На яндекс капе взял третье место в треке Self-Driving Cars.
Надо было предсказать траекторию движения, получая информацию о повороте руле (steering) и acceleration и первых пяти секунд траектории.

Таска очень понравилась, много вариативности, хороший датасет и пространство для маневров. Например, второе место на бустингах и физике, первое на lstm и анализ карты высот и в обоих решениях провели блестящую работу по анализу данных.

Я выбрал для себя путь оверинжиниринга, поиграться с lstm, разными енкодерами, вниманием. Потому что было интересно успеть именно это в сжатые сроки участия.

Конечно же, самая приятная часть капа - оффлайн финал в другой стране, нетворк. Половину ML финалистов уже знаю с прошлого года))

В комментарии скину фоточки из Ташкента, почуствуйте

- github
- Запись с топ решениями(я с 39.04)

Всем привет! Я стал частью команды фундаментальных исследований MTS AI-chat core team

Создание и состав команды заслуживает лонгрида и я лучше сошлюсь на хабр статью, рекомендую к прочтению!!

Год назад я не представлял об академических и карьерных возможностях, которые могут открыться. Комьюнити (особенно aith) помогли мне узнать о них и воспользоваться этими шансами.

важно найти место, которое даст возможность реализовывать личные амбиции и цели, где твои kpi сонаправленны с kpi команды с запасом роста на несколько лет.

За последние полгода я участвовал в нескольких хакатонах и успешно вышел в финал каждого из них, заняв 4-е, 1-е, 1-е и 3-е места. Общий призовой фонд нашей команды составил 900 тысяч.

За последние два дня я перешел в роль ментора: провел чекпоинты для 15 команд и оценил 36 решений. Это позволило мне увидеть хакатоны с двух сторон, лучше понять стейкхолдеров и систему проверки.

Теперь я хочу систематизировать этот опыт и сформировать базу знаний в ноушн с советами и рекомендациями, от стэка до спича. Жду ваших идей, вопросов и предложений в комментариях?

Заняли 3 место (100к) из 25 команд на региональном цифровом прорыве этого сезона

Кейс и данные понравились - поиск по музейных экспонатам и генерация описания по 45к пар картинка-текст, некоторые объекты имели по 50 фоток. Был ЛБ по классификации экспонатов, где мы с отрывом в 10% были топ1, но вес он имел такой же, как и pretty face на презентации

по стеку:
- поиск по CLIP + faiss, удаление дублей по хэшу
- генерация описания через Omnifusion + RAG на исходной картинке и топ 10 близких описаний
- для классификации clip knn и resnet34 (still ? ??) ? с грамотными аугами и блендингом

по традиции, презентация, решение, а также стратегии с первого места в комментах

22

Подведя итоги года, всегда хочется оценить его количественно, посчитать грейды, медальки, галочки в ту-ду листах.
Но ведь самое важное — это то, что не укладывается в рамки таблиц, диаграмм и дискретных точек, не так ли?