RUSSIAN

ARTIFICIAL

INTELLIGENCE

FORUM

2018

23.10.2018

Конгресс-парк
«Рэдиссон Ройал Москва»

О хакатоне

23 октября в рамках делового форума RAIF состоится финал RAIF Hackathon. Призовой фонд хакатона составит более 1 000 000 рублей. Используя реальные данные организаций-партнеров, разработчики должны будут решить с помощью AI/ML одну из предложенных задач. В каждой из номинаций будет выявлено по одному победителю. К участию приглашаются команды разработчиков от 1 до 3 человек.

RAIF Hackathon включает 2 этапа: онлайн и офлайн.

С 4 по 19 октября включительно состоится отборочный онлайн-тур по задаче от НЛМК; с 4 по 18 октября — по задаче от «Утконоса»; с 5 по 18 октября — по задаче Росреестра. В рамках отборочного тура участники смогут предоставить свои решения в одной, двух или во всех трех номинациях.

11 октября можно будет прислать промежуточные (либо уже окончательные) варианты решений и получить обратную связь от кураторов хакатона. Особенно актуальна эта опция для тех, кто выберет творческие задачи от компании «Утконос» или Росреестра, предполагающие несколько вариантов решений.

21 октября Оргкомитет RAIF Hackathon опубликует на сайте названия команд, прошедших в финал. Именно они примут участие в завершающем соревновании, которое пройдет 23 октября в Москве в рамках бизнес-форума RAIF. Финалистов ждут дополнительные данные и 4 часа кодинга по доработке своего проекта. В завершение состоится подведение итогов и награждение победителей.

В номинации от НЛМК победители будут выявлены по абсолютному результату. В номинациях от «Утконоса» и Росреестра лучшие решения определит жюри по итогу защиты представленных работ. Призовой фонд разделят 3 команды — каждая получит по 350 тысяч рублей.

Программа хакатона

Онлайн

4–19 октября

4 октября
старт хакатона

11 октября
Отправка промежуточных решений

18 октября
«Утконос», Росреестр:
окончание онлайн-этапа

19 октября
НЛМК: окончание онлайн-этапа

21 октября
Объявление результатов отборочного тура

Офлайн

23 октября — финал
на глазах у гостей RAIF

8:00
Открытие

8:30–12:30
Выдача дополнительных данных,
доработка ML-моделей

13:00–14:00
Защита творческих заданий
«Утконос» и Росреестр,
определение победителей
во всех номинациях

14:00–14:30
Награждение

14:30–16:45
Техническая секция

AI для НЛМК
AI для Утконоса
AI для Росреестра

Поставщик данных: НЛМК
Название номинации: Оптимизация процессов производства

Задача заключается в прогнозировании времени прохождения стальной полосы по участку стана горячей прокатки стали.

Стан горячей прокатки НЛМК производит прокат шириной до 1850 мм и толщиной от 1,45 мм до 16 мм. Марочный сортамент – от низкоуглеродистых до высокопрочных, включая углеродистые марки, а также электротехническая сталь. В числе основных потребителей горячекатаного рулонного и листового проката – предприятия стройиндустрии, судостроения, автомобилестроения, изготовители труб, а также собственное производство холоднокатаного проката.

Горячекатаный прокат осуществляется следующим образом. Из методических печей на линию стана выгружаются нагретые слябы – стальные плиты, служащие заготовкой для прокатки. В процессе прокатки по линии стана полоса стали спрессовывается в клетях черновой и чистовой группы, становясь все более тонкой и длинной, и в конце сматывается в рулоны на специальных моталках. Чем тоньше и длиннее становится полоса, тем быстрее она должна двигаться по стану.

В качестве входных данных используются обезличенные данные полос (ширина, толщина и т.д.) и обезличенные данные о работе стана перед прокаткой следующей полосы (скорости рольгангов, мощности клетей и т.д. без привязки к схеме).​ В названиях параметров будет указан их физический смысл.

Топ

Место
Команда
Результат
Дата
IKeksik2.820823.10.18
II1012.925823.10.18
IIIБДО Юникон2.938223.10.18
IVBlack Jesus2.944823.10.18
Vsingle model3.100823.10.18
VIВосьмерка3.117123.10.18
VIIDatanomics3.467023.10.18
VIIIlazy_3.491423.10.18
IXGlycosyl3.614923.10.18
XСчастье не за горами3.661223.10.18
XIDatamech3.682023.10.18
XIIТеплюк Александр3.767423.10.18
XIIIKNN meisters3.849623.10.18
XIVКоманда А3.862623.10.18
XVIrkDataSc3.932423.10.18
XVIКоманда Х3.939423.10.18

Поставщик данных: Утконос
Название номинации: Анализ спроса на товары

Творческое задание!

Проанализируйте спрос на товары интернет-гипермаркета, используя исторические данные о выкупаемости товаров со складов за последние несколько лет. Решение поможет компании обеспечивать необходимое количество товаров на складах, учитывая изменяющийся спрос.

В рамках данной задачи интересны:

  • алгоритмы и решения, которые могли бы учитывать, как влияет изменение цен и наличия одних товаров на спрос на другие товары (Halo-эффект, «каннибализация»);
  • определение товаров, которые являются товарами-заменителями и сопутствующими товарами;

Параметры оценки творческого решения

  • 1. Понимание предметной области
    • Хорошо: решение основывается на понимании бизнес-потребностей.
    • Плохо: по мнению участника, все параметры одинаково полезны, больше или меньше спрогнозировали – разницы нет.
  • 2. Экономическая эффективность
    • Хорошо: вы рассчитали показатели, которые могут быть интересны бизнесу ритейла (например, прибыль от внедрения системы).
    • Плохо: посчитали абстрактный AUC или точность. Какая польза магазину – непонятно.
  • 3. Использование внешних данных
    • Хорошо: вы оценили влияние праздников, погоды и других внешних факторов
    • Плохо: добавили параметры, притянутые за уши (вроде влияния погоды на Марсе).
    •      
  • 4. Новизна
    • Хорошо: вы привнесли что-то своё и показали, чем это отличается от готовых решений.
    • Плохо: открыли stackoverflow, нашли примерно похожий вопрос и ответ к нему, сделали по аналогии.

Топ

Место
Команда
Результат
Дата
IHelpThePlatypus100.000018.10.18

Поставщик данных: РосРеестр
Название номинации: Прогнозирование кадастровой стоимости объектов

Творческое задание!

Определите параметры, влияющие на стоимость объектов недвижимости, и постройте математическую модель, оценивающую рыночную стоимость этих объектов.

Новые технологии, в частности машинное обучение, могут существенно повысить эффективность оценки объектов недвижимости. Выводы, полученные аналитическим путём, могут постепенно замещаться выводами, «сгенерированными» алгоритмами машинного обучения на основе анализа ситуации на рынке недвижимости и степени влияния различных факторов на стоимость объектов недвижимости.

В данном конкурсе участникам предлагается на основе предоставленной выгрузки и любых других данных из открытых источников построить прогнозную модель, которая будет определять рыночную стоимость объекта. При этом данные, которые будут основой для определения рыночной стоимости, и саму выборку для построения модели участники должны найти самостоятельно в открытых источниках. В качестве оцениваемого результата хакатона будет рассматриваться связка предлагаемой математической модели и презентации.



В презентации необходимо отразить:

  • внешние данные, которые были использованы для построения модели

  • методики оценки корректности модели и их результаты

  • описание самой модели

  • описание наиболее важных параметров и выводы, которые можно на этой основе сделать.


Параметры оценки решения

  • 1. Практическая применимость
    • Хорошо: проведена аналитическая работа. При построении модели учитывались различные внешние факторы, влияющие на стоимость объектов недвижимости. Модель может прогнозировать стоимость объектов недвижимости с учетом отсутствия информации по ряду внешних факторов.
    • Плохо: выводы о том, что все факторы влияют одинаково, или модель работает только для малой части объектов.
  • 2. Способ оценки точности решения
    • Хорошо: нахождение корректной тестовой выборки, возможность демонстрации работы модели.
    • Плохо: посчитали кадастровую стоимость по известной формуле.
  • 3. Использование внешних данных
    • Хорошо: вы проанализировали и оценили влияние различных внешних факторов (близость к ключевым объектам инфраструктуры, транспортная доступность, состояние дома, наличие парков/лесопарков, водоёмов, отсутствие свалок и т.д.).
    • Плохо: не добавляли никаких параметров или использовали их некорректно (допустили утечку целевой переменной).
    •      
  • 4. Новизна
    • Хорошо: выводы и решение отличаются от общеизвестных и доступных.
    • Плохо: применили стандартную формулу для расчета .

Топ

Место
Команда
Результат
Дата
Ir_test100.000022.10.18

Техническая секция

Эксперты из глобальных компаний и стартапов погрузятся в глубины Data Science, представят передовые технологии анализа данных с помощью AI / ML, сравнят работу алгоритмов и моделей и, конечно, расскажут о том, как эти цифры и формулы могут быть конвертированы бизнесом в реальные деньги. Для финалистов хакатона посещение технической секции бесплатно.

Спикеры

https://raif.jet.su/wp-content/uploads/2018/10/photo22.jpg
Евгений Бурнаев
Ph.D. Associate Professor
Skolkovo Institute of Science and Technology
https://raif.jet.su/wp-content/uploads/2018/10/konstantin-vorontsov.jpg
Константин Воронцов
Профессор РАН, руководитель лаборатории машинного интеллекта
МФТИ
https://raif.jet.su/wp-content/uploads/2018/09/dmitrii-bugachi-chenko.jpg
Дмитрий Бугайченко
Инженер-программист
Одноклассники
https://raif.jet.su/wp-content/uploads/2018/09/dralaa_studio.jpg
Алексей Драль
CEO
BigData Team
https://raif.jet.su/wp-content/uploads/2018/09/emeli-dral-1.jpg
Эмели Драль
Chief Data Scientist
Mechanica.AI
https://raif.jet.su/wp-content/uploads/2018/09/nikolai-knyazev.jpg
Николай Князев
Руководитель команды Data Science
Инфосистемы Джет
https://raif.jet.su/wp-content/uploads/2018/09/aleksei-katkevich.jpg
Алексей Каткевич
Архитектор
Инфосистемы Джет

Организатор

Данные для хакатона 2018 предоставили

Где, когда и как доехать?

23 октября 2018

По вопросам, связанным с Хакатоном
E-mail: champ@raif.io
Чат для участников: https://t.me/RAIFHACK
Телефон: +7 985 837-13-61
Галина Глагольева, менеджер хакатона RAIF

Конгресс-парк
«Рэдиссон Ройал Москва»
Кутузовский проспект, 2/1, стр. 1

Cеребряный партнер

Инновационный партнер

Официальные партнеры

Генеральные информационные партнеры

Информационные партнеры

  • Регистрация
  • Авторизация