Olimpiada Națională de Inteligență Artificială – Lot 2026

Bine ai venit la Olimpiada Națională de Inteligență Artificială – Lot 2026! Acest document îți explică cum să folosești mediul de lucru pregătit pentru tine.

Pe desktop-ul tău vei găsi un folder numit ONIA. Acesta este spațiul tău principal de lucru și conține toate instrumentele necesare pentru desfășurarea probei.
Pe langă acesta pe durata competiției vă este pus la dispozițue un mediu de lucru Jupyter Notebook care are access la GPU acesibil la https://jupyter.olimpiada-ai.uvt.ro

Important

Pentru o buna functionare, salvati TOATE fiserele de care aveti nevoie in folderul ONIA, doar acesta si subdirectoarele lui pot fi accesate de Jupyter.
Cel mai bine este sa folositi path-uri relative sau daca folosit path-uri absolute, path-ul catre folderul ONIA este /home/jovyan/work de exemplu pentru fisierul test_imports.ipynb path-ul absolut este /home/jovyan/work/test_imports.ipynb

📂 Conținutul folderului ONIA

În interiorul folderului ONIA, vei găsi următoarele resurse:

🌐 Platforma_OAI.url
- Scurtătură către platforma oficială a concursului unde vei găsi subiectele, seturile de date și unde vei încărca soluțiile.
🔗 Open_Jupyter.url
- Lansează mediul de lucru Jupyter Notebook direct în browser. Acesta este locul unde vei scrie și rula codul Python.
💻 Open_in_VSCode.lnk
- Dacă preferi un editor mai avansat, folosește această scurtătură pentru a deschide întregul folder în Visual Studio Code.
📜 README.md
- Conține datele tale de conectare (Token-ul de acces pentru Jupyter) și instrucțiuni pentru configurarea proxy-ului sau depanare.
📓 test_imports.ipynb
- Un notebook de test pentru a verifica dacă toate bibliotecile necesare (PyTorch, Scikit-Learn, Pandas, etc.) sunt instalate corect.

🚀 Cum începi lucrul?

1. Lansarea mediului de lucru

Recomandăm folosirea Jupyter Notebook prin scurtătura Open_Jupyter.url.

Dacă ți se cere un cod de acces (token), acesta se găsește în fișierul README.md din folderul ONIA.
Atenție: Asigură-te că Docker Desktop este pornit (vezi pictograma de lângă ceas) înainte de a accesa link-ul.

2. Verificarea mediului

Deschide fișierul test_imports.ipynb și rulează toate celulele (apasă Shift + Enter). Dacă mesajul final este "SUCCESS: All imports working!", ești gata de start!

3. Accesarea problemelor

Pentru a vizualiza problemele din competiție pe platformă, ți se va cere o parola de acces la subiecte. Pe aceasta o vei primi direct în sala de curs de la supraveghetori.

⚠️ Sfaturi importante

Salvarea datelor: Toate fișierele create sau modificate de tine în folderul ONIA de pe desktop sunt persistente. Salvează-ți munca frecvent aici!
Utilizarea VS Code: Dacă alegi să lucrezi în VS Code, asigură-te că salvezi toate fișierele (scripturi, notebook-uri, date) în interiorul folderului ONIA. Doar acest folder este accesibil din Jupyter. Îți poți crea orâte subfoldere dorești în interiorul lui pentru a-ți organiza munca.
Kernel-ul Jupyter: Dacă Jupyter îți cere să alegi un kernel, selectează întotdeauna Python 3 (ipykernel).

Informare – Resurse NLP disponibile offline

În timpul probei nu există acces la internet. Toate modelele și resursele disponibile sunt deja instalate local și pot fi folosite direct.

1. NLTK (procesare clasică)

Sunt disponibile următoarele resurse pentru limba engleză:

tokenizare (punkt)
stopwords (stopwords)
lematizare (wordnet, omw-1.4)
POS tagging (averaged_perceptron_tagger)
NER / chunking (maxent_ne_chunker, words)

Se pot realiza:

tokenizare
eliminare stopwords
lematizare
POS tagging
Named Entity Recognition (simplu)

2. spaCy

Model disponibil:

en_core_web_sm

Funcționalități:

tokenizare
lematizare
POS tagging
Named Entity Recognition

3. Reprezentări clasice (scikit-learn)

Disponibile fără restricții:

Bag of Words (CountVectorizer)
TF-IDF (TfidfVectorizer)
suport pentru n-grams

Nu necesită descărcări suplimentare.

4. Word Embeddings (Gensim)

Model disponibil:

glove-wiki-gigaword-50

Se pot realiza:

vectori pentru cuvinte
similaritate semantică
embeddings pentru propoziții (prin mediere)

5. fastText

Disponibil pentru:

antrenare modele locale

Nu sunt incluse modele pretrained.

6. Transformers (Hugging Face)

Modele disponibile:

distilbert-base-uncased
MoritzLaurer--DeBERTa-v3-large-mnli-fever-anli-ling-wanli
roberta-large-mnli
all-MiniLM-L6-v2
whisper-small

Se poate folosi pentru:

embeddings de text
feature extraction

Important:

trebuie utilizat în mod offline
nu se pot descărca alte modele

Restricții

Nu este permis:

descărcarea de modele sau date
folosirea altor modele decât cele menționate
accesarea internetului sau a serviciilor externe

Încărcare modele locale cu transformers

Modelele sunt în:

BASE = "/opt/onia/offline_nlp_assets/hf_home/local_models"

Model generic

from transformers import AutoTokenizer, AutoModel

model_path = f"{BASE}/distilbert-base-uncased"

tokenizer = AutoTokenizer.from_pretrained(model_path, local_files_only=True)
model = AutoModel.from_pretrained(model_path, local_files_only=True)

Clasificare / MNLI

from transformers import AutoTokenizer, AutoModelForSequenceClassification

model_path = f"{BASE}/roberta-large-mnli"

tokenizer = AutoTokenizer.from_pretrained(model_path, local_files_only=True)
model = AutoModelForSequenceClassification.from_pretrained(
    model_path,
    local_files_only=True
)

Pentru DeBERTa:

model_path = f"{BASE}/MoritzLaurer--DeBERTa-v3-large-mnli-fever-anli-ling-wanli"

Embeddings cu all-MiniLM-L6-v2

from transformers import AutoTokenizer, AutoModel

model_path = f"{BASE}/all-MiniLM-L6-v2"

tokenizer = AutoTokenizer.from_pretrained(model_path, local_files_only=True)
model = AutoModel.from_pretrained(model_path, local_files_only=True)

Whisper

from transformers import AutoProcessor, AutoModelForSpeechSeq2Seq

model_path = f"{BASE}/whisper-small"

processor = AutoProcessor.from_pretrained(model_path, local_files_only=True)
model = AutoModelForSpeechSeq2Seq.from_pretrained(
    model_path,
    local_files_only=True
)

Pipeline

from transformers import pipeline

model_path = f"{BASE}/roberta-large-mnli"

classifier = pipeline(
    "zero-shot-classification",
    model=model_path,
    tokenizer=model_path,
    local_files_only=True
)

result = classifier(
    "Acest text este despre sport.",
    candidate_labels=["sport", "politică", "tehnologie"]
)

print(result)

Mod offline

import os

os.environ["TRANSFORMERS_OFFLINE"] = "1"

Pentru a accesa documentația pentru transformers în varianta offline puteți folosi help.

Exemplu:

from transformers import AutoTokenizer, AutoModel, pipeline

help(AutoTokenizer)
help(AutoTokenizer.from_pretrained)
help(AutoModel.from_pretrained)
help(pipeline)

Documentație permisă

Core / Limbaj

-⁠ ⁠Python

Calcul numeric și științific

-⁠ ⁠NumPy
-⁠ ⁠SciPy
-⁠ ⁠pandas
-⁠ ⁠Matplotlib
-⁠ ⁠Seaborn

Machine Learning

-⁠ ⁠scikit-learn
-⁠ ⁠CatBoost
-⁠ ⁠joblib
-⁠ ⁠FAISS

Deep Learning

-⁠ ⁠PyTorch

Procesare Limbaj Natural (NLP)

-⁠ ⁠sentence-transformers (SBERT)
-⁠ ⁠NLTK
-⁠ ⁠Gensim

Computer Vision

-⁠ ⁠OpenCV
-⁠ ⁠scikit-image

⁠Pillow (PIL)
Torchvision

Audio

-⁠ ⁠librosa
-⁠ ⁠soundfile

Succes la concurs! 🤖✨

Olimpiada Națională de Inteligență Artificială – Lot 2026

Bine ai venit la Olimpiada Națională de Inteligență Artificială – Lot 2026! Acest document îți explică cum să folosești mediul de lucru pregătit pentru tine.

Important

📂 Conținutul folderului ONIA

În interiorul folderului ONIA, vei găsi următoarele resurse:

🌐 Platforma_OAI.url
- Scurtătură către platforma oficială a concursului unde vei găsi subiectele, seturile de date și unde vei încărca soluțiile.
🔗 Open_Jupyter.url
- Lansează mediul de lucru Jupyter Notebook direct în browser. Acesta este locul unde vei scrie și rula codul Python.
💻 Open_in_VSCode.lnk
- Dacă preferi un editor mai avansat, folosește această scurtătură pentru a deschide întregul folder în Visual Studio Code.
📜 README.md
- Conține datele tale de conectare (Token-ul de acces pentru Jupyter) și instrucțiuni pentru configurarea proxy-ului sau depanare.
📓 test_imports.ipynb
- Un notebook de test pentru a verifica dacă toate bibliotecile necesare (PyTorch, Scikit-Learn, Pandas, etc.) sunt instalate corect.

🚀 Cum începi lucrul?

1. Lansarea mediului de lucru

Recomandăm folosirea Jupyter Notebook prin scurtătura Open_Jupyter.url.

Dacă ți se cere un cod de acces (token), acesta se găsește în fișierul README.md din folderul ONIA.
Atenție: Asigură-te că Docker Desktop este pornit (vezi pictograma de lângă ceas) înainte de a accesa link-ul.

2. Verificarea mediului

Deschide fișierul test_imports.ipynb și rulează toate celulele (apasă Shift + Enter). Dacă mesajul final este "SUCCESS: All imports working!", ești gata de start!

3. Accesarea problemelor

Pentru a vizualiza problemele din competiție pe platformă, ți se va cere o parola de acces la subiecte. Pe aceasta o vei primi direct în sala de curs de la supraveghetori.

⚠️ Sfaturi importante

Salvarea datelor: Toate fișierele create sau modificate de tine în folderul ONIA de pe desktop sunt persistente. Salvează-ți munca frecvent aici!
Utilizarea VS Code: Dacă alegi să lucrezi în VS Code, asigură-te că salvezi toate fișierele (scripturi, notebook-uri, date) în interiorul folderului ONIA. Doar acest folder este accesibil din Jupyter. Îți poți crea orâte subfoldere dorești în interiorul lui pentru a-ți organiza munca.
Kernel-ul Jupyter: Dacă Jupyter îți cere să alegi un kernel, selectează întotdeauna Python 3 (ipykernel).

Informare – Resurse NLP disponibile offline

În timpul probei nu există acces la internet. Toate modelele și resursele disponibile sunt deja instalate local și pot fi folosite direct.

1. NLTK (procesare clasică)

Sunt disponibile următoarele resurse pentru limba engleză:

tokenizare (punkt)
stopwords (stopwords)
lematizare (wordnet, omw-1.4)
POS tagging (averaged_perceptron_tagger)
NER / chunking (maxent_ne_chunker, words)

Se pot realiza:

tokenizare
eliminare stopwords
lematizare
POS tagging
Named Entity Recognition (simplu)

2. spaCy

Model disponibil:

en_core_web_sm

Funcționalități:

tokenizare
lematizare
POS tagging
Named Entity Recognition

3. Reprezentări clasice (scikit-learn)

Disponibile fără restricții:

Bag of Words (CountVectorizer)
TF-IDF (TfidfVectorizer)
suport pentru n-grams

Nu necesită descărcări suplimentare.

4. Word Embeddings (Gensim)

Model disponibil:

glove-wiki-gigaword-50

Se pot realiza:

vectori pentru cuvinte
similaritate semantică
embeddings pentru propoziții (prin mediere)

5. fastText

Disponibil pentru:

antrenare modele locale

Nu sunt incluse modele pretrained.

6. Transformers (Hugging Face)

Modele disponibile:

distilbert-base-uncased
MoritzLaurer--DeBERTa-v3-large-mnli-fever-anli-ling-wanli
roberta-large-mnli
all-MiniLM-L6-v2
whisper-small

Se poate folosi pentru:

embeddings de text
feature extraction

Important:

trebuie utilizat în mod offline
nu se pot descărca alte modele

Restricții

Nu este permis:

descărcarea de modele sau date
folosirea altor modele decât cele menționate
accesarea internetului sau a serviciilor externe

Încărcare modele locale cu transformers

Modelele sunt în:

BASE = "/opt/onia/offline_nlp_assets/hf_home/local_models"

Model generic

from transformers import AutoTokenizer, AutoModel

model_path = f"{BASE}/distilbert-base-uncased"

tokenizer = AutoTokenizer.from_pretrained(model_path, local_files_only=True)
model = AutoModel.from_pretrained(model_path, local_files_only=True)

Clasificare / MNLI

from transformers import AutoTokenizer, AutoModelForSequenceClassification

model_path = f"{BASE}/roberta-large-mnli"

tokenizer = AutoTokenizer.from_pretrained(model_path, local_files_only=True)
model = AutoModelForSequenceClassification.from_pretrained(
    model_path,
    local_files_only=True
)

Pentru DeBERTa:

model_path = f"{BASE}/MoritzLaurer--DeBERTa-v3-large-mnli-fever-anli-ling-wanli"

Embeddings cu all-MiniLM-L6-v2

from transformers import AutoTokenizer, AutoModel

model_path = f"{BASE}/all-MiniLM-L6-v2"

tokenizer = AutoTokenizer.from_pretrained(model_path, local_files_only=True)
model = AutoModel.from_pretrained(model_path, local_files_only=True)

Whisper

from transformers import AutoProcessor, AutoModelForSpeechSeq2Seq

model_path = f"{BASE}/whisper-small"

processor = AutoProcessor.from_pretrained(model_path, local_files_only=True)
model = AutoModelForSpeechSeq2Seq.from_pretrained(
    model_path,
    local_files_only=True
)

Pipeline

from transformers import pipeline

model_path = f"{BASE}/roberta-large-mnli"

classifier = pipeline(
    "zero-shot-classification",
    model=model_path,
    tokenizer=model_path,
    local_files_only=True
)

result = classifier(
    "Acest text este despre sport.",
    candidate_labels=["sport", "politică", "tehnologie"]
)

print(result)

Mod offline

import os

os.environ["TRANSFORMERS_OFFLINE"] = "1"

Pentru a accesa documentația pentru transformers în varianta offline puteți folosi help.

Exemplu:

from transformers import AutoTokenizer, AutoModel, pipeline

help(AutoTokenizer)
help(AutoTokenizer.from_pretrained)
help(AutoModel.from_pretrained)
help(pipeline)

Documentație permisă

Core / Limbaj

-⁠ ⁠Python

Calcul numeric și științific

-⁠ ⁠NumPy
-⁠ ⁠SciPy
-⁠ ⁠pandas
-⁠ ⁠Matplotlib
-⁠ ⁠Seaborn

Machine Learning

-⁠ ⁠scikit-learn
-⁠ ⁠CatBoost
-⁠ ⁠joblib
-⁠ ⁠FAISS

Deep Learning

-⁠ ⁠PyTorch

Procesare Limbaj Natural (NLP)

-⁠ ⁠sentence-transformers (SBERT)
-⁠ ⁠NLTK
-⁠ ⁠Gensim

Computer Vision

-⁠ ⁠OpenCV
-⁠ ⁠scikit-image

⁠Pillow (PIL)
Torchvision

Audio

-⁠ ⁠librosa
-⁠ ⁠soundfile

Succes la concurs! 🤖✨

Lot - Proba 2 - Olimpiada Națională de Inteligență Artificială 2026

Olimpiada Națională de Inteligență Artificială – Lot 2026

Important

📂 Conținutul folderului ONIA

🚀 Cum începi lucrul?

1. Lansarea mediului de lucru

2. Verificarea mediului

3. Accesarea problemelor

⚠️ Sfaturi importante

Informare – Resurse NLP disponibile offline

1. NLTK (procesare clasică)

2. spaCy

3. Reprezentări clasice (scikit-learn)

4. Word Embeddings (Gensim)

5. fastText

6. Transformers (Hugging Face)

Restricții

Încărcare modele locale cu transformers

Model generic

Clasificare / MNLI

Embeddings cu all-MiniLM-L6-v2

Whisper

Pipeline

Mod offline

Documentație permisă

Core / Limbaj

Calcul numeric și științific

Machine Learning

Deep Learning

Procesare Limbaj Natural (NLP)

Computer Vision

Audio

Lot - Proba 2 - Olimpiada Națională de Inteligență Artificială 2026

Olimpiada Națională de Inteligență Artificială – Lot 2026

Important

📂 Conținutul folderului ONIA

🚀 Cum începi lucrul?

1. Lansarea mediului de lucru

2. Verificarea mediului

3. Accesarea problemelor

⚠️ Sfaturi importante

Informare – Resurse NLP disponibile offline

1. NLTK (procesare clasică)

2. spaCy

3. Reprezentări clasice (scikit-learn)

4. Word Embeddings (Gensim)

5. fastText

6. Transformers (Hugging Face)

Restricții

Încărcare modele locale cu transformers

Model generic

Clasificare / MNLI

Embeddings cu all-MiniLM-L6-v2

Whisper

Pipeline

Mod offline

Documentație permisă

Core / Limbaj

Calcul numeric și științific

Machine Learning

Deep Learning

Procesare Limbaj Natural (NLP)

Computer Vision

Audio