартные условия посадки, обещают разработчики.
CVisTeam использовала две нейронные сети, одна из которых находит самолет на изображении или видео, а вторая определяет его ключевые точки: оба крыла и нос. Эти данные затем используются для определения крена, тангажа (углового движения) и курса воздушного судна при его посадке.
ИИ на защите здоровья и животных
Хакатонщикам в Самаре предложили разработать систему прогнозирования осложнений у пациентов, находящихся в стационаре, а также модель машинного обучения, способную распознавать особо редких животных и отдельных особей, живущих в дикой природе. Первый кейс представил Минздрав, а второй — Минприроды.
Победителями кейса «Спасение жизней с помощью ИИ» стали команды FightAgingLab (Москва), Dark Souls (Курганская область) и PSPU_Team (Пермский край).
FightAgingLab разработала прототип сервиса поддержки принятия врачебных решений. Он поможет прогнозировать осложнения у пациентов в стационарах. Интеллектуальная систему определяет опасные состояния здоровья человека, когда они не очевидны. Такое решение позволит врачам избежать ошибок из-за невнимательности.
Dark Souls предложила рабочий прототип приложения, которое можно встроить в информационную систему медучреждения. Оно показывает вероятность летального исхода для пациента на основе истории болезни. Алгоритм учитывает в работе важнейшие факторы, которые могут привести к летальному исходу: давление, легочную гипертензию, аортальный стеноз (сужение устья аорты) и т.д.
А PSPU_Team создала модель машинного обучения для прогнозирования риска летального исхода у пациентов. Она выводит важные факторы риска, чтобы помочь врачам принять конкретное решение, и поясняет результаты этого решения. При составлении первичного анамнеза врачу даются рекомендации по лечению пациента по данным о терапии больных с похожими диагнозами.
Победителями кейса «Защита редких животных» стали команды ML princesses [Napoleon IT] из Челябинской области, «Московские зайцы» (Москва) и Samara_University (Самара).
ML princesses [Napoleon IT] представила решение по анализу больших данных с изображениями и видео животных. Пользователь загружает в систему материал, а на выходе получает статистику в виде отчета, где к каждой фотографии добавляется полное описание зверей и их местоположение во время обнаружения.
«Московские зайцы» разработали сценарии использования алгоритмов в приложении, которое позволит отслеживать редких животных и наблюдать за ними, используя разные параметры. Команда представила готовый к работе алгоритм, получила качественные метрики по отслеживанию животных, а также создала прототип веб-приложения с применением этого алгоритма.
Samara_University предложила алгоритм, который не только определяет конкретную особь, но и любого другого зверя данного вида. Для это достаточно передать алгоритму несколько фотографий животного. При этом система может выделить во множестве случайных фотографий всех уникальных особей.