Хакатон URBANCODE: зачем айтишникам соревнования в сфере девелопмента.

Новый опыт, нетворкинг, призовой фонд 800 000 рублей и мерч «Самолета» на любой случай жизни.

Слово «стройка» у многих ассоциируется с разработкой котлованов и установкой свай, но сейчас даже это не обходится без продвинутых технологий. Чтобы показать возможности сферы для молодых IT-специалистов, девелопер «Самолет» вместе с Changellenge >> провели онлайн-хакатон URBANCODE с призовым фондом 800 000 рублей и очным финалом в Москве. В статье рассказываем, для чего участники считали окна строящихся домов и при чем здесь ИИ.

Зачем застройщику нейросети

На всех площадках «Самолета» есть камеры видеонаблюдения. Чтобы узнать, на каком этапе строительства находится тот или иной дом, достаточно взглянуть на монитор. Но что, если посмотреть на возможности съемки шире и добавить щепотку технологий? Уже сейчас девелопер использует ее для контроля за внутренним состоянием квартир, ведет мультикамерный трекинг техники и не только.

В этот раз компания поставила перед участниками хакатона комплексную задачу — написать код на Python для внешней модели, чтобы обучить ее распознавать фотографии со стройплощадок и определять этапы строительства ЖК.

Как проходил хакатон

Для удобства и интереса кейс разделили на две части. В первом туре ребята подбирали модель, которую нужно было научить определять местоположение и степень готовности каждой конкретной ячейки по фотографии фасада здания. Ячейка в данном случае — это видимый с улицы проем будущей квартиры. Он может быть без кладки, с заготовкой под установку будущего окна или уже со стеклопакетом.

Финалистам URBANCODE нужно было сделать их решение эффективнее и удобнее, чтобы интегрировать его во внутренние системы мониторинга. Для этого следовало сопоставить с каждой ячейкой пару чисел (номер этажа, номер вертикали), которая соответствует ее положению на фасаде здания.

«Понятная формулировка кейса, и само задание очень интересное. Кругозор задачи довольно широкий, и нужно было учесть много факторов. Нетривиальная задача, которую не найти в интернете», — поделились впечатлением от кейса участники URBANCODE.

Changellenge >> и «Самолет» все время были на саппорте. Чтобы помочь участникам, проводили вебинары с аналитиками больших данных компании. Они рассказывали, как ML помогает мониторить стройку, оптимизирует внутренние процессы. В Telegram-канале ежедневно отвечали на вопросы и даже запустили конкурс мемов.

Что было на очном финале в Москве

На очном финале хакатона в Москве выступили 13 команд или 55 сильнейших участников. Чтобы как можно больше финалистов оказались в нужном месте, им оплатили перелет и проживание.

Мы организовали крутой ивент с вайбом гаражной вечеринки и постарались передать атмосферу зарождения стартапа. Так, в офисе одной из крупнейших компаний страны в сфере девелопмента появились кастомизированные бочки в цветах «Самолета», неоновые вывески, строительная сетка и заиграли знакомые всем треки.

Здесь прошла не только защита решений. Финалистов ждали интерактивы: URBAN Pong с заданиями, которые надо выполнить здесь и сейчас, айтишный Alias, VR-граффити, а главное, QR-квест по всему пространству с шифром из двоичного кода. Самые активные ребята получили в подарок брендированные подушки для путешествий, пледы, дождевики, рюкзаки и жесткие диски на 265 Гб.

Кто победил и что выиграл

Первое место и 400 000 рублей — у команды VHS. Ребята предложили использовать модель YOLOv8-x. Для улучшения детекции окон они подобрали гиперпараметры и разработали алгоритм, который решает проблему смещения центра окна по вертикали и горизонтали из-за эффекта рыбьего глаза или поворота камеры.

Второе место и 250 000 рублей получила команда Optimal. Участники остановили свой выбор на модели Baseline, разработали алгоритм интерполяции для избежания false negative и пропуска ячейки. Поскольку ИИ сильно ошибался на фотографиях, где дом располагается под углом, использовали проективное преобразование, переводящее здание в перпендикулярное положение.

Третье место и 150 000 рублей достались команде «Агрессия Пуассона». Бронзовые призеры решили уйти от детекции отдельных ячеек и предложили сегментировать горизонтальные и вертикальные пролеты. В результате ребята удешевили процесс, получили точные предсказания и избавились от пропусков единичных ячеек.

Спецприз «За самое глубокое исследование и нестандартный подход» и 100 000 рублей получила команда FAI. Участники выбрали модель, учитывающую положение всех ячеек на изображении. Их идеальным кандидатом стала Transformer Encoder. Ребята интерпретировали ячейки как входные токены. Особенность их решения — отсутствие порядка входных токенов. Для этого они решили просто не добавлять Positional Encoding.

Видео с URBANCODE