Привет, Хабр! На связи команда Selectel. Старожилы наверняка помнят ИT-кроссворд, который мы проводили в 2023 и 2024 годах. Тогда в течение нескольких дней вы отвечали на сотни вопросов и боролись за призы. Пришло время повторить онлайн-соревнование и провести третий сезон ИТ-кроссворда.
Все вопросы в этом году объединены одной темой — AI и ML. Но не переживайте, если не разбираетесь глубоко в этих направлениях: задания будут разной сложности, а каждая рубрика посвящена отдельной подтеме. В этот раз вас ждут более 100 вопросов о моделях ИИ, истории AI и ML, безопасности и железе для ML-инфраструктуры.
Ниже — краткие правила участия, результаты первого дня и вопросы по новой рубрике «История ML и AI». Знатоки, которые наберут за ответы наибольшее количество баллов, получат эксклюзивный мерч Selectel и бонусы на аренду серверов.
Не успели зарегистрироваться?
Ничего страшного: впереди еще три рубрики и три отдельные призовые номинации — не считая главного победителя.
Как принять участие
1. Зарегистрируйтесь, если не сделали этого ранее
Перейдите на страницу регистрации, оставьте свою почту, имя и логин профиля на Хабре. В течение пары часов на почту придет персональная ссылка, по которой вы сможете отвечать на вопросы.
2. Ответьте на вопросы
ИТ-кроссворд проходит четыре дня: 6, 7, 8 и 9 июля. Каждый день в 12:00 добавляем в эту публикацию вопросы по новым направлениям. Можно участвовать как в отдельных рубриках, так и во всех сразу — ограничений нет. Учтите, что нельзя стать призером или победителем в категории более одного раза. Но баллы будут учитываться в общем зачете.
3. Дождитесь результатов
Если вы набрали достаточно баллов и стали призером или победителем, мы с вами свяжемся и отправим призы.
Общий зачет: топ-5
Участник | Баллы |
|---|---|
120 | |
115 | |
115 | |
115 | |
115 |
Кроссворд №3. Безопасность ML и AI [08.07]
Рубрика откроется 8 июля в 12:00.
Что нужно знать
Все ответы — на русском языке. При этом в кроссворде встречаются англицизмы. Пример: staging → стейджинг.
По умолчанию ответы записываем в именительном падеже. Но при выборе формы ориентируйтесь на контекст: где-то лучше подойдет единственное число, где-то — множественное. Прилагательные также встречаются и по умолчанию склоняются под именительный падеж.
Если ответом является историческая личность, вписывайте фамилию.
Если в ответе есть дефис, пропустите его при записи и запишите слова слитно.
Вместо «ё» пишите «е».
В англицизмах буквы «э» и «е» считаются равнозначными. Например, и «кеш», и «кэш» будут приняты как правильный ответ с первой попытки. Главное — без опечаток: варианты вроде «киш» или «куш» не засчитываются.
Важно. На каждый вопрос дается не более пяти попыток. Ответы принимаются с 12 до 18:00 по московскому времени.
Кроссворд №2. История ML и AI [07.07]
Рубрика закрыта. Но вы можете посмотреть, как это было
Список вопросов
Номер вопроса | Вопрос | Баллов за верный ответ |
1 | В 1956 году он предложил термин «искусственный интеллект». | 2 |
2 | Архитектура, начавшая современную эпоху больших языковых моделей. | 1 |
3 | Подход к обучению, который стал массово обсуждаться после успеха InstructGPT. | 1 |
4 | Технология представления слов, которая стала массово использоваться после публикации Word2Vec в 2013 году. | 1 |
5 | Родина Qwen. | 1 |
6 | Настольная игра, в которой ИИ в 2016 году победил чемпиона мира. | 1 |
7 | Архитектура, представленная в 2018 году и ставшая одним из первых успешных примеров двунаправленного предварительного обучения языковых моделей. | 2 |
8 | На этого древнегреческого философа часто ссылаются при исследовании истоков Deep Learning. | 2 |
9 | Кто предложил генеративные состязательные сети в 2014 году? | 3 |
10 | Периоды 1974—1980 и 1987—1993 годов, связанные с сокращением финансирования и общим снижением интереса к ИИ. | 1 |
11 | Подход, который по мнению ряда исследователей вызвал вторую историческую волну исследований нейросетей в 1980–1995 годах. | 2 |
12 | В июле 2024 года эта модель была признана лучшей китайскоязычной моделью. | 1 |
13 | Соавтор книги «Перцептроны» Паперта. | 2 |
14 | Он вместе с Питтсом предложил одну из первых математических моделей нейрона. | 3 |
15 | Первый автор статьи об архитектуре AlexNet. | 3 |
16 | Текущий период стремительного развития ИИ, который противопоставляют термину «зима ИИ». | 1 |
17 | Базовая логическая модель или ячейка, которую в 1943 году математически описали Мак-Каллок и Питтс. | 1 |
18 | Британский профессор, который в 1973 раскритиковал полную неспособность ИИ достичь своих «грандиозных целей». | 2 |
19 | Исследователь, который вместе с Хинтоном и Лекуном считается одним из трех главных пионеров глубокого обучения. | 3 |
20 | Концепция проверки машинного интеллекта, предложенная Аланом Тьюрингом в 1950 году. | 1 |
21 | Британский математик, логик и криптограф, оказавший существенное влияние на развитие информатики. От его трудов некоторые авторы начинают отсчет истории глубокого обучения. | 1 |
22 | Этот механизм был вынесен в центр архитектуры, описанной в статье «Attention Is All You Need» в 2017 году. | 2 |
23 | Алгоритм обучения многослойных нейросетей, популяризация которого в 1980-е годы способствовала возрождению интереса к нейросетям. | 2 |
24 | Советский ученый в области автоматического управления, кибернетики и математического моделирования, который упоминается в некоторых работах как «отец глубокого обучения». | 3 |
25 | Метод борьбы с переобучением, предложенный в 2014 году и основанный на случайном отключении нейронов. | 2 |
26 | Основоположник кибернетики. | 2 |
27 | Направление ИИ, доминировавшее до распространения глубокого обучения и основанное на правилах и логике. | 2 |
28 | Научное направление, оказавшее большое влияние на раннее развитие искусственного интеллекта. | 1 |
29 | Один из главных популяризаторов многослойных нейронных сетей в конце XX века. | 2 |
30 | Модель искусственного нейрона, предложенная Розенблаттом и ставшая одним из символов раннего машинного обучения. | 2 |
31 | Подход к генерации изображений, ставший одним из крупнейших прорывов начала 20-х годов ХХ века. | 2 |
⭐ | Экстра-вопрос, опубликован в 14:00 в комментариях | 5 |
⭐ | Экстра-вопрос, опубликован в 15:30 в комментариях | 5 |
⭐ | Экстра-вопрос, опубликован в случайное время в комментариях | 5 |
Рейтинг игроков рубрики «История ML и AI»: топ-15
Участник | Баллы | Время (UTC) |
|---|---|---|
60 | 09:09:09.676388 | |
@shmoksik(Победитель первой рубрики. Баллы идут в общий зачет) | 60 | 09:13:31.263133 |
60 | 09:12:13.566361 | |
🎁Александр П | 55 | 09:14:02.364922 |
55 | 09:18:55.326976 | |
55 | 09:26:23.462818 | |
55 | 09:27:49.414779 | |
55 | 09:28:26.908687 | |
55 | 09:33:30.968270 | |
55 | 09:38:01.215965 | |
Вероника Ж | 55 | 09:52:40.204804 |
55 | 09:53:46.689885 | |
Аноним | 55 | 09:55:44.825785 |
55 | 09:59:29.840652 | |
55 | 10:47:47.562439 |
Кроссворд №1. Модели и все, что с ними связано [06.07]
Рубрика закрыта. Но вы можете посмотреть, как это было.
Список вопросов
Номер вопроса | Вопрос | Баллов за верный ответ |
1 | Механизм, позволяющий модели динамически фокусироваться на наиболее важных частях входной последовательности при обработке языка. | 1 |
2 | Графовая структура модели машинного обучения, принимающая решения путем последовательных проверок логических условий. | 1 |
3 | Математическая модель, принцип работы которой вдохновлен устройством биологического мозга. | 1 |
4 | Набор данных, используемый для тренировки или тестирования алгоритма. | 1 |
5 | Флагманская мультимодальная модель от корпорации Google. | 1 |
6 | Инновационная генеративная нейросеть от создателей ChatGPT, способная создавать реалистичные видеоролики по текстовому описанию. | 1 |
7 | Управляющий параметр при генерации, определяющий степень случайности ответов модели. | 3 |
8 | Архитектура, состоящая из кодировщика и декодировщика, часто применяемая для сжатия данных и подавления шума. | 3 |
9 | Какое млекопитающее изображено на логотипе популярной LLM из Китая? | 1 |
10 | Известная французская компания и одноименная языковая модель с открытыми весами. | 2 |
11 | Совокупность методов, добавляющих штрафы к функции потерь, чтобы сделать модель более устойчивой к шуму. | 2 |
12 | Полезные свойства и характеристики данных, которые извлекаются для подачи на вход алгоритму. | 1 |
13 | Популярная задача для текстовых моделей, заключающаяся в создании краткого пересказа длинного документа. | 3 |
14 | Процесс запуска и работы уже обученной модели, когда она делает предсказания на новых, ранее не виданных данных. | 1 |
15 | Популярная архитектура сверточной нейросети для сегментации изображений, форма которой напоминает букву латинского алфавита. | 2 |
16 | Окно памяти языковой модели, определяющее максимальный объем текста, который она способна учитывать при генерации. | 1 |
17 | Заданная метка или категория, которую предсказывает классификатор для входящего объекта. | 2 |
18 | Математический алгоритм, который вычисляет и применяет обновления весов модели в процессе ее обучения. | 1 |
19 | Вектор, указывающий направление наискорейшего возрастания функции потерь, который вычисляется для обновления весов сети. | 2 |
20 | Процесс адаптации уже натренированной большой языковой модели под конкретную узкую задачу с новыми данными. | 1 |
21 | Семейство продвинутых языковых моделей от компании Anthropic, известное своим огромным окном контекста. | 1 |
22 | Внутренние числовые параметры связей между искусственными нейронами, которые корректируются при обучении. | 1 |
23 | Революционная архитектура сверточных сетей, использующая остаточные связи для решения проблемы затухающего градиента. | 2 |
24 | Математическая функция в нейроне, определяющая его итоговый выходной сигнал. | 1 |
25 | Порция данных, обрабатываемая моделью за один шаг обновления весов для оптимизации памяти. | 2 |
26 | Первая модель искусственного интеллекта от компании DeepMind, которая совершила прорыв, победив чемпиона мира в настольную стратегическую игру. | 2 |
27 | Настраиваемые переменные внутри модели, количество которых в современных LLM измеряется миллиардами. | 1 |
28 | Тип генеративных моделей изображений, процесс работы которых основан на пошаговом удалении математического шума. | 3 |
29 | Операция в сверточных нейросетях, предназначенная для уменьшения размерности карт признаков (субдискретизация). | 2 |
30 | Один полный проход алгоритма обучения по всему тренировочному набору данных. | 2 |
31 | Ситуация, когда модель слишком сильно подстраивается под тренировочные данные и теряет способность к обобщению. | 1 |
32 | Совокупность нескольких различных моделей, чьи предсказания объединяются для получения более точного результата. | 2 |
33 | Входной текстовый запрос пользователя, направляющий генерацию ответа. | 1 |
34 | Базовая единица текста, на которые языковая модель разбивает входные данные для математической обработки. | 1 |
35 | Архитектура нейросетей, основанная на механизме внимания, ставшая стандартом для обработки естественного языка. | 2 |
⭐ | Экстра-вопрос, будет опубликован в 14:00 в комментариях | 5 |
⭐ | Экстра-вопрос, будет опубликован в 15:30 в комментариях | 5 |
⭐ | Экстра-вопрос, будет опубликован в случайное время в комментариях | 5 |
Рейтинг игроков рубрики «Модели и все, что с ними связано»: топ-15
Участник | Баллы | Время, UTC |
60 | 09:18:25.449702 | |
60 | 09:36:25.371714 | |
60 | 09:41:10.480704 | |
55 | 09:23:25.460837 | |
55 | 09:32:40.954274 | |
55 | 09:45:12.748672 | |
Александр П | 55 | 09:45:37.386341 |
55 | 09:48:18.631586 | |
55 | 09:51:37.926780 | |
55 | 09:59:35.481161 | |
Аноним | 55 | 10:03:30.696143 |
Marat F | 55 | 10:43:28.839101 |
Константин Б | 55 | 10:46:42.437599 |
55 | 11:17:39.801435 |
Хорошей игры!
