AIntern
AIntern
Cele Programu:
Wzmocnieniem potencjału badawczego w obszarze AI w Polsce.
Zachęcenie organizacji oraz osób indywidualnych do prowadzenia w Polsce badań w obszarze AI.
Łączenie organizacji i osób mających pomysły na projekty badawcze w obszarze AI z osobami poszukującymi projektów, w które mogą się zaangażować.
Jak to działa? W skrócie:
Naukowcy, organizacje, firmy i pasjonaci AI zgłaszają tematy projektów badawczych w obszarze AI oraz warunki współpracy i oczekiwania. Następnie zgłoszenia są selekcjonowane i proponowane praktykantom.
Osoby (np. studenci, doktoranci) zainteresowane praktykami badawczymi w obszarze AI aplikują do programu i wskazują preferowane tematy.
Zgłaszający projekty przeprowadzają rekrutację praktykantów do zespołu.
Praktykanci pod opieką doświadczonych mentorów pracują nad projektami i na koniec programu prezentują rezultaty prac (są również zachęcani do publikacji wyników, np. na arXiv, lub poprzez publicznie dostępne repozytorium). Mogą jednak później kontynuować pracę nad projektami.
Program AIntern jest inspirowany programem QIntern organizowanym przez QWorld w obszarze technologii kwantowych.
W 2025 roku program AIntern składa się z 5 faz:
Faza 1 (19.05-4.06): zgłoszenia projektów
Faza 2 (5-16.06): zgłoszenia praktykantów
Faza 3 (17-30.06): rekrutacja do projektów
Faza 4 (1.07-26.09): praca nad projektami
Faza 5 (27.09): prezentacja wyników
W razie pytań zapraszamy do kontaktu: contact@qaif.org
Projekty wybrane do realizacji w programie AIntern 2025
"Badania architektur autoenkoderów kwantowych"
Mentor: Jacob L. Cybulski (Enquanted, Founder, researcher and consultant)
Opis: Celem tego projektu jest implementacja, ocena i analiza wydajności różnych architektur autoenkoderów kwantowych. Takie autoenkodery będą zastosowane do usuwania szumów z sygnałów i szeregów czasowych.
Oczekiwany rezultat praktyk:
Artykuł naukowy (np. na arXiv)
Repozytorium na licencji open source
Artykuł opisujący implementację i wyniki na medium.com
Oczekiwanie zaangażowanie czasowe praktykantów: 10+ godzin tygodniowo
Czy planowane jest podpisanie umowy? Nie
Czy planowane jest wynagrodzenie? Nie
Przewidywany tryb praktyk: zdalnie
Wymagania: Znajomość technik uczenia maszynowego i obliczeń kwantowych, programowanie w Python, umiejętności używania GitHub, Discord i Overleaf (Latex), praktyczne doświadczenie w korzystaniu z PennyLane byłoby bardzo pomocne, znajomość języka angielskiego.
Dodatkowe informacje: Sprawdź prezentacje: https://jacobcybulski.com/seminars/mod-present.htm (6 Oct 2024, 2-3 July 2024)
2. Nowe podejście do implementacji kwantowych modeli maszynowych typu „reservoir computing"
Mentor: Jacob L. Cybulski (Enquanted, Founder, researcher and consultant)
Opis: Wysoka skuteczność i wydajność kwantowych „modeli rezerwuarowych” jest bardzo trudna do osiągnięcia. Dlatego projekt ten podejmuje praktyczne badania czynników wpływających na jakość takich modeli.
Oczekiwany rezultat praktyk:
Artykuł naukowy (np. na arXiv)
Repozytorium na licencji open source
Artykuł opisujący implementację i wyniki na medium.com
Oczekiwanie zaangażowanie czasowe praktykantów: 10+ godzin tygodniowo
Czy planowane jest podpisanie umowy? Nie
Czy planowane jest wynagrodzenie? Nie
Przewidywany tryb praktyk: zdalnie
Wymagania: Znajomość technik uczenia maszynowego i obliczeń kwantowych, programowanie w Python, umiejętności używania GitHub, Discord i Overleaf (Latex), praktyczne doświadczenie w korzystaniu z PennyLane byłoby bardzo pomocne, znajomość języka angielskiego
Dodatkowe informacje: Modele będące podmiotem tych badań były dyskutowane na tegorocznych warsztatach zorganizowanych przez QuanumAI i QPoland: https://www.qaif.org/events/workshops/qml-workshop-12-13-04-2025. Więcej informacji można znaleźć na GitHub: https://github.com/ironfrown/qml_workshop_intro
3. Biology-inspired artificial neurons with a joint distribution model
Mentor: Dr Jarosław Duda (Uniwersytet Jagielloński)
Opis: While current artificial neural networks like MLP/KAN are focused on one-directional propagation of values, biological can propagate in various directions, and might operate on probability distributions. Artificial neurons with simple model of joint distribution can also switch propagation direction, and directly propagate values or probability distributions - we would like to develop it into practical neural networks, extending on KAN approach. Article: https://arxiv.org/pdf/2405.05097 Intro with simple code: https://community.wolfram.com/groups/-/m/t/3241700
Oczekiwany rezultat praktyk:
Artykuł naukowy (np. na arXiv)
Repozytorium na licencji open source
Oczekiwanie zaangażowanie czasowe praktykantów: zależne od praktykanta
Czy planowane jest podpisanie umowy? Nie
Czy planowane jest wynagrodzenie? Nie
Przewidywany tryb praktyk: hybrydowo
Wymagania: statystyka, podstawy sieci neuronowych
4. 2nd order SGD optimizers with online hessian regression
Mentor: Dr Jarosław Duda (Uniwersytet Jagielloński)
Opis: While neural network training usually uses first order optimizers like ADAM, 2nd order information could essentially speedup the training. There is recent approach for adaptive estimation of 2nd derivatives from online linear regression of processed sequence of gradients - in low dimensions providing much faster convergence than ADAM, the task is to extend it to practical neural network optimizers. Intro with low dimensional implementation: https://community.wolfram.com/groups/-/m/t/2917908
Oczekiwany rezultat praktyk:
Artykuł naukowy (np. na arXiv)
Repozytorium na licencji open source
Oczekiwanie zaangażowanie czasowe praktykantów: zależne od praktykanta
Czy planowane jest podpisanie umowy? Nie
Czy planowane jest wynagrodzenie? Nie
Przewidywany tryb praktyk: hybrydowo
Wymagania: analiza, metody numeryczne, podstawy sieci neuronowych
5. Zastosowanie uczenia maszynowego do wsparcia pracy spedytora w transporcie multimodalnym
Mentorzy: Dr hab. inż. Adam Redmer, Dr Damian Zięba, Dr Paweł Gora, Michał Kutwin + inni pracownicy firmy Necto S.A.
Opis: Planowanie transportu multimodalnego jest złożonym i czasochłonnym procesem – profesjonalni spedytorzy muszą dość dokładnie przewidzieć i wpisać do systemu wartości czasów i kosztów transportu na poszczególnych jego odcinkach, wybrać odpowiednie miejsca dostaw i odbioru, armatora, przewoźnika itp. Wymaga to dużo czasu i jest obarczone ryzykiem popełnienia błędów, które w praktyce mogą być bardzo kosztowne. Firma Necto rozwija oprogramowanie do wspierania pracy spedytora, a aktualnie, w ramach projektu badawczego, prowadzi prace dotyczące zastosowania metod uczenia maszynowego do przewidywania wartości pewnych istotnych cech (takich jak np. koszt czy czas transportu), wykrywania nietypowych zleceń oraz szacowania ryzyka wystąpienia istotnych odstępst wartości rzeczywistych od przewidywanych. Celem stażystów byłaby analiza danych dotyczących rzeczywistych przewozów, trenowanie na ich podstawie odpowiednich modeli, optymalizacja hiperparametrów i analiza wyników. Przez cały okres stażu praktykanci będą mentorowani przez doświadczonych pracowników firmy Necto - naukowców i inżynierów, specjalistów w obszarze uczenia maszynowego oraz spedycji.
Oczekiwany rezultat praktyk:
Artykuł naukowy (np. na arXiv)
Prace badawcze zakończone wdrożeniem
Badania celem rozwiązania problemu praktycznego / biznesowego
Oczekiwanie zaangażowanie czasowe praktykantów: 12+ godzin / tydzień
Czy planowane jest podpisanie umowy? Tak
Czy planowane jest wynagrodzenie? Decyzja zostanie podjęta później
Przewidywany tryb praktyk: zdalnie
Wymagania:
Dobre zrozumienie podstaw uczenia maszynowego
Umiejętność programowania w Python, w tym podstawowego znajomość bibliotek do uczenia maszynowego
Przynajmniej podstawowe doświadczenie w analizie danych i trenowaniu modeli uczenia maszynowego
6. Zastosowanie AI do optymalizacji logistyki
Mentorzy: Przemysław Jamontt (Onyx Sp. z o.o.), Dr Paweł Gora + inni badacze i inżynierowie z firmy Onyx Sp. z o.o.
Opis: Firma Onyx rozwija system do zarządzania transportem, który umożliwia optymalizację procesów logistycznych, łącząc nadawców bezpośrednio z przewoźnikami, eliminując pośredników i redukując koszty. System automatycznie przydziela zlecenia dostępnych pojazdów, uwzględniając takie czynniki jak czas, koszt i dostępność. Wymaga to rozwiązywania problemów optymalizacyjnych, które są NP-trudne - w praktyce do ich rozwiązywania stosuje się algorytmy heurystyczne i metaheurystyczne. W ostatnich miesiącach do rozwiązywania tego typu problemów zaczyna się również stosować duże modele językowe. Głównym celem projektu jest właśnie zbadanie możliwości zastosowania do tego zadania dużych modeli językowych. Drugim celem będzie opracowanie nowych, potencjalnie lepszych, algorytmów heurystycznych i metaheurystycznych. W szczególności: zbadane zostanie w jaki sposób metody AI mogą pomóc w konstrukcji lepszych algorytmów optymalizacyjnych do rozważanych problemów transportowych.
Oczekiwany rezultat praktyk:
Prace badawcze zakończone wdrożeniem
Oczekiwanie zaangażowanie czasowe praktykantów: 20+ godzin / tydzień
Czy planowane jest podpisanie umowy? Tak
Czy planowane jest wynagrodzenie? Tak
Przewidywany tryb praktyk: zdalnie
Wymagania:
Znajomość podstaw uczenia maszynowego
Dobra znajomość algorytmiki, szczególnie algorytmów heurystycznych i metaheurystycznych
Umiejętność programowania w C++ i Python
7. Rozwiązywanie problemu wyboru tras przy pomocy uczenia maszynowego
Mentorzy: Prof. Rafał Kucharski, Dr Paweł Gora i Anastasia Psarou (Uniwersytet Jagielloński)
Opis: W ramach projektu CoEXISTENCE rozważamy sytuację, w której kierowcy-ludzie codziennie podejmują decyzje o trasie, aby dotrzeć do celu tak szybko, jak to możliwe. Istnieją prognozy, że liczba pojazdów autonomicznych (AV) wzrośnie w ciągu najbliższych kilku lat. W takim przypadku decyzje o trasie AV zostaną prawdopodobnie przekazane algorytmom, których celem jest znalezienie najszybszej trasy w aktualnie obserwowanym stanie środowiska. W tym kontekście badamy wykorzystanie wieloagentowego uczenia ze wzmocnieniem (MARL). Poprzez eksperymenty zauważyliśmy, że wiele AV jednocześnie uczących się optymalnych strategii wyboru tras przy użyciu najnowocześniejszych algorytmów MARL może destabilizować ruch w sieci drogowej. Destabilizacja ta występuje albo z powodu zbieżności do suboptymalnych rozwiązań, albo z powodu zbieżności do optymalnych rozwiązań, ale wymagającej dość długiego treningu. W ramach stażu chcemy zbadać powody, dla których tak się dzieje, i sposoby zminimalizowania liczby iteracji potrzebnych do zbieżności do optymalnego rozwiązania. W ramach stażu będzie również możliwe projektowanie i testowanie nowych algorytmów wyboru tras przez AV - będą mogły one być testowane na przygotowanym przez nas benchmarku URB https://arxiv.org/abs/2505.17734
Oczekiwany rezultat praktyk:
Artykuł naukowy
Repozytorium na licencji open source
Oczekiwanie zaangażowanie czasowe praktykantów: 20+ godzin / tydzień
Czy planowane jest podpisanie umowy? Decyzja zostanie podjęta później
Czy planowane jest wynagrodzenie? Decyzja zostanie podjęta później
Przewidywany tryb praktyk: zdalnie
Wymagania:
Doświadczenie w uczeniu maszynowym, podstawowa znajomość bibliotek Python (numpy, pandas, pytorch), znajomość RL może być pomocna, ale nie jest wymagana.
8. Sterowanie sygnalizacją świetlną przy pomocy AI (RL, LLM)
Mentor: Dr Paweł Gora (Fundacja Quantum AI)
Opis: Celem projektu jest badanie metod AI do sterowania sygnalizacją świetlną. Jako TensorCell mamy przygotowane środowisko symulacyjne, w którym możemy testować i porównywać tego typu algorytmy. Głównie będą nas interesować metody typu Multi-agent Reinforcement Learning oraz LLM. Istnieją już publikacje naukowe dotyczące tych podejść, ale widzimy przestrzeń do ich usprawnienia.
Oczekiwany rezultat praktyk:
Artykuł naukowy
Oczekiwanie zaangażowanie czasowe praktykantów: 10+ godzin / tydzień
Czy planowane jest podpisanie umowy? Nie
Czy planowane jest wynagrodzenie? Nie
Przewidywany tryb praktyk: zdalnie
Wymagania:
Dobra znajomość metod uczenia ze wzmocnieniem
Umiejętność programowania w Python
Dodatkowe informacje: strona projektu TensorCell: https://tensorcell.com
9. AI in Intelligent Transportation Systems
Mentor: Dr Paweł Gora (Fundacja Quantum AI)
Opis: Przygotowujemy obecnie książkę "AI in Intelligent Transportation Systems", w której znajdują się m.in. rozdziały dotyczące metod wizji komputerowej dla pojazdów autonomicznych, metod RL do sterowania sygnalizacją świetlną, czy też metod RL do optymalizacji logistyki. Rozdziały te mają charakter prac przeglądowych, podsumowujących stan wiedzy w dziedzinach, których dotyczą. AI rozwija się jednak bardzo szybko, więc celem stażu byłby przegląd najnowszej literatury w tematyce wybranych rozdziałów oraz wsparcie procesu ich aktualizacji i finalizacji. Ostatecznie stażyści mogliby zostać współautorami niektórych rozdziałów. Projekt polecam dla osób zainteresownaych tematyką inteligentnych systemów transportowych, które chcą zdobyć wiedzę na temat najnowszych metod AI stosowanych w tym obszarze.
Oczekiwany rezultat praktyk:
Skończona książka "AI in Intelligent Transportation Systems"
Oczekiwanie zaangażowanie czasowe praktykantów: 10+ godzin / tydzień
Czy planowane jest podpisanie umowy? Nie
Czy planowane jest wynagrodzenie? Nie
Przewidywany tryb praktyk: zdalnie
Wymagania:
znajomość podstaw uczenia maszynowego
zainteresowanie obszarem inteligentnych systemów transportowych
mile widziane jest doświadczenie w przygotowywaniu publikacji naukowych i popularnonaukowych