<h2 bis_size="{&quot;x&quot;:0,&quot;y&quot;:0,&quot;w&quot;:0,&quot;h&quot;:0,&quot;abs_x&quot;:220,&quot;abs_y&quot;:3998}">Задача</h2>

&nbsp;

В задаче Video Question Answering модели необходимо проанализировать короткие видеофрагменты и представленные к ним вопросы по содержанию и запечатленным&nbsp; событиям и/или действиям, чтобы сгенерировать наиболее подходящие ответы на русском языке. 
&nbsp;

<h2 bis_size="{&quot;x&quot;:0,&quot;y&quot;:0,&quot;w&quot;:0,&quot;h&quot;:0,&quot;abs_x&quot;:220,&quot;abs_y&quot;:3998}">Формат решений</h2>

Решения запускаются в изолированном окружении при помощи Docker. Время и ресурсы во время тестирования ограничены. Ответы, полученные моделью Участника, должны быть сохранены в файл answer.csv, где в колонке &lsquo;answer&rsquo; записан ответ на соответствующий вопрос по каждому видео в порядке их записи в файле public_test_input.csv

&nbsp;

В течение одних суток Участник или Команда Участников может загрузить для оценки не более 5 решений.&nbsp;

Так как решение не имеет доступ к Интернету, все дополнительные данные, например, веса обученной модели, должны быть загружены в контейнер. В качестве примера организаторы предоставляют контейнер для запуска бейзлайн-решения.

&nbsp;

Контейнер с решением запускается в следующих условиях:

<ul bis_size="{&quot;x&quot;:0,&quot;y&quot;:0,&quot;w&quot;:0,&quot;h&quot;:0,&quot;abs_x&quot;:220,&quot;abs_y&quot;:3998}">
<li bis_size="{&quot;x&quot;:0,&quot;y&quot;:0,&quot;w&quot;:0,&quot;h&quot;:0,&quot;abs_x&quot;:220,&quot;abs_y&quot;:3998}">8 ядер CPU</li>
<li bis_size="{&quot;x&quot;:0,&quot;y&quot;:0,&quot;w&quot;:0,&quot;h&quot;:0,&quot;abs_x&quot;:220,&quot;abs_y&quot;:3998}">96 GB&nbsp;RAM</li>
<li bis_size="{&quot;x&quot;:0,&quot;y&quot;:0,&quot;w&quot;:0,&quot;h&quot;:0,&quot;abs_x&quot;:220,&quot;abs_y&quot;:3998}">Видеокарта NVidia Tesla V100</li>
<li bis_size="{&quot;x&quot;:0,&quot;y&quot;:0,&quot;w&quot;:0,&quot;h&quot;:0,&quot;abs_x&quot;:220,&quot;abs_y&quot;:3998}">30 минут на работу решения: 15&nbsp;минут на public часть и 15&nbsp;минут на private</li>
<li bis_size="{&quot;x&quot;:0,&quot;y&quot;:0,&quot;w&quot;:0,&quot;h&quot;:0,&quot;abs_x&quot;:220,&quot;abs_y&quot;:3998}">решение не имеет доступа к ресурсам интернета</li>
<li bis_size="{&quot;x&quot;:0,&quot;y&quot;:0,&quot;w&quot;:0,&quot;h&quot;:0,&quot;abs_x&quot;:220,&quot;abs_y&quot;:3998}">максимальный размер упакованного и распакованного архива с решением: 5гб</li>
<li bis_size="{&quot;x&quot;:0,&quot;y&quot;:0,&quot;w&quot;:0,&quot;h&quot;:0,&quot;abs_x&quot;:220,&quot;abs_y&quot;:3998}">максимальный размер используемого Docker-образа: 10гб</li>
</ul>

<h2 bis_size="{&quot;x&quot;:0,&quot;y&quot;:0,&quot;w&quot;:0,&quot;h&quot;:0,&quot;abs_x&quot;:220,&quot;abs_y&quot;:3998}">Метрика</h2>

Для оценки решений участников будет использована метрика BLEU, которая позволяет сравнить эталонный и предсказанный текст. При этом BLEU оценивает не только соответствие отдельных слов, но и n-грамм, содержащихся в тексте.

Метрика BLEU была изначально предложена для оценки качества машинного перевода, однако она может применяться в любых задачах, в которых необходимо оценить близость двух текстов (при этом, допуская вариативность текстов-кандидатов, что важно в задаче описания видео).

&nbsp;

<h2 bis_size="{&quot;x&quot;:0,&quot;y&quot;:0,&quot;w&quot;:0,&quot;h&quot;:0,&quot;abs_x&quot;:220,&quot;abs_y&quot;:3998}">Baseline</h2>

Вам доступно базовое решение от разработчиков задачи с использованием фреймворка PyTorch.

Пример скрипта для обучения модели приведен по ссылке:

<ol bis_size="{&quot;x&quot;:0,&quot;y&quot;:0,&quot;w&quot;:0,&quot;h&quot;:0,&quot;abs_x&quot;:220,&quot;abs_y&quot;:3998}">
<li aria-level="1" bis_size="{&quot;x&quot;:0,&quot;y&quot;:0,&quot;w&quot;:0,&quot;h&quot;:0,&quot;abs_x&quot;:220,&quot;abs_y&quot;:3998}"><a bis_size="{&quot;x&quot;:0,&quot;y&quot;:0,&quot;w&quot;:0,&quot;h&quot;:0,&quot;abs_x&quot;:220,&quot;abs_y&quot;:3998}" href="https://drive.google.com/file/d/1PN5NmFHZ1VoSH-wQOtPO8Q_ctQmNyOhL/view?usp=share_link">https://drive.google.com/file/d/1PN5NmFHZ1VoSH-wQOtPO8Q_ctQmNyOhL/view?usp=share_link</a></li>
</ol>

Предполагаемый пайплайн работы модели включает в себя следующие этапы: вычисление для входного видео эмбеддингов, которые далее пропускаются через MLP адаптер для GPT декодера и декодер предсказывает ответ. Однако участники вольны предложить собственную архитектуру.

&nbsp;

Сгенерируйте наиболее подходящие ответы

Public

Private

User agreement_en

I have read and agree to the <a href="http://storage.yandexcloud.net/datasouls-ods/CourseFest_1/Docs/UserAgreement.pdf">User Agreement and Privacy Policy</a>

Personal data_en

I give <a href="https://storage.yandexcloud.net/datasouls-ods/CourseFest_1/Docs/Consent.pdf">my consent</a> to &ldquo;Sorevnovaniya Analiza Dannykh&rdquo; LLC to process and share my personal data with event partners for communication purposes

Consent_en

<a href="https://storage.yandexcloud.net/datasouls-ods/CourseFest_1/Docs/Email.pdf">I agree</a> to receive newsletters from Data Analytics Competitions Ltd.

Contest Rules_en

I agree with the <a href="http://storage.yandexcloud.net/ds-ods/files/data/docs/competitions/NTOFINAL2023/RulesNtoFinal2023.pdf">rules of the competition</a>

You have reached the registration page for the Final Artificial Intelligence profile of the National Technology Olympiad 2022/23. When registering, please give your Talent-ID, the same email and the correct name you gave when you registered for the NTO.

email

Email

talentid

Talent-ID

#	Teams (49)	BLEU Score	Last	Entries
1	Градиентное погружение	12.55543	21m	11
2	просто отвага	9.97115	21m	7
3	Пикник доставка	9.80094	21m	3
4	Просто перцы	8.09398	21m	3
5	DEPO Team	7.94866	21m	6
6	Ковровые волшебники	7.94676	21m	6
7	ВИЗАНТИЯ	7.86987	21m	9
8	Сомнительный процент	7.69086	21m	4
9	ПельMEON	7.60511	21m	9
10	CUDA out of memory moment	7.44523	21m	3
11	DROP TABLE Users	7.28686	21m	8
12	Машина прогресса	6.70752	21m	7
13	NeuroTeam	6.6914	21m	7
14	Dataшкольники	6.68581	21m	5
15	My Little Bro	6.67506	21m	11
16	We have called Saul	6.63035	21m	4
17	МифиNet	6.4187	21m	8
18	DeepVision	6.27855	21m	3
19	Кодерские Котлетки	6.26538	21m	1
20	Big Data Big Future	6.25061	21m	3
21	Квантовый Кукеч	5.86818	21m	3
22	Градиентные Пекари	5.61102	21m	7
23	Glamuras Akulas	5.36097	21m	3
24	FitPredict	5.29957	21m	5
25	DSka	5.2782	21m	10
26	Самые Важные Бумажные	5.06394	21m	6
27	TimTech	5.05074	21m	5
28	OutInSiders	5.01167	21m	2
29	Azkaban	4.89651	21m	1
30	FSD	4.88702	21m	2
31	ARTEX	4.88083	21m	5
32	завод кумыса	4.7173	21m	15
33	Нейросетевые оладушки	4.622	21m	8
34	Grandmasters	4.59138	21m	10
35	Brainacs	4.5628	21m	7
36	Betrayers	4.49139	21m	12
37	DejaVu	3.97959	21m	8
38	Just Overfitting	3.36265	21m	8
39	fix sbercloud	3.3589	21m	3
40	Кулхацеры	3.13872	21m	5
41	Andrey Khlopotnukh	3.01266	21m	5
42	Кирки	2.33936	21m	6
43	OverfitNet	1.90215	21m	5
44	Горячие пирожки	1.68723	21m	4
45	работяги а не гении	0.70666	21m	3
46	coffee olgrok	0.54765	21m	2
47	TUSBDT	0.32668	22m	1
48	KON	0.32668	21m	3
49	mrproducer web	0	21m	5