ASI – GLOBAL AIGENT 2021 RU

Международный конкурс по решению глобальных социальных задач с помощью AI & Data

Дата-комьюнити общается здесь

Решение глобальных социально-экономических задач с применением AI & DATA

Практическое развитие компетенций в государственных органах по управлению, основанному на данных и компетенций в области AI & DATA среди data-сообщества

О конкурсе

Объединение государств, сообществ, владельцев данных, IT- и Data-специалистов с целью внедрения изменений в мире

ASI Global AIGENT предлагает принять вызов

Государства, регионы, сообщества, покажите наши общие проблемы

Корпорации, поделитесь данными, это и ваши победы

Data-сообщество,
ваши знания и компетенции, помогут этому миру стать лучше

Здравоохранение

Сельское хозяйство

Городская среда

Туризм и культура

Образование

Социальная сфера

Государственные услуги

1 этап

2 этап

3 этап

>>>

конкурс задач

конкурс решений

конкурс внедрений

страны, регионы, сообщества, вузы, владельцы данных

все постановщики задач

представители data-сообщества, регионы с фрагментами кода на валидацию

Сбор задач

1 апреля – 30 мая

1

6

19 сентября – октябрь

Отбор решений

2

май

Акселератор задач

3

май – 15 июля

Отбор задач экспертами

4

15 июля – август

Решение задач
Data-хакатоны

5

август – 19 сентября

Решение задач
Мастерская решений

7

ноябрь – январь

Внедрение решений при поддержке экспертов

8

ноябрь – январь

Акселерация решений

9

февраль – март

Отбор внедрений
Подведение итогов конкурса

Задачи для решения

ЗАДАЧИ

Снижение бедности в России и в мире

Выявление загрязнений рек взвешенными веществами в результате россыпной золотодобычи

Сбор и обработка данных по леднику Колка "KOLKA_DATA"

Модель прогноза области поисково-спасательных работ в природной среде

Распознавание химических, математических, физических символов и нот в электронный шрифт Брайля

Future Skills

Создание сервиса автоматического расписания для школы

Подробнее

Машинное обучение сделает измерение бедности точнее, поможет найти ключевые причины его возникновения и приблизит нас к решению проблемы.

Подробнее

Поиск, скачивание, обработка космоснимков и выявление фактов загрязнения рек взвешенными веществами ниже по течению от мест добычи россыпного золота.

Подробнее

Предлагается решить задачу по сбору данных (космические, аэро- и наземных снимки, метеоданные, сейсмические данные), которые лягут в основу дальнейших исследований по разработке математической модели роста ледника и достижения критических параметров.

Подробнее

Для спасения пропавших в лесу время имеет решающее значение, поскольку радиус области поиска все время растет, а шансы на спасение уменьшаются. Добровольцам Спасателям необходимо руководствоваться вероятностной моделью выбора тактики поиска.

Подробнее

Разработка модуля распознавания химического, физического и математического языков, а также символом нотного стана с целью развития модели Angelina Braille Reader

Подробнее

Создание алгоритмов предсказания «навыков будущего» - потенциальных наборов навыков, имеющих высокую значимость для рынков будущего, основанных на доступных открытых данных

Подробнее

Необходим сервис, который смог бы учитывать целый ряд различных факторов при составлении школьного расписания: специфику и вместимость кабинета, загруженность учителей, требования СанПиН, "сложность" предметов, и др.

Все задачи

Запрос на вычислительные
мощности для решения задач

от технологического партнёра
mail.ru cloud solutions

Инструкция

14 команд
прошедших в 3 этап

1 место

WhileTrue (Москва)

Анализ потока посетителей общественных пространств по видео (Омская область)

2 место

Infolabs (Белгородская область)

Создание чат-бота для работы с обращениями граждан (Удмуртская Республика, Республика Бурятия, Санкт-Петербург)

3 место

Futogy (Вологодская область)

Классификация опухолей головного мозга на снимках МРТ (Киргизия)

4 место

FEFU_DAAERlab (Приморский край)

Факторный анализ показателей заболеваемости по направлениям заболеваний в регионах РФ (Приморский край)

5 место

ИМФИТ (Чеченская республика)

Создание сервиса автоматического расписания для школы (Ханты-Мансийский автономный округ - Югра)

6 место

Datanerds (Свердловская область)

Автоматический подбор ответов на обращения граждан (Приморский край, Республика Саха (Якутия)

7 место

Skills Up (Москва)

Получение обоснованного прогнозного баланса трудовых ресурсов региона на основе открытых данных (Челябинская область, Нижегородская область, Псковская область, Республика Хакасия, Санкт-Петербург, Пермский край, Свердловская область, Ярославская область, (Узбекистан)

8 место

Команда пять (Калининградская область)

Выявление с помощью космоснимков загрязнений рек взвешенными веществами в результате россыпной золотодобычи (Москва)

9 место

MirlTeam (Нижегородская область)

Разработка рекомендательной системы помощи врачам при назначении лекарственных препаратов (Нижегородская область)

10 место

Damirko (Республика Татарстан)

Мониторинг использования сельскохозяйственных угодий (Республика Татарстан, Липецкая область, Республика Мордовия, Приморский край, Саратовская область)

11 место

Ускоренная помощь (Омская область)

Оптимизация размещения экипажей скорой медицинской помощи (Рязанская область)

12 место

Тут все просто (Республика Мордовия)

Анализ потока посетителей общественных пространств по видео (Омская область)

13 место

По барабану (Свердловская область)

Анализ потока посетителей общественных пространств по видео (Омская область)

14 место

NA (Волгоградская область)

Факторный анализ показателей заболеваемости по направлениям заболеваний в регионах РФ (Приморский край)

Посмотреть список команд

Задачи для решения

Снижение бедности в России и в мире

Подробнее

Выявление с помощью космоснимков загрязнений рек взвешенными веществами в результате россыпной золотодобычи

Подробнее

Распознавание химических, математических символом и нот в шрифт Брайля

Подробнее

Модель прогноза области поисково-спасательных работ в природной среде

Подробнее

Future Skills

Подробнее

Сбор и обработка данных по леднику Колка "KOLKA_DATA"

Подробнее

Карта доступности для маломобильных групп населения

Подробнее

Критерии оценки решений

Результативность цифрового решения

Результат соответствует критериям успешного решения задачи и подходит Заказчику.

Визуальное оформление и эргономика пользовательского интерфейса

Интерфейс цифрового решения удобен и понятен соответствующим категориям пользователей.

Реализуемость решения

Указаны шаги реализации цифрового решения, ресурсы и данные, необходимые для внедрения.

Решение разъяснено

Присутствует презентация, наличие исходных данных, на базе которых составлено решение.

Готовность цифрового решения

Наличие исходных кодов, компонентов решения, инструкций по их развёртыванию, настройки вычислительных средств и интеграции с другими системами. Наличие программного решения (UI) и/или наличие документации прикладных программных интерфейсов (API).

Общее впечатление о программном продукте

На основании решения можно оценить глубину проработки данных, широту спектра источников данных для создания решения, эффективность подбора и использования технологического стека, глубина проработки архитектуры решения и др.

Тиражируемость

Решение носит универсальный характер, не требует уникальных компетенций и инфраструктурных мощностей для его развёртывания.

Снижение бедности в России и в мире

Одна из целе Всемирного банка покончить с крайней нищетой определяется с точки зрения снижения к 2030 г. уровня бедности в мире ниже 3%. На национальном уровне 193 страны приняли 25 сентября 2015 года в Организации Объединенных Наций Цели устойчивого развития в рамках Повестки дня в области развития до 2030 года. Россия ставит даже более амбициозную цель- сократить к 2024 году уровень бедности в Российской Федерации в 2 раза.

Для достижения поставленных целей мы хотели бы получить решения с использованием AI&BigData в следующих областях:

Создание максимально точного алгоритма по быстрому поиску и определению бедных – точное измерение самого показателя с максимальной декомпозицией характеристик малоимущих.
Определение истинных причин бедности на основе открытых данных из разных источников.
Сопоставление программ бедности стран и регионов с динамикой реальных показателей и определение эффективности мер поддержки/программ/стратегии – мониторинг эффективности мер по устранению бедности.
С учетом текущей ситуации в стране и мире остро встает и вопрос прогнозирования количества бедных. Необходимо построить модель, которая будет прогнозировать количество бедных домохозяйств в регионе в целом - срок 1 год, 2 года, 3 года помесячно.

Перейти к задаче

Распознавание химических, математических, физических символов и нот в электронный шрифт Брайля

Разработанное и представленное Ильёй Оводовым в 2020 году на конкурс World AI&Data Challenge решение Angelina Braille Reader (/digital_solutions_library/social/sol1), получившее главный приз конкурса, требует расширения своей функциональности на обработку математических, физических и химических текстов, а также нот, написанных Брайлем.

Для достижения поставленной цели необходимо разработать модули для каждого из языков, которые подготовят достаточные наборы данных для обучения и тестирования подсистемы оптического распознавания Angelina Braille Reader.

Задача, которую должны решать указанные модули, состоит в том, чтобы выполнить обратное оптическое распознавание из текста в электронный Брайль, на основании которого будут сформированы необходимые для обучения и тестирования размеченные наборы графических изображений.

Предположительно, решение должно состоять из нескольких этапов:

Оптическое распознавание исходных текстов в электронный вид: включающий в себя текст на живом языке и математические формулы, записанные в нотации модуля Math для LibreOffice/OpenOffice или его аналогов (https://libreoffice.readthedocs.io/ru/latest/math.html).
Преобразование электронного текста в электронный Брайль: согласно правилам написания таких текстов.
Рендеринг электронных текстов Брайля в изображения фотографического качества: с разметкой, пригодных для использования решением Angelina Braille Reader.

Перейти к задаче

Модель прогноза области поисково-спасательных работ в природной среде

Для поиска и спасения пропавших в природной среде быстрое реагирование имеет решающее значение, поскольку радиус области поиска увеличивается примерно на 3 км в час, в то время как ожидаемая продолжительность жизни потерявшегося человека уменьшается.

Стараясь найти человека как можно быстрее, руководитель поисково-спасательных работ вынужден тратить много времени на работу с актуальным картографическим материалом. По картам и накопленным геоданным анализируется вероятная скорость проходимости местности в разных направлениях как заблудившимся, так и пешими и моторизованными поисковыми группами. Первоначальная задача заключается и в том, что бы выявить естественные препятствия, ограничивающие зону поисковых работ. По карте выявляются препятствия-границы, за которые данный конкретный человек, двигаясь от точки входа в лес, скорее всего, не перейдет — например, реки, разлившиеся ручьи, глубокие овраги.

Так же выявляются препятствия-ловушки, попытавшись преодолеть которые, человек очень быстро потеряет силы. К такому типу препятствий-уловителей относятся многоэтажные ветровалы и болота. Заблудившийся человек обычно старается двигаться из леса в их сторону, так как со стороны леса, благодаря отсутствию деревьев, и ветровал, и болото выглядят как светлое поле. Которое оказывается ловушкой, вырваться из которой часто не хватает сил.

Что бы найти заблудившегося, руководитель поисково-спасательных работ на реальную карту местности фактически накладывает в своем сознании с карту распределений вероятности.

С ее помощью он решает вероятностную задачу определения высокоприоритетных направлений поиска в каждый момент времени, формируя конкретные маршруты поисковых групп. Постоянно корректирует все задачи, с учетом прошедшего времени, количества и квалификации участников поисков, а так же в соответствии с вновь полученной информацией. Информация постоянно поступает из фотографий и карт сделанных БПЛА, результатов опросов родственников и очевидцев и по всем другим возможным каналам.

В помощь принимающему решения руководителю поисково-спасательных работ, за рубежом были сформированы общедоступные глобальные наборы данных, включающие, в том числе, некоторое количество данных о случаях поиска и спасения, произошедших на территории РФ.

Известны общие геостатистические методы, основанные на расстояниях и объектах поиска, для описания взаимосвязи ареала поиска и времени. Однако вопрос относительно применимости этих обобщенных наборов данных к локальным ситуациям, в которых преобладает конкретная физическая география, для управления общим размером области поиска до конца не решен.

Необходимо найти способ адаптации общедоступного глобального набора данных, характеризующихся значительным географическим разнообразием, к локальной среде с конкретными природными условиями. Полагаем, что в этом поможет анализ накопленных за десять лет работы волонтерского поисково-спасательного отряда тысяч GPS-треков перемещения добровольцев-спасателей в ходе поисковых мероприятий, а так же имеющийся у спасателей доступ к актуальным таксонометрическим картам лесной растительности.

Созданная модель временных затрат на перемещение по местности, должна учитывать влияние антропогенных и ландшафтных особенностей на мобильность субъектов и объектов поисковых мероприятий.

Перейти к задаче

Future Skills

Быстрые изменения в отраслях экономики и в технологиях могут вызвать существенные изменения на рынках труда в ближайшие годы. Бизнес во всём мире может столкнуться с рисками, вызванными недостатком квалифицированных кадров. Университеты, не понимая реальные потребности рынка, могут ошибаться в объёме и качестве подготовки кадров и люди вынуждены заниматься переобучением и переподготовкой, не видя реальных потребностей.

Государства при формировании образовательной и кадровой политики должны максимально точно понимать потенциальные перспективы развития рынка труда. Поэтому, сообщества, организации и люди нуждаются в систематическом определении профессий будущего и навыков, которые будут востребованы на рынке труда.

Задача состоит в том, чтобы при помощи технологий ИИ и аналитики данных решить задачи в следующих областях:

Создание алгоритмов предсказания «навыков будущего» (потенциальных наборов навыков, имеющих высокую значимость для рынков будущего), основанных на доступных открытых данных (в т.ч., kaggle, google dataset search, job search, hh, Linkedin и других)
Алгоритмы предсказания технологий будущего на основе сканированных научных статей и патентов, которые определяют формирующиеся технологические тренды
Алгоритмы предсказания возникновения «подрывных» технологий. Предсказание эволюционных путей новых технологий в существующих или появляющихся сферах на рынке
Алгоритмы предсказания «хайповых» технологий (могут с высокой вероятностью стать «следующими крупными явлениями», временно перегретыми потребностью в специфических технологиях и навыках)

Говоря «навыки будущего», мы подразумеваем:

а. Навыки, связанные с «подрывными технологиями» (быстро меняющихся, новых и появляющихся навыках, связанных с такими технологиями и инструментарием)

б. Развивающимися профессиональными навыками (навыки, которые, вероятно, будут меняться в течение 5-7 лет)

в. Возникновение грамотности (наборы требуемых знаний и навыков, связанных с конкретными видами взаимодействий или активностей)

г. Soft skills (фокус на наиболее важных Soft skills)

д. Навыки, связанные с «хайповыми» тенденциями

Перейти к задаче

Сбор и обработка данных по леднику Колка "KOLKA_DATA"

20 сентября 2002 г. в Северной Осетии в бассейне реки Геналдон произошла масштабная гляциальная катастрофа. Более 140 млн м3 льда, воды и камней были сброшены из цирка ледника Колка в Кармадонскую котловину и преодолели почти 20 км за 5,5 минуты. Скорость лавинообразного потока достигала 360 км/ч. Теснина Скалистого хребта остановила ледяную массу, но порожденный ею дистальный селевой поток прошел еще 17 км и не дошел всего 2 км до селения Гизель с населением более 7 000 чел.

Это событие стало полной неожиданностью для населения и органов власти. По последним оценкам, погибло более 120 чел., в том числе съемочная группа Сергея Бодрова, а экономический ущерб составил около 1 385 млн руб.

Для прогнозирования возможных природных катастроф в долине р. Геналдон требуется проводить регулярный мониторинг ледника Колка.

В рамках данного кейса предлагается решить задачу по сбору данных (космические, аэро- и наземные снимки, метеоданные, сейсмические данные, солнечная активность, конфигурация озонового слоя, приливные волны, неравномерность вращения Земли), которые могли бы лечь в основу дальнейших исследований по разработке математической модели роста ледника и достижения критических параметров, позволяющей прогнозировать и предупреждать о подобного рода катастрофах.

Системный подход к сбору, обработке и хранению данных позволит расширять данную технологию на другие горные территории и расширит диапазон прогнозируемых катастроф (сели, оползни, лавины и др.)

Задачи:

Сбор данных: космические, аэро- и наземные снимки, метеоданные, сейсмические данные, солнечная активность, конфигурация озонового слоя, приливные волны, неравномерность вращения Земли
Разработка инфраструктуры данных
Обработка данных и определение динамики изменения объема ледника
*Прогнозирование схода ледника (предполагаемое время схода, вероятность угрозы)
* Поскольку событие является уникальным и катастрофические сходы происходили в 1902 и 2002 годах точность прогноза на данном этапе будет оценить сложно (поэтому допускается также использование мировых данных по ледникам для предварительного обучения моделей и демонстрации работы системы – например США, Швейцария, Аляска)

Географические координаты ледника Колка: 42°43′48″ с. ш. 44°26′08″ в. д.

Перечень и ссылки на источники данных:

Космические снимки (https://sentinels.copernicus.eu/web/sentinel/home и другие)
Сейсмические данные (оперативные сейсмические данные и сейсмические каталоги) (Геофизическая служба РАН http://www.ceme.gsras.ru, European-Mediterranean Seismological Centre https://www.emsc-csem.org/, Institute of Earth Sciences and National Seismic Monitoring Centre ( Georgia) https://ies.iliauni.edu.ge/?page_id=183&lang=en ). Предполагается рассматривать сейсмическую активность в радиусе 100 км, а также все землетрясения магнитудой более 6.
Метеорологические данные (Росгидромет http://meteo.ru/data
Солнечная активность (http://www.sidc.be/silso/datafiles )
Конфигурация озонового слоя (World Ozone and Ultraviolet Radiation Data Centre https://woudc.org )
Приливные волны, неравномерность вращения Земли (International Earth rotation and Reference systems Service https://hpiers.obspm.fr/eop-pc/index.php ).

Экспертную поддержку будут оказывать Геофизический институт Владикавказского научного центра РАН и кафедра геофизики и геоинформатики Северо-Осетинского государственного университета им. К.Л. Хетагурова.

Перейти к задаче

Видеозаписи вебинаров с экспертами в AI & Data

Все видео

Попечительский совет

Российские эксперты

Международные эксперты

Региональные эксперты

Команда конкурса

Попечительский совет

Дмитрий Чернышенко

Заместитель Председателя Правительства Российской Федерации, Председатель Попечительского совета Конкурса

Светлана Чупшева

Генеральный директор АНО «Агентство стратегических инициатив по продвижению новых проектов», Заместитель Председателя Попечительского совета

Андрей Никитин

Губернатор Новгородской области

Эдуард Лысенко

Министр Правительства Москвы, руководитель Департамента информационных технологий города Москвы

Максим Паршин

Заместитель Министра цифрового развития, связи и массовых коммуникаций Российской Федерации

Павел Малков

Руководитель Федеральной службы государственной статистики

Павел Шевцов

Заместитель руководителя Россотрудничества

Анна Серебряникова

Президент Ассоциации больших данных

Владислав Федулов

Заместитель Министра экономического развития Российской Федерации

Иван Бегтин

Директор, учредитель АНО «Информационная культура»

Василий Буров

Соучредитель АНО «Информационная культура», основатель WikiVote!

Игорь Алексеев

Директор по взаимодействию с государственными органами и корпоративным отношениям ООО «Яндекс»

Максим Еременко

Вице-президент, директор департамента развития искусственного интеллекта и машинного обучения ПАО «Сбербанк»

Хачатур Помбухчан

Генеральный директор ПАО «МегаФон»

Владимир Габриелян

Первый заместитель генерального директора ООО «Mail.ru.group»

Артем Засурский

Вице-президент, руководитель Департамента стратегии АФК «Система»

Рено Селигманн

Директор и постоянный представитель Всемирного банка в Российской Федерации, Европе и Центральной Азии

Нина Яныкина

Генеральный директор АНО «Университет Национальной технологической инициативы 2035»

Константин Романов

Директор по продуктам и технологиям больших данных Билайн

Руслан Ибрагимов

Член Правления- Вице-президент по взаимодействию с органами государственной власти и связям с общественностью ПАО «МТС»

Максим Шерейкин

Советник генерального директора АО «Почта России»

Олег Качанов

Заместитель Министра цифрового развития, связи и массовых коммуникаций Российской Федерации

Константин Калинин

Руководитель АНО «Аналитический центр при Правительстве РФ»

Российские эксперты

Владимир Авербах

Старший управляющий директор-начальник управления национального развития AI ПАО «Сбербанк»

Андрей Ярыгин

Исполнительный директор центра индустриальных внедрений AI ПАО «Сбербанк»

Станислав Ашманов

Генеральный директор компаний «Наносемантика», «Нейросети Ашманова»

Елена Бочерова

Исполнительный директор Акронис Инфозащита

Алексей Драль

Основатель компании Big Data Team

Марина Жунич

Директор по взаимодействию с органами государственной власти компании «Google Россия»

Алексей Натёкин

Основатель сообщества ODS

Александр Ханин

Вице-президент по искусственному интеллекту ПАО «МТС»

Виктор Кантор

Директор центра Big Data ПАО «МТС»

Аркадий Сандлер

Эксперт в AI&Data

Артур Хачуян

Генеральный директор Tazeros Global Systems

Алёна Дробышевская

Руководитель направления развития сервисов машинного обучения Яндекс Облако

Павел Белоусов

Заведующий кафедрой Национального исследовательского ядерного университета «МИФИ» Обнинского института атомной энергетики (ИАТЭ) (Worldskills Russia)

Дмитрий Онтоев

Начальник аналитического управления ГКУ «Инфогород»

Ярослав Еферин

Эксперт Глобальной практики цифрового развития Всемирного банка

Дмитрий Сошников

Ведущий эксперт по AI и машинному обучению компании Microsoft

Иван Ямщиков

Директоро по стратегии школы Skillfactory

Евгений Несвижский

Руководитель по развитию больших данных и финансовых услуг ПАО «Вымпелком» (Билайн)

Леонид Чёрный

Операционный директор oneFactor

Алексей Малеев

Проректор по международным программам и цифровым инновациям Московского физико-технического института (МФТИ)

Алексей Белоусов

Руководитель сервиса Рекомендаций по шагу развития АНО «Университет Национальной технологической инициативы 2035»

Владимир Новоселов

CIO группы компаний Realweb

Лёля Жвирблис

Руководитель группы исследований Mos.ru

Алексей Нейман

Исполнительный директор НО «Ассоциация участников рынка данных»

Ольга Пархимович

Руководитель проектов АНО «Информационная культура», куратор проектов «Госзатраты»

Елена Гоголева

Эксперт Промсвязьбанк

Александр Мамаев

Руководитель группы анализа данных Mail.ru Group

Алексей Шпильман

Руководитель программ развития технологий и инструментов искусственного интеллекта Центр разработки и монетизации данных ПАО «Газпром Нефть»

Сергей Большаков

Директор по корпоративным вопросам и работе с государственными органами в странах СНГ Microsoft

Виталий Щербаков

Директор по управлению данными Мегафон

Международные эксперты

Амит Гупта

Генеральный директор Ecosystm (Сингапур)

Рандип Судан

Основатель Multiverz (Сингапур)

Ульрих Лоффлер

Операционный директор Ecosystm (Сингапур)

Кристин Лю

Руководитель отдела закупок партнеров в RecruiterPal, (Сингапур)

Сарвар Абдуллаев

Доцент Университет Инха (Узбекистан)

Тревор Монро

Старший операционный директор, Аналитики данных и инструментов Группы Всемирного Банка (США)

Рэйчел Халсема

ИТ-Специалист, Эксперт Информационных и технологических решений Всемирного банка (США)

Самуэль Фрейе-Родригес

Экономист Глобальной практики по вопросам борьбы с бедностью Всемирного банка (США)

Тимур Бакибаев

Профессор «Алматы Менеджмент Университет» (Казахстан)

Ку Сенменг

Старший заместитель директора по инновациям в ИИ, AI Singapore

Арнольд Дорей

Исполнительный директор Terra AI, Terra Weather (Сингапур)

Сэмюэль Ванг

Главный аналитик данных Terra AI, Terra Weather (Сингапур)

Региональные эксперты

Артемчук Михаил Васильевич

Директор центра информационных и образовательных технологий

ФГБОУ ВО Амурский государственный университет (АмГУ)
Амурская Область

Эрман Евгений Анатольевич

Заместитель директора филиала-Директор по прикладным проектам Астраханского филиала

ПАО Ростелеком
Астраханская область

Кравец Алла Григорьевна

Профессор кафедры САПРиПК ВолгГТУ

ФГБОУ ВО ВолгГТУ
Волгоградская область

Веснин Евгений Николаевич

Технический директор

Малленом Системс
Вологодская область

Григорьев Станислав Валентинович

Руководитель Центра компитенций по анализу и управлению на основе данных, заместитель директора Института информаионных технологий и анализа данных, доцент ИТ, кандидат наук

Иркутский национальный исследовательский технический университет
Иркутская область

Крыжевич Леонид Святославович

И.о. зав. кафедрой информационной безопасности

КГУ
Курская область

Головачев Владимир Владимирович

Ведущий эксперт

DataLab
Москва

Филимонов Андрей Викторович

Доцент

Мосполитех
Московская область

Филиппович Андрей Юрьевич

Декан ИТ-факультета

Мосполитех
Московская область

Кугаевских Александр Владимирович

Доцент каф. КТ

НГУ
Новосибирская область

Терещенко Сергей Николаевич

Заведующий кафедрой, директор центра машинного обучения

НГУЭУ
Новосибирская область

Орел Егор Олегович

Аспирант

Новосибирская область

Сиганов Илья Дмитриевич

Разработчик, специалист по ML

7bits
Омская область

Хаптахаева Наталья Баясхалановна

Начальник отдела подготовки кадров высшей квалификации

ФГБОУ ВО Восточно-Сибирский государственный университет технологий и управления
Республика Бурятия

Тимофеев Александр Николаевич

Генеральный директор

ООО "СибДиджитал"
Республика Бурятия

Неукрытый Андрей Валериевич

Руководитель

НАЦЭ
Республика Крым

Сокольников Антон Анатольевич

Data Solutions Architect

Mars Inc.
Республика Мордовия

Хорошко Максим Болеславович

Директор

Веб-студия "Сокол"
Ростовская область

Кумова Светлана Валентиновна

Директор центра компьютерной графики и технологий мультимедиа, доцент

Саратовский государственный технический университет
Саратовская область

Зобнина Татьяна Васильевна

Старший аналитик-разработчик систем машинного обучения

Naumen
Свердловская область

Артюгин Олег Юрьевич

Директор проектов

Сбербанк
Свердловская область

Чернышов Юрий Юрьевич

К.ф.-м.н., доцент кафедры "Информационные технологии и защита информации"

УрГУПС, Исследователь в ГК "УЦСБ"
Свердловская область

Соломонов Дмитрий Владимирович

Доцент кафедры информационной безопасности автоматизированных систем Института информационных технологий и телекоммуникаций Северо-Кавказского федерального университета

СКФУ
Ставропольский край

Гапич Александр Эрикович

Заместитель директора по научной работе, доцент кафедры социологии Института образования и социальных наук Северо-Кавказского федерального университета

СКФУ
Ставропольский край

Федоров Дмитрий Алексеевич

Доцент кафедры ИВТ, зам. директора политехнического института

БУ ВО СурГУ
ХМАО - Югра

Павлов Сергей Игоревич

Старший преподаватель

БУ ВО СурГУ
ХМАО - Югра

Сенцов Андрей Сергеевич

Начальник отдела ERP систем и докментооборота

Уралэнергосбыт
Челябинская область

Наумов Денис Владимирович

Первый проректор