Улучшаем квадрокоптеры и помогаем начинающим пилотам
В первые дни смены в рамках трека «Беспилотный транспорт и логистические системы» школьники учились программировать на Python, использовать системы indoor-навигации, работать с библиотеками для компьютерного зрения и применять различные датчики на дронах. Дальше началась проектная деятельность: командам предложили поработать над кейсами использования квадрокоптеров для выполнения автономных задач внутри помещений. Например, Антон Бабкин и Игорь Фетисов были среди ребят, задачей которых было защитить дроны от столкновений и повреждений.
– Квадрокоптеры очень дорогие и хрупкие, из-за этого новичкам страшно с ними работать. Поэтому они учатся медленнее, чем могли бы, – поясняет Антон Бабкин. – В нашем проекте было две части. Первая часть – программа, которая не давала уронить квадрокоптер с большой высоты, перехватывая у пилота управление. Вторая часть проекта – физическая защита от столкновений. К концу смены у нас был дрон, который был на порядок надежнее и крепче стандартного.
Группа, в которую попал Матвей Меньшинин, работала над упрощением управления дроном в помощь начинающим пилотам.
– Суть проекта «D.O.D.G.E» заключалась в том, что в современных реалиях очень много помех для начинающих пилотов дронов. В рамках школы мы смогли сделать MVP для нашего проекта: собрали «Клевер» и написали программу с использованием машинного зрения. С помощью этой программы и установленной камеры дрон распознавал летящий мяч по цвету и отлетал от него.
Исследуем бактерии, подходящие для удобрения почвы
Участники трека «Микробиология и молекулярная биология» занимались изучением микробиологических и молекулярно-биологических особенностей микробиомов на примере Московской области. Школьники познакомились с методами почвоведения, микробиологии, молекулярной биологии, с генетикой и экологией микроорганизмов, популяционной динамикой, а затем приступили к проектам.
Команда, в которую вошла Станислава Рычка, изучала жизнедеятельность бактерий рода Azotobacter. Ребята выявляли зависимость динамики роста бактерий от кислотности почвы и пытались найти такие виды рода Azotobacter, которые обитают в кислых почвах, в том числе – на территории Подмосковья.
– Статьи в интернете утверждали, что бактерии не живут в средах с кислотностью ниже 4, – рассказывает Станислава Рычка. – Мы выдвинули гипотезу, что такие виды существуют, и получили невероятный результат! На экстремально кислой среде с кислотностью 1 выросли бактерии, я долго не могла поверить, что это Azotobacter. В этот же вечер мы увидели бактерии в микроскопе – это подтвердило, что выросшие бактерии относятся к роду Azotobacter. А потом это же подтвердили на генетическом уровне результаты электрофореза. Наша гипотеза подтвердилась. Это был всеобщий восторг! Найденные виды бактерий можно использовать в качестве удобрений вместо минеральных, использование которых крайне нерационально – оно приводит к деградации почв. Для меня очень ценно, что наш проект направлен на решение актуальной сейчас проблемы.
![](https://static.tildacdn.com/tild6133-6335-4337-a538-323937623738/___2.jpg)
Используем технологии машинного обучения
В популярном треке «Машинное обучение» было сразу три лаборатории: «Анализ академической литературы средствами компьютерной лингвистики», «ML в маркетинге и web-аналитике» и «Разработка вопросно-ответных систем».
Команда Романа Тихомирова решила сделать продукт, помогающий непосредственно специалистам по машинному обучению. По словам Романа, программисты, работая над какой-нибудь нейронной сетью, могут потратить несколько часов на поиск возникшей ошибки. Ребята решили создать систему, которая позволит пользователю мгновенно получить инструкцию по устранению этих проблем. В итоге команда сделала проект «Aurora Assistant» – это вопросно-ответная система, которая помогает IT-специалистам устранять ошибки при разработке искусственного интеллекта.
Группа, в которую входила Виктория Щур, работала над собственным ML-проектом – web-сервисом с рекомендательной системой по питанию.
– Наша система предлагает пользователю несколько блюд в ежедневном меню, исходя из его финансовых возможностей, особенностей организма, количества приемов пищи, кулинарных способностей. Пользователь может выбрать понравившиеся ему блюдо и заказать ингредиенты из известных сетей супермаркетов. За время работы на проектной школе мы также успели сделать MVP.
Ярослав Олейник вместе с командой работал над ассистентом для помощи человеку в общении. Ассистента планируется портировать (сделать совместимым, проще говоря) в любой мессенджер или социальную сеть.
– Мессенджер будет давать пользователю различные подсказки, например, в какое время собеседнику удобно было бы ответить на сообщение пользователя. У нас получилось создать работоспособный MVP проекта, который представлял из себя web-приложение, исполнявшее роль тестового мессенджера, и импортированную в него систему анализа эмоций в приложении.
Команда Софьи Семеновой хотела сделать арт-проект с помощью машинного обучения Один из экспертов трека показал ребятам нейроинтерфейс, который обычно используют при медитации. Но дети поняли: на его основе они могут приблизить к реальности те кадры из фильмов, где человек управляет всем силой мысли.
– Суть работы нейроинтерфейса проста: он считывает волны из мозга и передает их на телефон или компьютер. Но зачем? Если сказать, что существует нейросеть, способная генерировать изображение на основе введенного пользователем слова, никто не удивится. Мы с командой решили улучшить эту нейронку, чтобы она основывалась не только на полученном слове, но и еще на настроении человека, которое другая нейронная сеть определяла бы, получая данные с нейроинтерфейса. В итоге у нас получился простой сайт, в бэкенде которого скрываются две нейросети: одна анализирует эмоции, другая – создает изображение на их основе.