фиц: хакатон

Прими участие во Всероссийском хакатоне и получи возможность представить своё решение на площадке ИНТЦ МГУ в Москве!

Зарегистрируйся до 26 ноября 2024, 23:59 МСК

junior

разработчики

/

product-менеджеры

/

/

разработчики

/

product-менеджеры

/

/

junior

Не ограничен

Разработать информационную систему управления строительными проектами, которая позволит планировать экономические показатели, сроки производства работ или потребность в трудовых ресурсах, контролировать факт выполненных работ и движения денежных средств по направлениям затраты и поступления, а также корректировать планы с учетом фактической ситуации.

кейс 01

Backend

Frontend

Fullstack

DevOps

Разработать алгоритм сбора обратной связи от пользователей о сервисе «Бухэксперт8» (https://buhexpert8.ru/) для дальнейшего использования в маркетинговых целях.

Выявление трендов в сфере бухгалтерского учета, поиск «болей» бухгалтера

Используя вводные данные, разработать алгоритм для поиска новых трендов и проблем бухгалтера. Полученная информация будет использоваться для оперативного создания контента.

кейс 02

Machine Learning

DataScience

Сервис может быть представлен как сайт или приложение. Mожно использовать Python+TensorFlow (Keras), PyTorch, OpenCV и аналоги. Можно также написать свой алгоритм детектор и классификатор.

Создание сервиса для классификации опор ЛЭП по снимку.

Искусственный интеллект

Практически все магистральные ЛЭП построены в СССР. Это были героические впечатляющие стройки, давшие нашей стране мощную энергетическую систему. Однако сейчас многие сети требуют обновления и для это необходимо привести тех документацию к фактическому состоянию. Часто типы опор ЛЭП на планах не совпадают c фактическими. В рамках задания мы попросим Вас провести классификации опор ЛЭП по фото-снимку.

кейс 03

Для проверки работоспособности системы необходимы входные тестовые данные, включающие набор фотографий опор ЛЭП с разных ракурсов:

• с земли вверх;
• с БЛА горизонтально;
• с БЛА сверху.

Оцениваться будут:

• сложность реализации, используемый стек технологий;
• удобство интерфейса;
• функциональные возможности: возможность загрузить фото и получить маску или bound-box опоры и ee тип;
• точность детекции и классификации.

Чем меньше написано кода руками, чем выше процент автоматизации, чем дешевле нейронки и ИИ помощники, тем лучше.

Искусственный интеллект

Как можно быстрее сделать react приложение по макету из Figma, используя любые ИИ помощники, как можно меньше кодить самостоятельно.

кейс 04

Ключ к платному ChatGPT и VPN

Оценка уровня экспертности по резюме

Необходимо разработать систему оценки уровня эксперта по резюме.

Оценка должна должна учитывать:

• Рейтинг организаций, в которых работал кандидат
• Годы релевантного опыта
• Компания, куда собеседуется кандидат
• Грейд внутри компании, где работал кандидат

кейс 05

Без ограничений

Machine Learning

DataScience

Developement

Также для подсчёта финальной оценки можно учитывать любые другие факторы, информацию о которых дана в резюме.
Для реализации можно использовать как готовые модели с подключением по API, так и дообучать open-source модели или создавать свои.

Датасет из резюме кандидатов и оценок уровня экспертности

Контекстный перевод названий научных работ

кейс 06

Без ограничений

Machine Learning

DataScience

Developement

Датасет:

• Русский вариант названия научной работы
• Переведённый вариант названия научной работы
• Факультет

Разработать и реализовать переводчик, который будет переводить названия научных работ с русского на английский. Переводчик должен учитывать терминологию научной области и её специфику. Для реализации переводчика можно использовать как готовые модели с подключением по API, так и дообучать open-source модели.

Прогнозирование бизнес драйверов

кейс 07

Python, pandas, любые библиотеки для прогнозирования

DataScience

Analytics

В качестве данных будут предоставлены csv-файлы, содержащие исторические данные по бизнес-драйверам. Все данные
представлены с гранулярностью 1 день.

1. data1.csv — файл с данными по количеству чеков из торговой точки продуктовой розницы.
2. data2.csv — файл с данными по трафику (числу вошедших людей) торговой точки непродуктовой розницы (сотовые операторы, магазины одежды, магазины игрушек, DIY).
3. data3.csv — файл с данными по трафику (числу вошедших людей) торговой точки непродуктовой розницы (сотовые операторы, магазины одежды, магазины игрушек, DIY).
4. data4.csv — файл с данными по трафику (числу вошедших людей) торговой точки непродуктовой розницы (сотовые операторы, магазины одежды, магазины игрушек, DIY).
5. data5.csv — файл с данными по трафику (числу вошедших людей) торговой точки непродуктовой розницы (сотовые операторы, магазины одежды, магазины игрушек, DIY).

Помимо предоставленных данных можно использовать любые дополнительные данные из открытых источников.

Прогнозы нужны не только метеорологам. Правительства прогнозируют экономический рост. Ученые пытаются предсказать численность населениz. А предприятия прогнозируют спрос на продукцию — обычная задача специалистов по анализу данных.
Прогнозы особенно актуальны для обычных магазинов, будь то продуктовые магазины или торговые точки сотовых операторов. В частности, прогнозы помогают рассчитать потребность в персонале. Как раз этим и занимается наша компания. Мы формируем графики работы сотрудников магазинов, основываясь на прогнозах бизнес-драйверов. Под «бизнес-драйверами» мы понимаем ключевые показатели, которые определяют финансовую и операционную деятельность торговой точки. Типичными примерами бизнес-драйверов являются трафик (количество вошедших человек), количество чеков, количество проданных товаров и т. д. Если
прогнозировать немного больше, то придется вывести больше людей на смену и увеличится фонд оплаты труда. Если прогнозировать немного меньше, то возникнет нехватка персонала, что приведет к очередям и потере дохода. Более точное прогнозирование, благодаря машинному обучению, может помочь ритейлерам угодить клиентам, формируя гибкие графики работы.

Необходимо разработать решение для задачи прогнозирования временных рядов бизнес-драйверов и произвести прогноз на следующий календарный месяц. Лучшие решения послужат дополнением к уже существующему решению.

Ограничения

Так как нам приходится работать с более чем 10 000 рядов, нам очень важна скорость формирования прогноза. Поэтому мы вводим ограничение на скорость работы алгоритма. На формирование прогноза на один временной ряд должно отводиться не более 4-х минут (240 секунд). Этот аспект также будет учитываться при оценке решений.
Из-за того, что эксперты будут проверять работоспособность решения, оно должно быть воспроизводимым.

Маркетинг

кейс 01

Cформировать уникальное предложение и разработать стратегию продвижения, позиционирования комплексного подхода к вопросу пожарной безопасности, которая будет включать продукты, производимые компаниями входящими в ГК ПАТ.