Strona: Wyróżnienie dla Koła Naukowego Machine Learning / Wydział Matematyki i Fizyki Stosowanej

Studenci z Koła Naukowego Machine Learning: Piotr Krawiec, Julia Makarska, Vitalii Morskyi, Hubert Stasiowski
(zespół Untitled.ipynb), zdobyli wyróżnienie w kategorii AI w konkursie programistyczno - robotycznym BITEhack,
organizowanym przez Stowarzyszenie Studentów BEST AGH Kraków.

Kolejna edycja konkursu odbyła się w dniach 14-15 stycznia 2023 roku w Klubie Studio, przy AGH w Krakowie.

W tegorocznych zmaganiach wzięły udział dwa zespoły z Koła Naukowego Machine Learning PRz: Irregular expresion (Patryk Gronkiewicz, Damian Kobyliński, Krystian Oleniacz, Mateusz Sygnator) oraz Untitled.ipynb (Piotr Krawiec, Julia Makarska, Vitalii Morskyi, Hubert Stasiowski).
Obydwa zespoły podjęły wyzwanie w kategorii AI: "Promocja eko-energetycznego i eko-przyjaznego stylu życia".
Program stworzony przez zespół Irregular expresion ma za zadanie ostrzegać przed niepotrzebnym zużyciem prądu
w gospodarstwie domowym. Stworzono model wyłapujący anomalie, jak np. aktywność urządzenia, którego w danym
czasie nie używamy. Informacje o niepotrzebnym zużyciu prądu mogą być wysyłane na telefon. Korzystając z urządzeń
typu SMART możliwe jest zdalne sterowanie urządzeniami, w tym wyłączanie sprzętu niepotrzebnie zużywającego energię. Stworzony program może zostać zintegrowany z HomeAssistant od Google.

W ciągu 24 godzin zespół Untitled.ipynb opracował inteligentny licznik energii, który na podstawie pomiarów
dostarczanych przez jeden czujnik, mógłby odczytywać skoki w poborze energii i klasyfikować odpowiedzialne za to
urządzenia. Korzystając z metod uczenia maszynowego licznik oblicza zużycie energii dla poszczególnych urządzeń.
Dzięki zastosowaniu tylko jednego czujnika rozwiązanie byłoby przestępne dla użytkownika i łatwe w montażu.
Aplikacja, domyślnie, mogłaby być obsługiwana z poziomu telefonu. Poprzez swoją intuicyjność, łatwość w użyciu
i odpowiednio wyświetlane statystyki zachęca do bycia eko. Proponowane rozwiązanie mogłoby pomóc w dbaniu
o środowisko poprzez lepsze zarządzanie energią w naszym domu. Dalsza praca nad projektem pozwoli na zwiększenie
dokładności aplikacji. Kod źródłowy projektu jest dostępny na repozytorium Koła ML:
https://github.com/knmlprz/BITEhack-Untitled.ipynb