README.pl.md

I Olimpiada Sztucznej Inteligencji / 1st Polish AI Olympiad

Witamy w repozytorium z zadaniami I Olimpiady Sztucznej Inteligencji. Olimpiada ta jest skierowana do uczniów szkół średnich w Polsce, którzy są zainteresowani sztuczną inteligencją. Celem jest zwiększenie zainteresowania AI oraz wyłonienie drużyny na Międzynarodową Olimpiadę Sztucznej Inteligencji.

Informacje ogólne

Strona główna: Olimpiada Sztucznej Inteligencji

Pierwsza edycja Olimpiady odbyła się w dwóch etapach. W pierwszym etapie, który trwał od 22 kwietnia do 27 maja 2024, uczestnicy rozwiązywali zadania w domu. 30 najlepszych uczestników zostało zaproszonych do udziału w obozie finałowym odbywającym się od 15 do 21 czerwca 2024. W czasie obozu finałowego odbyły się dwa konkursy: finałowy oraz implementacyjny. Regulaminy dostępne są na naszej stronie.

Sposób oddawania zadań

Uczestnicy rozwiązywali zadania samodzielnie i przesyłali je do Komitetu Zadaniowego za pomocą specjalnej strony Olimpiady. Każde zadanie określa, jakie pliki należało przesyłać – najczęściej jest to jeden plik Jupyter Notebook, a czasem dodatowo należało przesłać wagi wytrenowanego modelu. Wszystkie prace były oceniane automatycznie przez skrypt podobny do zawartego w zadaniu. Przed wysłaniem rozwiązania należało upewnić się, że działa ono na skrypcie walidacyjnym.

Zadania

W ramach 1 etapu Olimpiady uczestnicy zmierzyli się z następującymi wyzwaniami:

• Ataki adwersarialne – Atak na konwolucyjną sieć neuronową.
• Niezbalansowana klasyfikacja – Trening klasyfikatora na niezbalansowanych danych.
• Analiza zależnościowa – Analiza składniowa zdań przy użyciu modelu HerBERT.
• Kwantyzacja kolorów – Kwantyzacja kolorów w obrazach.
• Śledzenie obiektów – Śledzenie obiektów w sekwencji wideo.
• Pruning – Zmniejszanie liczby wag w sieciach neuronowych.
• Zagadki – Odpowiadanie na pytania do tekstu źródłowego.

W ramach konkursu finałowego, uczestnicy rozwiązywali następujące zadania:

• Szyfry – Zaprojektowanie algorytmu uczenia maszynowego do znalezienia tekstu jawnego.
• Detekcja anomalii – Wykrywanie obrazów spoza próby.
• Self-supervised learning – Klasyfikacja szeregów czasowych.

W ramach konkursu implementacyjnego Tłumaczenie maszynowe, uczestnicy zmierzyli się z implementacją i uproszczoną reprodukcją pracy naukowej.

Środowisko

Lista dopuszczalnych pakietów znajduje się w pliku requirements.txt. Rozwiązania były testowane przy użyciu Pythona 3.11. Na potrzeby pracy nad zadaniami, zalecamy stworzenie środowiska wirtualnego

python3 -m venv oai_env
source oai_env/bin/activate
pip install -r OlimpiadaAI/requirements.txt

Kryteria oceny

Oceny za zadania zostały wyliczone na podstawie podanych w treściach zadań kryteriów. Za zadania będzie można zdobyć maksymalnie 1.0 (Ataki adwersarialne, Niezbalansowana klasyfikacja), 1.5 (Śledzenie obiektow, Pruning, Zagadki, Kwantyzacja kolorów) lub 2.0 punkty (Analiza zależnosciowa). Łącznie w pierwszym etapie jest do zdobycia 10 punktów. W konkursie finałowym, wszystkie zadania były równo punktowane.

Licencje

Repozytorium korzysta z następujących zasobów objętych licencjami:

• Składnica zależnościowa - Zasób dostępny na licencji GNU General Public License wersja 3 (GPLv3). Więcej informacji można znaleźć tutaj. Zbiór danych użyty w zadaniu "Analiza zależnościowa" stanowi utwór pochodny.
• HerBERT base cased - Model dostępny dostępny tu,

@inproceedings{mroczkowski-etal-2021-herbert,
    title = "{H}er{BERT}: Efficiently Pretrained Transformer-based Language Model for {P}olish",
    author = "Mroczkowski, Robert  and
          Rybak, Piotr  and
          Wr{\\'o}blewska, Alina  and
          Gawlik, Ireneusz",
    booktitle = "Proceedings of the 8th Workshop on Balto-Slavic Natural Language Processing",
    month = apr,
    year = "2021",
    address = "Kiyv, Ukraine",
    publisher = "Association for Computational Linguistics",
    url = "https://www.aclweb.org/anthology/2021.bsnlp-1.1",
    pages = "1--10",
}

• Zbiory danych generowane przy użyciu PyBullet - objęte licencją MIT, szczegóły tutaj.

• Dall-E i Stable Diffusion - pełne prawa do użycia i sprzedaży wyników, więcej informacji w licencji.

• Zbiory danych generowane przy użyciu SCGAN - więcej informacji na IEEE oraz w repozytorium GitHub.

• W ramach zawodów finałowych uczniowie implementowali pracę

@article{Bahdanau2014NeuralMT,
  title={Neural Machine Translation by Jointly Learning to Align and Translate},
  author={Dzmitry Bahdanau and Kyunghyun Cho and Yoshua Bengio},
  journal={CoRR},
  year={2014},
  volume={abs/1409.0473},
  url={https://api.semanticscholar.org/CorpusID:11212020}
}

Kontakt

W razie pytań lub wątpliwości, prosimy o kontakt przez e-mail: [email protected].

Życzymy inspiracji i powodzenia w rozwiązywaniu zadań!