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.

Задание будет состоять из 2 этапов:

1. Собираем приложение по макету — для тестирования автоматизации.
2. Собираем приложение по макету + ui кит используем — для проверки автоматизации.

Потребуется запись экрана с комментариями, чтобы было видно, как разработчик собирает приложение и какие средства использует.

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.

Формирование фото и видео контента с использованием нейросетей на основе биографии и фото персоны

кейс 08

Неограничен, результат должен нативно интегрироваться с нашим сервисом. Сервис написан на Laravel, php

Нейросети

Fullstack

Предоставляем пустую базу postgres, API для авторизации и страницы, тестовые учетные записи, страницы для генерации.

Разработать функционал генерации иллюстрации и коротких видео на основе промта из биографии памятной страницы и короткой биографической истории, которую пользователь вводит по запросу.

Предполагаемый результат

Полностью рабочий прототип генерации персонализированной иллюстрации и видео на основе исходного фото и заполненной истории и всего контента на заполненной странице памяти.
Вся коммуникация с пользователем ведется через Telegram-бот.

Разработка алгоритма трекинга людей в видеопотоке с нескольких камер

кейс 09

Без ограничений. Предпочтительно Python/Pytorch

Computer Vision

Middle +

Размеченный датасет треков, собранный с камер из офиса. В тестовом датасете присутствуют как камеры из тренировочного набора, так и новые, но расположенные в тех же помещениях.

Необходимо разработать алгоритм трекинга людей в видеопотоке с нескольких камер, расположенных в офисе. Для реидентификации людей между камерами запрещается использовать распознавание лиц.

Предполагаемый результат

Компьютерная программа, скрипт или jupyter ноутбук, реализующие алгоритм трекинга людей по нескольким камерам с реидентификацией по косвенным признакам.

Цифровая карта подземных коммуникаций с использованием Cesium

кейс 10

Без ограничений

Fullstack

UX/UI

Frontend

В рамках хакатона участникам предстоит разработать веб-приложение для визуализации подземных коммуникаций города (или промышленного объекта) на трехмерной карте с использованием библиотеки Cesium. Приложение должно позволять пользователям взаимодействовать с картой, просматривать подробную информацию о подземных коммуникациях, а также выполнять основные операции, такие как поиск и фильтрация объектов. Это поможет инженерам, городским службам и строителям лучше понимать расположение коммуникаций и планировать работы с минимальным риском.

Предполагаемый результат

Симуляция записи в расписание

кейс 11

При необходимости, возможно предоставление данных о записях, которые можно использовать для обучения нейронных сетей или анализе для написания алгоритма.

Данные могут содержать:

• расписание специалистов;
• хронология записей и отмен.

В учреждениях, где клиентов принимают по записи, всегда стоит вопрос о том, как более оптимально его составить, для того чтобы его заполняемость была наиболее оптимальным. Заранее неизвестно как будет заполняться тот или иной вид разбивки расписания и насколько оптимальным оно окажется. Предлагается создать инструмент для симуляции клиентопотока. Инструмент будет заполнять расписания алгоритмом или нейронной сетью, результат которой будет максимально похожим на поведение реальных людей.

Предполагаемый результат

Разработан инструмент как минимум для симуляции записи, как максимум для полного цикла проверки всех вариаций параметров на оптимальность заполненности расписания.

Для симуляции записи можно указать два API-endpoint-а:

• куда обращаться за расписанием
• куда отправлять симуляцию записи.

Необходимо создать инструмент заполняющий расписание подобно человеку для тестирования различных видов переменных, которые можно настраивать для расписания.

Цифровой сервис для ведения реестра зеленых насаждений города Москвы

кейс 12

Панорамы территорий г. Москвы

Зеленые насаждения являются одним из ключевых факторов, определяющих уровень комфортности городской среды. Зеленые насаждения улучшают качество воздуха, снижают уровень шума, формируют уникальный эстетический облик города. Важными характеристиками зеленых насаждений в этом контексте являются их плотность, состав, разнообразие, распределённость по городским территориям. В связи с этим перед городскими службами встает задача перманентного учета зеленых насаждений. Результаты процесса учета аккумулируется в информационном сервисе «Реестр Зеленых Насаждений». В настоящее время обследование городских территорий с целью учета зеленых насаждений проводится очно с выездом необходимых специалистов непосредственно на место.

Мы предлагаем участникам хакатона решить задачу автоматизации процесса учета деревьев на территориях города Москвы.

Предполагаемый результат

Сервис с web-интерфейсом, предоставляющий следующие функциональные возможности в полном объеме или частично:

• загрузка и открытие фотопанорамы,
• автоматический подсчет количества деревьев на фотопанораме,
• автоматическое определение породы каждого из деревьев на фотопанораме,
• автоматическое определение высоты деревьев на фотопанораме,
• автоматическое определение диаметра ствола,
• функционал оператора для корректировок и (или) исправления ошибок
• функционал оператора для выполнения ручной разметки,
• сохранение результатов автоматического распознавания и (или) работы оператора.

Разработать сервис по работе с панорамами города Москва c возможностью разметки и подключению существующих open-source моделей для решения задач:

• подсчет количества деревьев;
• определения породы деревьев;
• определение высоты дерева;
• определения диаметра ствола.

Без ограничений

Предсказание необходимого количества средств досмотра

кейс 13

Повышенные требования безопасности и необходимость 100% досмотра багажа, ручной клади требуют от служб транспортной безопасности серьезной переоценки имеющегося оборудования и постановки перед ними задачи использования принципиально новых линий досмотра, обеспечивающих оперативный, эффективный и удобный контроль.
Установки, работающие в автоматическом режиме, даже с томографическим принципом получения изображения, имеют высокий уровень ложных тревог — (20−30%) и требуют использования средств для анализа паров и частиц ВВ, эффективно справляющиеся со своей задачей, если ВВ находится не в герметичном корпусе, в противном случае такие варианты обнаружения становятся не эффективными.
Все вышеуказанное подтверждает необходимость разработки новой технологии досмотра багажа.

Предполагаемый результат

ПО, которое позволяет оценить потребное количество средств досмотра: РТУ (рентгенотелевизионная установка), установок НРА и анализаторов паров и следов (ETD).

В целях функционирования новой технологии досмотра необходимо разработать ПО, которое позволяет оценить потребное количество средств досмотра: РТУ (рентгенотелевизионная установка), установок НРА и анализаторов паров и следов (ETD).

Без ограничений

Система контроля и управления доступом

кейс 14

Java, Spring Boot, Spring WebSocket, PostgreSQL, OpenCV, Docker

Java

Описание

Разработка системы контроля и управления доступом в реальном времени. Система будет включать API для управления сотрудниками, точками доступа и интеграцию с системой видеонаблюдения.

Предполагаемый результат

Обработка данных из камер в режиме реального времени.

• Определение доступа на объект с использованием модели распознавания лиц.
• Управление объектами и устройствами через REST API.

Создание API для управления сотрудниками:

• Создание и удаление карточек сотрудников с фотографиями лиц.
• Управление точками доступа.
• Проверка нахождения сотрудника на объекте.

Дополнительные материалы

API с аннотацией curl для интеграции с системой распознавания лиц

Семантический делитель текстов

кейс 15

Python, PyTorch, Keras, scikit-learn, pandas, numpy, matplotlib, Vectorstore, FAISS, LangChain, FastAPI, Docker

AI R&D Engineer

Описание

Реализовать алгоритм, который будет определять оптимальное деление монолитных текстов на части, с сохранением смысловой связности каждого из них в отдельности. Должна четко фиксироваться законченность смысловой нагрузки в рамках выбранного блока без захвата посторонних сведений.

Предполагаемый результат

Рабочее решение для точного и быстрого деления информации на блоки.

• Демонстрация чем разработанное решение превосходит существующие.
• Подробный отчет с метриками точности, скорости и описанием использованных методов, результатов тестирования и предложениями по улучшению.

Разработать алгоритм, который сможет обеспечить точное разделение текста на блоки в рамках произвольно заданных ограничений размера блока.

• Алгоритм должен быть способен обнаруживать и обрабатывать структурное и смысловое наполнение текстового, табличного и кодового источника.
• Алгоритм должен минимизировать переток информации между блоками.
• Средний размер блока должен быть приближен к заданному ограничению максимального размера или минимизирована дисперсия размеров блоков в рамках одного документа.
• Обеспечить высокую точность и скорость обработки, чтобы система могла работать с потоком поступающих документов в реальном времени.

Дополнительные материалы

API для интеграции с другими системами (эмбеддинг моделями, векторными базами)

LLM R&D Engineer

Data Science

Data Engineer

NER

Разработка сервиса печати этикеток для производителей одежды

кейс 16

TypeScript, ReactJS

Разработать веб-компонент, который будет встроен в интерфейс системы Cosmic PLM, в котором пользователь сможет реализовать ряд функций.

Описание

У производителей одежды есть необходимость создавать макеты этикеток и вшивных ярлыков для своей продукции. По требованию государства такие макеты должны содержать определенную информацию. Также каждая компания разрабатывает свои шаблоны — порядок представления этой обязательной информации на этикетке конкретной формы и размера.

Стартовый (профилактический) комплаенс: предотвращение рисков с помощью AI

кейс 17

.Net & Net Core, AI/ML

Массив данных в csv, xlsx (финальная структура данных будет представлена перед стартом кейса)

Создать систему, которая на основе предоставленных данных о текущих клиентах банка, а также дополнительной информации из открытых источников, социальных сетей, сайтов и других параметров о компании, способна прогнозировать уровень риска нового клиента.

Описание

Современные банки сталкиваются с постоянным ростом рисков, связанных с законодательными требованиями и мошенничествами. Для эффективного противодействия этим угрозам необходимы проактивные меры, которые позволяют выявлять потенциальные риски еще на этапе привлечения новых клиентов.

В рамках данного хакатона вам предстоит разработать модель комплаенс-системы, которая будет предсказывать уровень риска для нового клиента, юридического лица, банка. Система должна быть построена на основе искусственного интеллекта (AI) и машинного обучения (ML) и использовать данные о текущих клиентах, а также дополнительную информацию из открытых источников.

Результат работы по кейсу, должен будет представлен в виде готового прототипа системы, который будет демонстрировать работоспособность решения и его потенциал для решения задач комплаенса в банке.

Разработка стратегии продвижения и позиционирования комплексного подхода к вопросу пожарной безопасности здания от ГК ПАТ

Маркетинг

кейс 01

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

Архитектура высоконагруженного распределенного приложения

Архитекторы ПО

Описание

Поиск архитектурных решений для создания высоконагруженного территориально-распределенного веб-приложения, способного обслуживать не менее 100 000 одновременных пользователей.

кейс 02

Разработчики веб-приложений

Специалисты по кибербезопасности

Аналитики данных

DevOps инженеры

Data Engineers

Разработать концептуальную архитектуру веб-приложения с учетом требований к безопасности, защитой от кибератак, масштабируемости и высокой доступности на всей территории России.