Искусственный интеллект

Цель профиля — развитие у школьников прикладных навыков в сфере искусственного интеллекта через знакомство с методами машинного и глубокого обучения для решения задач, актуальных для науки и бизнеса.

Соревнования по профилю способствуют повышению уровня обеспечения российского рынка технологий искусственного интеллекта квалифицированными кадрами за счет:

• возрастания привлекательности конкурсов и олимпиад, направленных на развитие интеллектуальных и творческих способностей обучающихся (в соответствии с Национальной стратегией развития искусственного интеллекта Российской Федерации);
• вовлечения их в сферу искусственного интеллекта;
• ориентации школьников на профессиональное развитие в этой области.

В 2024/25 учебном году участникам Национальной технологической олимпиады по профилю Искусственный интеллект предложено погрузиться в задачу, направленную на сохранение биоразнообразия и защиту редких видов животных. В центре внимания проблема мониторинга популяции амурских тигров — вида, занесенного в Красную книгу России. Финалисты разрабатывают алгоритмы для реидентификации конкретных особей по изображениям с фотоловушек, что позволяет автоматизировать один из самых трудоемких процессов полевой зоологии.

Поставленная цель требует не только глубоких знаний в области компьютерного зрения и машинного обучения, но и внимательного отношения к качеству данных, умения работать с изображениями в сложных условиях и выстраивать точные и устойчивые модели.

Основная задача отборочных этапов Олимпиады данного профиля — выявить наиболее способных к решению подобных задач школьников и через образовательную составляющую развить у школьников прикладные навыки в области машинного обучения.

Первый отборочный (индивидуальный) дистанционный этап состоит из предметного тура по математике и информатике, а также инженерного тура, в рамках которого участникам предлагается решить базовую задачу машинного обучения, направленную на автоматизацию обработки данных с фотоловушек. Конкретно: они разрабатывают модель для классификации изображений диких животных по группам, организованным по биологическому сходству (например, все виды оленей рассматривались как одна группа). Условия приближены к реальным: фотографии были получены в разное время суток, в сложных природных условиях, с частичным попаданием животного в кадр или перекрытием объектов.

Целью задания является не только обучение базовой модели классификации, но и развитие навыков:

• обработки изображений;
• работы с нестандартными датасетами;
• выбора архитектур и метрик.

В целом, инженерный тур проверяет практические навыки работы с алгоритмами машинного обучения, способность к аналитическому мышлению, понимание предметной области и умение применять технические решения для реальных задач в сфере экологии и охраны природы.

Предметный тур определяет уровень подготовки школьников по предметам: математика и информатика (программирование).

Задания по информатике относятся к разделам: алгоритмы, программирование и методы оптимизации. Здесь школьники должны продемонстрировать простейшие навыки составления и отладки программ, обрабатывающих массивы данных, и понимание таких тем, как комбинаторика, операции со строками, матричный анализ, теория графов.

Задачи по математике проверяют у участников знания по алгебре, комбинаторике, теории вероятности и математической статистике.

Таким образом, задачи предметного тура выявляют знания, необходимые для решения задач следующего (второго) и заключительного этапов.

Дополнительно для участников был проведен онлайн-интенсив AI-ARROW, подразумевающий быстрое погружение в сферу ИИ, начиная с основ программирования на Python с использованием профильных библиотек и заканчивая подходами к разработке нейросетей с использованием технологий компьютерного зрения и обработки естественного языка.

В рамках второго отборочного этапа участникам предстояло решить две задачи — индивидуальную и командную.

Индивидуальная задача направлена на построение модели многоклассовой детекции животных на фотографиях с фотоловушек. Здесь нужно создать алгоритм, способный не только определить наличие животных в кадре, но и точно указать координаты ограничивающих прямоугольников для каждого из них, классифицируя по группам (например, медведь, куньи, пантеры и др.). Усложняют дело реальные условия съемки: перекрытия объектов, ночные кадры, частично видимые животные и разнообразие фонов. Метрикой оценки выступает mAP 0.5–0.95, учитывающая качество детекции при разных порогах перекрытия объектов.

Командная задача связана с классификацией животных по видам, а именно, требуется разработать модель, способную по фотографии определить конкретный вид животного (например, тигр, ирбис, манул, марал и др.), несмотря на внешние сходства между представителями разных видов и качество снимков. Работа в команде позволяет участникам эффективно распределить роли, комбинируя навыки в области обработки изображений, построения архитектур нейросетей и анализа ошибок модели.

Обе задачи второго этапа направлены не только на отбор сильнейших участников, но и на развитие ключевых компетенций в области компьютерного зрения, проектного мышления и командной инженерной работы.

Для подготовки финалистов дополнительно проводится образовательный хакатон, во время которого им предоставляется возможность погрузиться в процесс разработки проекта в области компьютерного зрения. Цель мероприятия заключается в создании модели, способной выполнять сегментацию животных на фотографиях с фотоловушек — то есть точно выделять каждую отдельную особь класса animal на изображении. Такой подход повышает точность учета животных, минимизирует ошибки, вызванные наложением объектов или сложными условиями съемки. В рамках хакатона финалисты оттачивают ключевые навыки, необходимые для успешного решения задачи заключительного этапа, а участники, не прошедшие в финал, — попробовать свои силы в решении задач более высокого уровня и продолжить развиваться в сообществе Академии ИИ.

Заключительный этап НТО состоит из командного инженерного и индивидуального предметного туров.

Предметный тур проводится по двум предметам — информатика и математика — и проверяет знания, необходимые в решении задач на анализ данных. Баллы, набранные в индивидуальном предметном туре (то есть знания и умения решать олимпиадные задачи в важных для направления разделах математики и информатики) влияют на личные результаты участников.

Задача командного инженерного тура заключительного этапа НТО 2024/25 посвящаются реидентификации амурских тигров — редкого и охраняемого вида, занесенного в Красную книгу Российской Федерации. Участники разрабатывают модель, способную определять конкретных особей по фотографиям с фотоловушек. Это имеет важное прикладное значение: помогает зоологам вести мониторинг популяции, отслеживать передвижение животных и разрабатывать меры по их охране. Для решения необходимо учитывать ряд факторов — от различий в узоре шкур тигров с разных сторон до частичного перекрытия объектов в кадре и нестандартных условий съемки. Исключительно ручная идентификация занимает много времени и требует экспертных знаний, тогда как применение технологий искусственного интеллекта позволяет существенно ускорить этот процесс.

Участникам важно продемонстрировать не только техническую компетентность в области компьютерного зрения, но и умение работать с «грязными» полевыми данными, интегрируя знания, полученные на предыдущих этапах. Работа требует высокой слаженности внутри команды — от выбора архитектуры и стратегии обучения до точной настройки модели и подготовки финального решения.

Таким образом, учащиеся 8–11 классов, прошедшие все этапы НТО, демонстрируют понимание основных операций, необходимых для построения модели машинного обучения, а именно:

• подготовка и анализ данных с целью выявления признаков, необходимых для решения поставленной задачи;
• построение модели;
• интерпретация результатов ее работы для оценки качества в рамках специализированной доменной области (машинное зрения для распознавания животных).

Для того чтобы сделать это возможным, в ходе Олимпиады проводится цикл образовательных и отборочных мероприятий. С момента регистрации для подготовки участникам доступны:

• Курс по машинному обучению (основной уровень) от Академии ИИ: https://ai-academy.ru/training/courses/kurs-po-mashinnomu-obucheniyu-osnovnoj-uroven/.
• Курс по машинному обучению (продвинутый уровень) от Академии ИИ: https://ai-academy.ru/training/courses/kurs-po-mashinnomu-obucheniyu-prodvinutij-uroven/.
• Материалы Академии искусственного интеллекта для школьников: https://ai-academy.ru/.