OlimpiadaAI/II-OlimpiadaAI
OlimpiadaAI/II-OlimpiadaAI has 61 GitHub stars and 9 forks. GitHot measured 0 stars in 24 hours. Last checked 2026-11-16 19:48 UTC. Last push 2026-02-18.
Measured star growth
- in 24h
- 0
- in 7 days
- Collecting history
- in 15 days
- Collecting history
- in 1 month
- Collecting history
Net star changes over overlapping periods, not daily totals. Missing measurements are left blank. Stars measure attention, not software quality.
About
Oficjalne repozytorium drugiej edycji ogólnopolskiej Olimpiady Sztucznej Inteligencji
AIREADME.md
OriginalII Olimpiada Sztucznej Inteligencji / 2nd Polish AI Olympiad
Witamy w repozytorium z zadaniami II Olimpiady Sztucznej Inteligencji. Olimpiada ta jest skierowana do uczniów w Polsce, zarówno ze szkół średnich jak i podstawowych, którzy są zainteresowani sztuczną inteligencją. Celem jest zwiększenie zainteresowania AI i wyłonienie składów reprezentacji na olimpiady międzynarodowe IOAI w Pekinie (2-9 sierpnia 2025) i IAIO w Lublanie.
Informacje ogólne
Strona główna: Olimpiada Sztucznej Inteligencji
Druga edycja Olimpiady odbędzie się w trzech etapach:
- Pierwszy etap, online, 17.02 - 22.03.2025.
- Drugi etap, regionalny w 4 miastach: Kraków, Poznań, Warszawa i Wrocław, 26 - 27.04.2025
- Trzeci etap, finał we Wrocławiu, 30.05 - 02.06.2025.
Regulamin jest dostępny na naszej stronie.
Oficjalnym kanałem komunikacji z uczestnikami będzie platforma Discord. Dostęp do niej otrzymują uczestnicy po dokonaniu rejestracji.
Zadania
W ramach pierwszego etapu Olimpiady uczestnicy zmierzyli się z następującymi wyzwaniami:
- Maszynka do Liczenia Monet - Detekcja monet z wykorzystaniem modeli wizyjnych.
- Wykrywanie Halucynacji - Wykrywanie halucynacji modeli językowych w odpowiedziach na pytania.
- Wykrywanie Zaburzeń Sygnału EKG - Wykrywanie anomalii w danych EKG.
- Zaszumienie w Etykietach Danych - Trenowanie modeli z zaszumionymi etykietami.
- Ukryte Podciągi - Identyfikacja zależności w binarnych ciągach znaków.
W drugim etapie uczestnicy rywalizowali rozwiązując nastepujące zadania:
- Rozkład Nienormalny - Usuwanie i klasyfikacja różnych rodzajów szumu na obrazie.
- Kredytobranie - Znajdowanie kierunków w przestrzeni danych najskuteczniej zmieniających decyzje klasyfikatora.
- Ekstrakcja Źródeł - Dobór embeddingów użytecznych w wyszukiwaniu tekstów źródłowych.
Na zawody finałowe, przygotowaliśmy następujące problemy:
- Inpainting - Uzupełenianie brakujących fragmentów obrazu przy użyciu sieci INR.
- Oduczanie - Usunięcie z modelu wybranych informacji.
- Stylizacja tłumaczeń - Dotrenowanie modelu tłumaczenia maszynowego do specyficznego stylu.
- Protypy danych - Wybór reprezentatywnych i różnorodnych przykładów ze zbioru danych.
Sposób oddawania zadań
W pierwszym etapie uczestnicy rozwiązywali zadania samodzielnie i przesyłali je do Komitetu Merytorycznego za pomocą Platformy Konkursowej. Dostęp do niej jest udostępniany uczestnikom po rejestracji. Każde zadanie wymagało przesłania pliku Jupyter Notebook z rozwiązaniem. Wszystkie prace zostały oceniane automatycznie na Platformie Konkursowej.
Środowisko
Lista dopuszczalnych pakietów znajduje się w pliku environment.yml, osobno dla każdego zadania. Rozwiązania były testowane przy użyciu Pythona 3.11. Na potrzeby pracy nad zadaniami, zalecamy wykorzystanie środowiska online Google Colab. lub stworzenie środowiska lokalnego z wykorzystaniem Anacondy (instrukcję instalacji środowiska z pliku YML znajdziesz tutaj).
Uwaga: To samo rozwiązanie uruchomione w środowisku lokalnym lub Google Colab może zwracać inne wyniki niż na Platformie Konkursowej. Ostateczna ocena Twojego zadania zostanie wyliczona na Platformie Konkursowej.
Kryteria oceny
Oceny za zadania zostaną wyliczone na podstawie podanych w treściach zadań kryteriów. Za każde zadanie w pierwszym etapie uczestnicy mogą zdobyć maksymalnie 100 punktów.
Licencje
Repozytorium korzysta z następujących zasobów objętych licencjami:
1 etap
- ChatGPT - obrazy w zadaniach 2, 3 i 5, pytania ze zbioru danych w zadaniu 2.
- OpenArt.ai - obraz w zadaniu 4.
- Flux - obraz w zadaniu 1.
- Gemma - odpowiedzi na pytania ze zbioru danych w zadaniu 2.
- Google Gemini - zbiór danych w zadaniu 3, który następnie uległ modyfikacjom.
- MedMNIST - zbiór danych w zadaniu 4, który następnie uległ modyfikacjom.
2 etap
- ChatGPT - obrazy w zadaniach.
- SGPT-125M - Model użyty w zadaniu Ekstrakcja Źródeł.
- SciFact - Zbiór danych użyty w zadaniu Ekstrakcja Źródeł. Zbiór został zmodyfikowany poprzez wybranie podzbioru zdań oraz odrzucenie dodatkowych anotacji jeśli występowała więcej niż jedna. Korpusy pochodzą ze zbioru S2ORC.
@article{muennighoff2022sgpt,
title={SGPT: GPT Sentence Embeddings for Semantic Search},
author={Muennighoff, Niklas},
journal={arXiv preprint arXiv:2202.08904},
year={2022}
}
@inproceedings{Wadden2020FactOF,
title={Fact or Fiction: Verifying Scientific Claims},
author={David Wadden and Shanchuan Lin and Kyle Lo and Lucy Lu Wang and Madeleine van Zuylen and Arman Cohan and Hannaneh Hajishirzi},
booktitle={EMNLP},
year={2020},
}
@inproceedings{lo-wang-2020-s2orc,
title = "{S}2{ORC}: The Semantic Scholar Open Research Corpus",
author = "Lo, Kyle and Wang, Lucy Lu and Neumann, Mark and Kinney, Rodney and Weld, Daniel",
booktitle = "Proceedings of the 58th Annual Meeting of the Association for Computational Linguistics",
month = jul,
year = "2020",
address = "Online",
publisher = "Association for Computational Linguistics",
url = "https://www.aclweb.org/anthology/2020.acl-main.447",
doi = "10.18653/v1/2020.acl-main.447",
pages = "4969--4983"
}
3 etap
- OpenAI DALL·E - ilustracje w zadaniach
- Fashion-MNIST - zbiór danych użyty w zadaniu Oduczanie.
- CIFAR-100 - zbiór danych użyty w zadaniu Prototypy danych.
- gsarti/opus-mt-tc-en-pl - model MarianMT użyty w zadaniu Stylizacja tłumaczeń.
- Openai API - syntetyczny zbiór zadań w zadaniu Stylizacja tłumaczeń.
- GeeksForGeeks - ilustracja architektury LeNet w treści zadania Oduczanie.
Kontakt
W razie pytań lub wątpliwości, prosimy o kontakt przez platformę Discord lub e-mail: [email protected].
Życzymy powodzenia w rozwiązywaniu zadań!