當前位置:
首頁 > 新聞 > 垃圾分類、機器人應用開發、AutoNLP,挑戰 WAIC 黑客松三大賽題

垃圾分類、機器人應用開發、AutoNLP,挑戰 WAIC 黑客松三大賽題

智能垃圾分類、Pepper 人形機器人應用開發、AutoNLP,2019 世界人工智慧大會黑客馬拉松三大賽題等你來戰。

2019 年世界人工智慧大會(WAIC)是經國務院批准,國家發展改革委、科技部、工業和信息化部、國家互聯網信息辦公室、中國科學院、中國工程院等部委與上海市政府共同舉辦的頂級人工智慧會議。今年的 WAIC 以「智聯世界 無限可能」為主題,將於 8 月 29 日至 31 日在上海舉辦。

垃圾分類、機器人應用開發、AutoNLP,挑戰 WAIC 黑客松三大賽題

打開今日頭條,查看更多圖片

世界人工智慧大會黑客馬拉松作為 WAIC 期間唯一的一場黑客松,由機器之心承辦,此次黑客松設計多道賽題,聚焦 AI 技術與應用的熱點問題,分別由不同企業進行命題。黑客松現場將匯聚 200 名來自全球的頂尖開發者進行 36 小時封閉式開發,超過 50 支戰隊角逐大獎。黑客松頒獎典禮將在世界人工智慧大會開發者日上進行頒獎。

不久之前,軟銀機器人、微眾銀行、第四範式分別公布了三大賽題,正式啟動報名。

我們對部分賽題做了更新,歡迎全球開發者報名參賽。

第四範式:AutoNLP 大賽

2019 世界人工智慧大會 WAIC 黑客馬拉松——AutoNLP(自動自然語言處理)大賽正式上線。本次比賽是全球首個聚焦 AutoNLP 的大賽,希望參賽選手設計開發全自動的自然語言文本分類系統。作為 NLP 領域中最為熱門的課題,自然文本分類廣泛存在於各類的應用場景中,對自然文本進行精準分類是解決各個領域中 NLP 問題的核心之一。近年來,深度學習在 NLP 領域取得了長足進展,尤其是利用以 BERT 為首的預訓練模型在多個 NLP 任務中獲得了遠超基線的效果,這也促使了深度學習技術在 NLP 領域需求量的大幅增加。

然而,解決自然語言文本分類的問題需要涉及文本預處理、訓練預訓練模型,設計分類模型結構,調整模型訓練參數等多個步驟,需要經驗豐富的專家去實現精細化的模型結構設計和參數調校。人才的稀缺嚴重阻礙了自然語言文本處理技術被廣泛應用到各領域的進程。因此,亟需設計低門檻的自然語言文本分類系統,使得無相關技術經驗的開發者也能夠快速構建解決不同領域問題的文本分類模型,將該技術應用到更多的領域。

關於比賽

本次 AutoNLP 大賽,希望參賽選手設計開發全自動的自然語言文本分類系統。為了使參與選手開發和評估方案,主辦方準備了總共 15 個文本分類數據集,其中包括 5 個離線公共數據集、5 個線上公共數據集(用於盲測,選手無法獲得數據集任何信息)、 5 個私有數據集(用於盲測,選手無法獲得數據集任何信息)。比賽平台將提供統一配置的 GPU 伺服器進行相同環境相同計算資源的測試,並設定每個評測數據集的運行時長。環境預置多種預訓練模型,選手也可使用自行訓練的預訓練模型。大賽共分為兩個階段:

  • 線上預賽:在此階段,參賽者可以下載離線公共數據集,開發全自動的文本分類系統,實現接收原始未經預處理的文本訓練數據、全自動地完成文本預處理、模型結構設計和參數調校等過程。參賽選手將產出文本分類模型上傳至平台上,可通過 5 個線上公共數據集評估其 AutoNLP 方案的性能反饋(每天提交次數有限)。線上預賽階段排名前十的隊伍將會被邀請到 8 月底召開的世界人工智慧大會現場參與現場決賽。
  • 現場決賽:在此階段,將測試 AutoNLP 方案在私有數據集的性能,以驗證方案的可推廣性。該階段會將方案在沒有人工干預的前提下,通過 5 個未經處理的私有數據集進行評估。整個參賽過程選手無法獲得與私有評測數據相關的任何信息(包括訓練數據也無法獲得)。評估結果將決定最終排名,決出獲勝隊伍。

註:現場決賽開始前,將公布該階段詳細規則。

此次比賽中,參賽選手將面臨如下挑戰:

  • 如何自動預處理不同語種的文本數據?
  • 如何自動處理長文本和短文本?
  • 如何從文本數據中自動提取有用的特徵?
  • 如何自動設計有效的神經網路結構?
  • 如何建立並自動選擇有效的預訓練模型?

同時,參賽選手需考慮:

  • 如何自動高效地選擇恰當的機器學習模型與超參數?
  • 如何提高解決方案的通用性?即如何保證解決方案在未知任務中的適用性?
  • 如何控制計算和內存成本?

賽程設置

  • 8 月 2 日:線上預賽開始&報名
  • 在預賽結束前,均可報名參賽;
  • 報名參賽的選手需先點擊「閱讀原文」進行相關報名後,再進入比賽平台進行線上預賽。
  • 8 月 21 日:預賽結束&截止報名;
  • 8 月 22 日:宣布預賽排名前十名的隊伍;
  • 8 月 29 日:現場決賽開始;
  • 8 月 31 日:現場決賽結束&答辯&公布決賽成績&頒獎。

獎項設置

  • 第一名獎金:30000
  • 第二名獎金:15000
  • 第三名獎金:5000
  • 線上賽獲勝其他隊伍獎金:頒發第四範式、Google、ChaLearn 認證的比賽獲獎證書

報名鏈接:

  • 大賽官網:https://www.4paradigm.com/competition/autoNLP2019
  • 比賽平台鏈接:https://autodl.lri.fr/competitions/35

已通過表單報名參賽的選手可通過大賽官網了解詳情,並在比賽平台 CodaLab 上註冊,按照說明了解問題設置、數據、提交界面、評估流程後,即可開始線上預賽。主辦方為參賽選手提供啟動工具包,內含演示數據、基線方法以及在本地環境中模擬生產環境所需的所有物料。

軟銀:Pepper 人形機器人應用開發大賽

1) 賽題簡介:用軟銀人形機器人 Pepper 創造未來的美好世界。基於軟銀 Pepper 機器人和提供的 SDK 開發出有趣、實用的機器人應用。

2)團隊要求:團隊人數為:3-5 人,需要有相關開發經驗,至少有一名隊員需要會安卓。

3)比賽時間:即日起開啟線上報名,8 月 19 日截止線上報名階段,並進行相關審核,決賽名單 8 月 22 日統一公布。

4)賽前培訓:8 月 28 日——29 日 10:00——18:00 軟銀上海辦公司(詳細地址及培訓內容,將向晉級決賽的選手公布。賽前培訓非強制要求,如果無法參加,可以閱讀開發文檔,自行學習。)

現階段選手可閱讀標準開發文檔進行前期賽前準備。決賽團隊公布後,會有更為詳細的文檔發布。

  • 標準開發文檔:https://qisdk.softbankrobotics.com

5)獎勵:

  • 一等獎(1 名): ¥10,000+一年 Pepper 使用權+軟銀機器人三級證書
  • 二等獎(1 名):¥ 6,000+六個月 Pepper 使用權+軟銀機器人三級證書
  • 三等獎(1 名): ¥3,000+三個月 Pepper 使用權+軟銀機器人三級證書

微眾銀行:智能垃圾分類挑戰賽

1)賽題簡介:7 月 1 日起,上海正式實施「最嚴垃圾分類」。垃圾分類推廣初期,面對居民的諸多疑問,「用科技幫助居民進行垃圾分類」就是重要的方向之一。

本次智能垃圾分類挑戰賽,聚焦基於深度學習技術的圖像分類模型構建,以「智能垃圾分類」為主題,開展在垃圾圖片上的人工智慧識別,實現垃圾圖片類別的精準識別。垃圾的類別分為四類:有害垃圾、可回收垃圾、濕垃圾、干垃圾。

  • 考核技術點:圖像分類模型構建
  • 需要提交的內容:模型、docker 環境、代碼

2)團隊要求:團隊人數:1-3 人,需要有相關開發經驗。

3)比賽時間:即日起開啟線上報名,8 月 19 日截止線上報名階段,並進行相關審核,決賽名單 8 月 22 日統一公布。

4)獎勵:

  • 一等獎(1 名):¥30000
  • 二等獎(1 名):¥15000
  • 三等獎(1 名):¥5000

注意事項:

1、報名「軟銀機器人:Pepper 人形機器人應用開發大賽」以及「微眾銀行:智能垃圾分類挑戰賽」賽題的選手可選擇在阿里巴巴大數據計算引擎和機器學習平台上進行。

「阿里巴巴集團擁有完善的大數據計算基礎資源,如大數據計算服務 MaxCompute、實時計算、機器學習 PAI、一站式雲端智能研發平台 DataWorks 以及實時大數據可視化產品 DataV。2018 年雙 11 狂歡節,離線計算單日數據處理超過 600PB,實時計算曆經雙 11 流量洪峰考驗,實時日誌處理峰值每秒 17 億。支撐多年雙 11 數據大屏的 DataV 將為比賽提供高性能實時渲染能力和完整的可視化解決方案。」

2、WAIC2019 黑客馬拉松決賽晉級名單將於 8 月 22 日統一對外公布,除「第四範式:AutoNLP 大賽」將以線上預選賽成績決定晉級名單外,其餘的比賽將直接基於報名時所填內容進行初步篩選,挑選出晉級決賽的隊伍。

3、此次大賽組委會將不承擔選手往返上海的異地差旅費,僅承擔黑客馬拉松比賽期間(8 月 29 日——8 月 31 日)上海本地交通以及用餐費用,報銷憑證請選手自行保存好。

4、現場黑客馬拉松場地位於上海張江人工智慧島,比賽期間,選手用餐及休息需在指定區域進行,沒有特殊情況,原則上不允許選手離開比賽地點。

喜歡這篇文章嗎?立刻分享出去讓更多人知道吧!

本站內容充實豐富,博大精深,小編精選每日熱門資訊,隨時更新,點擊「搶先收到最新資訊」瀏覽吧!


請您繼續閱讀更多來自 機器之心 的精彩文章:

BigBiGAN的前世今生,走向成熟的特徵抽取器
結合符號主義和DL:DeepMind提出端到端神經網路架構PrediNet

TAG:機器之心 |