Студенты должны разработать навык для Яндекс Алисы – интерактивная аудио игра. На жанр и тематику игр нет ограничений, это могут быть как тематические викторины, так и сюжетные квесты с выборами. Игра должна легко управляться голосом.
Примеры игр, которые можно воссоздать
  Морской бой
  Поле чудес
  Аудио-новелла

Требования к результату
В качестве результата требуется представить MVP-приложение — голосовой навык для Яндекс Алисы, представляющий собой интерактивную игру.
Оцениваться будет:
  Комплексность. Множество различных состояний и разветвлений сценария.
  Качество кода
  Удобства и стабильность игры. Нет ситуаций, когда игрок не может понять, что делает не так; нет софтлоков и хардлоков.

Стек технологий

1. Серверная часть: Java 17-21, Spring Boot, Maven

2. База данных (при необходимости): PostgreSQL

Необходимо разработать чат с использованием ИИ на базе современных LLM-моделей

Креативный студенческий проект по преобразованию кампуса через современное уличное искусство и функциональные арт-объекты. Это реальный шанс для студентов раскрыть свой творческий потенциал, привнести в кампус современное искусство и буквально оставить свой автограф на стенах университета.

Номинация 1. Граффити на бетонном заборе у плаца
Задачи
• Разработать концепцию и стиль (например, абстракция, геометрия, мурал, поп-арт и т. д.).
• Создать 3 разных дизайна для секций забора (эскизы от руки + цифровые версии в векторном формате).
• Привязка макета к фото места.
Результат
Эскизы — вручную или цифровые, но итоговые работы — в векторном формате (AI, SVG, PDF). Указать цветовую гамму и техники нанесения. Финансовое обоснование - стоимость граффити (краски, работа художников).

Номинация 2. Малая архитектурная форма (МАФ) «Я люблю университет»
Задачи
• Разработать узнаваемую фотозону с возможностью сидения (например, объемные буквы, арт-объект с надписью).
• Учесть уличные условия: прочность, устойчивость к погоде.
• Выбрать предположительное месторасположения МАФ.
Результат
Эскизы и 3D-визуализацию (можно в SketchUp, Blender или другом ПО).
Чертежи с размерами (для производства).
Схему установки (где именно на территории будет размещена МАФ).
Подготовить привязку к месту (схематичное расположение МАФ на предполагаемом месте).
Финансовое обоснование - сметя на производство МАФ (материалы, работы, монтаж).
Требования к материалам:
Материалы: металл, дерево, бетон или комбинация (должны быть долговечными). Конструкция должна быть безопасной и удобной для фото.

Креативный проект по преобразованию кампуса через современное уличное искусство и функциональные арт-объекты. Это шанс раскрыть свой творческий потенциал для любого студента, наполнить кампус современным искусством!

Номинация 1. Граффити на бетонном заборе у плаца
Задачи
• Разработать концепцию и стиль (например, абстракция, геометрия, мурал, поп-арт и т. д.).
• Создать 3 разных дизайна для секций забора (эскизы от руки + цифровые версии в векторном формате).
• Привязка макета к фото места.
Результат
Эскизы — вручную или цифровые, но итоговые работы — в векторном формате (AI, SVG, PDF). Указать цветовую гамму и техники нанесения. Финансовое обоснование - стоимость граффити (краски, работа художников).

Номинация 2. Малая архитектурная форма (МАФ) «Я люблю университет»
Задачи
• Разработать узнаваемую фотозону с возможностью сидения (например, объемные буквы, арт-объект с надписью).
• Учесть уличные условия: прочность, устойчивость к погоде.
• Выбрать предположительное месторасположения МАФ.
Результат
Эскизы и 3D-визуализацию (можно в SketchUp, Blender или другом ПО).
Чертежи с размерами (для производства).
Схему установки (где именно на территории будет размещена МАФ).
Подготовить привязку к месту (схематичное расположение МАФ на предполагаемом месте).
Финансовое обоснование - сметя на производство МАФ (материалы, работы, монтаж).
Требования к материалам:
Материалы: металл, дерево, бетон или комбинация (должны быть долговечными). Конструкция должна быть безопасной и удобной для фото.

Разработка системы компьютерного зрения для определения типа и количества коробок, размещенных на паллете, на основе анализа изображений, с целью автоматизации проверки готовности паллет к отгрузке роботизированными системами.

Требования к стеку

• Участники могут использовать язык программирования Python или C++.
• Допускается применение любых библиотек обработки изображений (например, OpenCV) или фреймворков машинного обучения (TensorFlow, PyTorch и др.).
• Разрешено использование любых открытых источников информации для реализации решения.
• Подход к решению задачи может базироваться как на классических алгоритмах обработки изображений, так и на методах машинного обучения.

Требования к представлению результата

• Решение должно быть размещено в публичном репозитории GitHub с открытым доступом.
• Структура репозитория:
• Папка images — для загрузки тестовых изображений (содержимое будет заменено при проверке).
• Папка result — для размещения сгенерированного файла result.csv.
• Файл docker-compose.yaml в корне репозитория, обеспечивающий сборку и запуск решения.
• При запуске команды docker-compose up из корня репозитория должен собираться и запускаться Docker-образ, который автоматически обрабатывает изображения из папки images и записывает результаты в result.csv в папке result.
• В корне репозитория должен находиться файл README с описанием шагов для добавления нового типа коробки (например, какие данные для этого нужно собрать и какие части кода дописать).

Внимание! Все что находилось в папке images перед проверкой решения будет удалено проверяющей системой.

Преимущества кейса

• Получение практических навыков разработки систем для реальных производственных задач.
• Развитие компетенций в области обработки изображений и применения современных библиотек и инструментов.
• Создание значимого проекта для профессионального портфолио, демонстрирующего навыки работы с алгоритмами анализа данных и автоматизацией процессов.
• Опыт работы с контейнеризацией.

Необходимо разработать Android - приложение для сбора данных о характеристиках мобильного фотосенсора и технической информации об устройстве. Приложение предназначено для использования исследователями и разработчиками, занимающимися анализом качества мобильной фотографии и созданием алгоритмов машинного обучения для обработки изображений. Особое внимание следует уделить точности сбора данных, оптимизации работы приложения. В рамках данного кейса решается задача автоматизированного сбора эталонных данных для последующего анализа и разработки.

Результат
Требуется разработать MVP (Minimum Viable Product) Android-приложения, способного выполнять ключевые функции сбора данных и отправки их на удаленный сервер. Оцениваться будет как реализованный функционал, так и проработанность архитектуры приложения и возможность масштабирования.

Требования к готовому решению
Рабочий прототип Android-приложения (APK-файл).
Краткая презентация проекта (5-10 минут).
Исходный код приложения (текст файл).
Описание архитектуры и принятых решений (текстовый документ).

Требования к стеку
Приветствуется:

• Kotlin в качестве основного языка программирования.
• Использование современных Android Jetpack-библиотек (например, Coroutines, CameraX (для упрощения работы с Camera2 API, но с сохранением возможности получения RAW), ViewModel, LiveData).
• Использование Gradle Kotlin DSL для сборки проекта.

Рекомендации:

• Использование SOLID принципов при проектировании архитектуры приложения.
• Применение Dependency Injection (например, с помощью Hilt или Dagger).