AIdea將產業議題轉換為課堂專題,讓學生踏出學以致用的第一步

為了讓學界更了解產業的需求,AIdea 共創平台與各校AI授課老師合作,將上架的產業議題轉成教學專題,節省安排課堂專題的心力,同時讓學生直接運用真實的產業資料解決產業的議題,踏出學以致用的第一步。

歡迎有興趣的教授與我們團隊連繫admin.AIdea@itri.org.tw

產業議題
  • 直接選取平台現有產業議題
  • 節省設計題目和蒐集資料的時間
自動排名
  • 專題結束,解題成績與排名就完成
  • 具客觀衡量標準,成績評估方便有效
專屬空間
  • 只有修課學生可加入解題
  • 提供議題管理權限,可隨時掌握學生解題狀況
即時評分
  • 學生可即時獲得解題結果
  • 透過評估機制,不斷的調整改進演算法
自訂時程
  • 教授可自訂專題起訖時程,方便有彈性
/ 議題入口 /
學界限定
結束

教育部 / 生醫關聯擷取正式賽 (課程版)

近年來隨著人工智慧技術的蓬勃發展,人工智慧的應用逐漸落實在日常生活周遭。全球性的市場調查諮詢公司 Markets & Markets 預估人工智慧應用的市場將從 2017 年的 160.6 億美元成長到 2025 年的 1,906.1 億美元,年均複合增長率達到 36%。獲益於人工智慧技術的產業包括製造業、金融科技、醫療領域等。這一波人工智慧的發展預期將會在 2022 年為醫療領域帶來79 億 880 萬美金的產值 。主要應用的人工智慧技術包括機器學習、自然語言處理、情境感知以及電腦視覺。其中自然語言處理技術更是在促成智慧醫療領域中扮演最重要的推手,依此技術所開發的各種醫療決策分析系統,如 IBM Watson 等,已經開始蓬勃發展與應用。臺灣醫療技術在世界上頗負盛名,這波的人工智慧技術更是掀起了產官學界一股智慧醫療的風潮。本計畫期望能夠藉由此計畫的推動,在這股即將到來的熱潮中扮演領頭羊的腳色,引領學子在學習人工智慧技術的同時,將其應用到跨領域的生物醫學智慧計算領域。本計畫將以自然語言處理技術為核心,開放競賽語料讓學子能夠將人工智慧技術應用於基礎的臨床醫療病歷資料分析到進階的生物資訊文獻語料,據此培養具備人工智慧、機器學習、自然語言處理與倫理道德素養的專業人才,並期待在本競賽中發展的技術成為臺灣健康資料加值應用中最重要的一環。參與本競賽的學子將可實務的了解分析生物醫學資料的流程與技術,並體現轉譯醫學思維,讓學子能夠了解利用自然語言處理技術將基礎醫學、生物資訊研究,和臨床治療連結的大思維。生物命名實體間的關聯擷取為文獻探勘研究的一大重點,本正式賽會提供人工標註的生醫文件(主要來源:PubMed 文獻摘要),並將資料分為訓練集 Part1、Part 2、建構集(開發集)Part1、Part2 與測試集。正式賽的資料來源以 PubMed 摘要為主,競賽的主要目標為從 PubMed 的生物醫學文獻摘要中辨識和提取具有蛋白質交互作用(Protein-protein Interaction,PPI)資訊之描述句子,並針對所擷取出來具有 PPI 的句子進行評估,確認關聯性的類型(例如:target/regulate/post-translation)。本競賽採用 F1-measure 來評估參賽者在測試語料集上預測結果的正確率。主辦單位將在報名規章公布中包含於釋出競賽相關細則並明訂關聯性類型之規範。參賽對象全國各大專院校在學生(含研究生)。競賽方式及評選辦法本競賽「生醫論文自動分析正式賽」係依據主辦單位所提供之語料集,並經由主辦單位聘僱之生醫領域專家所標註的結果,以 F1-measure 來評比各參賽隊伍的系統效能和名次,詳細辦法說明如下:本競賽有兩種語料集,分別為訓練集(Training Data)及開發集(Development Data)。訓練語料集包括 1. 基因名稱(Gene) 2. 基因對應至 Entrez Gene 資料庫中的編號(Gene ID) 3. 基因與基因之間的關聯類型;而開發集及測試集都是只有標註基因名稱及其編號,並未包含關聯類型。其中訓練集及開發集又分為兩個階段釋出,第一階段僅釋出部分訓練集,第二階釋出完整訓練集。另外,開發集也分為兩階段釋出。1. 第一階段:主辦單位提供約 150 篇經生醫專家標註具有基因名稱、編號及關聯資訊之範例資料集。2. 第二階段:主辦單位將提供 1. 部分訓練集 2. 部分開發集(共約 2,000 篇)及線上評分排名系統(使用 F1-measure 指標評分)。課程學員需從「部分訓練集」中訓練基因交互作用關聯類別分類模型,並以該模型對「部分開發集」進行預測,並上傳「部分開發集」之預測結果至線上評分排名系統,來進一步調校系統效能。參與課程之教師可以依據該分數做為學生學期分數之評估。3. 系統評分:最後仍用 F1-measure 來評估參賽隊伍的系統效能,並公布於 Private Leader Board,委員將以此成績高低為依據評估最後獎金賽名次。

2019-02-28T16:00:00+00:00 ~ 2019-07-01T15:59:59+00:00
學界限定
結束

教育部 / 新聞立場檢索榮譽賽(課程綁定)

具爭議性議題的新聞一直是閱聽人關注與討論的焦點,例如:美國牛肉開放進口、死刑廢除、多元成家等。不論是政治、經濟、教育、兩性、能源、環保等公共議題,新聞媒體常需報導不同的立場。若能從大量的新聞文件裡,快速搜尋各種爭議性議題中具特定立場的新聞,不但有助於人們理解不同立場對這些議題的認知與價值觀,對制定決策的過程而言,也相當有參考價值。參與本競賽之隊伍需開發一搜尋引擎,找出「與爭議性議題相關」且「符合特定立場」的新聞。本競賽網站以網頁連結(Hyperlink)方式,提供國內各大媒體新聞,作為競賽用的資料;本網站亦提供參賽隊伍一些「包含立場和爭議性議題」的查詢題目(例如:「反對學雜費調漲」)以及部分標註資料(例如:「相關」與「不相關」),協助參賽隊伍應用「資訊檢索」及「機器學習」技術於檢索模型的訓練,期望所開發之搜尋引擎能有效找出與「反對學雜費調漲」的相關新聞,並依照相關程度由高至低排列。為了在各大專院校推廣人工智慧技術及應用,本榮譽賽將與校園相關課程(如:機器學習、資訊檢索、自然語言處理等等)綁定,授課教師可利用此競賽作為課程資源,提供修課學生更多實務上的練習。競賽獎狀在「新聞立場檢索榮譽賽」項目前數名的優勝隊伍將獲得教育部頒發獎狀。作品如均未達水準,得由決選評審委員決定從缺,或不足額入選。參賽對象全國各大專院校在學生競賽方式及評選辦法本競賽「新聞立場檢索榮譽賽(課程綁定)」係依據主辦單位提供之語料集建構檢索系統,並經由主辦單位指定之測試查詢題目之搜尋結果,評比各參賽隊伍的系統效能和名次,詳細辦法說明如下:本競賽之主辦單位提供「部分新聞語料庫(NC-1)」、「其測試查詢題目(QS-1)」及「訓練標記語料(TD)」資料,詳述如下:參賽隊伍需從「部分新聞語料庫(NC-1)」中搜索出其對應之「測試查詢題目(QS-1)」的相關文章,每個查詢題目需回傳排名前 300 篇新聞,並上傳搜尋結果至線上排名系統以調校模型效能,一天最多上傳 10 次,該系統使用 ${MAP@300}$ 指標評分,之後會說明 ${MAP@300}$ 的計算方法。主辦單位另提供「訓練標記語料(TD)」,每項標記語料包含「訓練用的查詢題目(QS-t)」、「某篇部分新聞語料庫(NC-1)的新聞」及「該新聞針對查詢題目的相關程度」;其中相關程度分四個等級,分別代表不相關 (0)、部分相關 (1)、相關 (2)、非常相關 (3);「訓練標記語料(TD)」並非「部分新聞語料庫(NC-1)」之完整標記,意即「部分新聞語料庫(NC-1)」的某些新聞可能沒有標記;「測試查詢題目(QS-1)」包含「訓練用的查詢題目(QS-t)」中的 5 個查詢題目。

2019-02-28T16:00:00+00:00 ~ 2019-06-30T15:59:59+00:00