ai-meetup-lapinfilip

AI Meetup Challenge 2026 – Model učenia najkratšej cesty (GNN)

Tento projekt som vytvoril ako riešenie súťažného zadania AI Meetup Challenge 2026, ktorého cieľom bolo navrhnúť model umelej inteligencie schopný predpovedať najkratšiu cestu medzi vrcholmi A → B v náhodne generovanom váženom grafe.

Model je implementovaný ako grafová neurónová sieť (GNN) trénovaná na synteticky generovaných grafoch. Váhy hrán predstavujú silu spojenia a pre výpočet najkratšej cesty sa transformujú na vzdialenosť podľa vzorca:

distance = 1 / weight

Model sa teda neučí samotný Dijkstrov algoritmus, ale učí sa princíp rozhodovania, ktorý vedie k správnej ceste.

---

Vlastnosti riešenia

• vstup: graf typu networkx.Graph
• výstup: zoznam vrcholov predstavujúcich najkratšiu cestu
• predikcia nevyužíva klasické algoritmy shortest-path
• inferencia funguje len pomocou neurónovej siete
• model funguje na CPU
• testované na nevidených grafoch

---

Spustenie modelu

1. Inštalácia knižníc

pip install networkx numpy torch

2. Použitie modelu

import networkx as nx
from ai_meetup_model.model import ChallengeModel

model = ChallengeModel("ai_meetup_model", device="cpu")

G = nx.Graph()
G.add_nodes_from(list("ABCDEFGHIJ"))
G.add_edge("A","C", weight=0.8)
G.add_edge("C","B", weight=0.4)

print(model.custom_predict(G))

---

Štruktúra repozitára

ai_meetup_model/
 ├── model.pt        # váhy modelu
 ├── config.json     # konfigurácia architektúry
 ├── model.py        # definícia modelu + wrapper
 └── __init__.py

---

Architektúra modelu

Model používa message-passing grafovú neurónovú sieť:

• uzly sú reprezentované embedding vektorom
• hrany prenášajú informáciu pomocou normalizovaných váh
• dekóder rozhoduje o ďalšom kroku cesty
• inferencia postupne skladá cestu greedy stratégiou

---

Poznámka

Cieľom riešenia nebolo prekonať klasické algoritmy, ale ukázať, že neurónová sieť sa dokáže naučiť algoritmické správanie na štruktúrovaných dátach.

---