Zakup usług badawczo-rozwojowych

Usługi doradcze w zakresie działalności gospodarczej, w tym usługi badawcze i eksperymentalno-rozwojowe

Tryb zamówienia	Zapytanie ofertowe
Rodzaj zamówienia	Usługi
Tytuł	Zakup usług badawczo-rozwojowych
Zamawiający	Dostępne dla zalogowanych
Miejsce realizacji	Kraków
Data publikacji	2025-04-18
Data składania ofert	02/05/2025, Godzina 23:59
Dokumenty do pobrania	Dostępne dla zalogowanych
Kod CPV	731000003 Usługi badawcze i eksperymentalno-rozwojowe
Numer przetargu	6203367

<div>
<h1>Zapytanie nr 2/2025 Przedmiotem zam&oacute;wienia jest zakup usług badawczo-rozwojowych obejmujących opracowanie innowacyjnej metody rozpoznawania zakażenia pszcz&oacute;ł wirusem zdeformowanych skrzydeł, kt&oacute;ry atakuje pszczoły dorosłe i czerw pszcz&oacute;ł, poprzez zastosowanie stworzonych na potrzeby badania czujnik&oacute;w IoT wykorzystujących sensory gazu dokonujące pomiar&oacute;w takich parametr&oacute;w środowiskowych w ulu jak CO2, VOC (lotne związki organiczne) a także temperatura, wilgotność.</h1>
<h2>Załączniki</h2>
<ul>
<li><a href="https://bazakonkurencyjnosci.funduszeeuropejskie.gov.pl/api/files/1990512">Zapytanie nr 2/2025 z podpisem kwalifikowanym</a></li>
<li><a href="https://bazakonkurencyjnosci.funduszeeuropejskie.gov.pl/api/files/1990547">Formularz ofertowy do zapytania nr 2/2025</a></li>
</ul>
<h2>Części zam&oacute;wienia</h2>
<h3>Zapytanie nr 2/2025 zakup usług badawczo-rozwojowych</h3>
<strong>Przedmioty zam&oacute;wienia</strong>
<p>Przedmiotem zam&oacute;wienia jest zakup uslug badawczo-rozwojowych obejmujących opracowanie innowacyjnej metody rozpoznawania zakażenia pszcz&oacute;ł wirusem zdeformowanych skrzydeł, kt&oacute;ry atakuje pszczoły dorosłe i czerw pszcz&oacute;ł, poprzez zastosowanie stworzonych na potrzeby badania czujnik&oacute;w IoT wykorzystujących sensory gazu dokonujące pomiar&oacute;w takich parametr&oacute;w środowiskowych w ulu jak CO2, VOC (lotne związki organiczne) a także temperatura, wilgotność. Pomiary te powinny stanowić wsad dla opracowania modeli uczenia maszynowego i algorytm&oacute;w wczesnego ostrzegania przed wystąpieniem zakażenia pszcz&oacute;ł wirusem zdeformowanych skrzydeł. Pr&oacute;cz treningu i implementacji rozwiązań AI, usługa przewiduje wykonanie manualnych inspekcji oraz zapewnienie uli eksperymentalnych, celem zebrania stosownych danych do treningu modeli <br /> i ich walidacji.<br /> Planowane badania w ramach przedmiotu zam&oacute;wienia:<br /> 1. Przygotowanie uli eksperymentalnych <br /> w przystosowanym do tego celu laboratorium, w kt&oacute;rych populacja pszcz&oacute;ł zarażana będzie wirusem zdeformowanych skrzydeł (min. 5 sztuki) oraz ulami zdrowymi (min. 5 sztuki).<br /> <br /> 2. Przeprowadzenie eksperyment&oacute;w polegających na manualnych inspekcjach uli.<br /> <br /> 3. Prowadzenie pomiar&oacute;w w ulach eksperymentalnych, walidacja pomiar&oacute;w wykonywanych przez czujniki IoT (czujniki zostaną dostarczone przez Zamawiającego wraz z instrukcją instalacji).<br /> <br /> 4. Przygotowanie danych pomiarowych z czujnik&oacute;w IoT pod kątem treningu modeli uczenia maszynowego, w tym:<br /> a) Zbieranie danych: Systematyczne gromadzenie danych z czujnik&oacute;w IoT z uli eksperymentalnych<br /> b) Czyszczenie danych: Usuwanie błędnych, niekompletnych lub nieistotnych rekord&oacute;w danych.<br /> c) Normalizacja danych: Zapewnienie, że dane są w jednolitym formacie i skali, co jest kluczowe dla skutecznego treningu modeli.<br /> d) Etykietowanie danych: Oznaczanie danych jako 'zainfekowane wirusem zdeformowanych skrzydeł&rdquo; lub 'zdrowe', na podstawie wynik&oacute;w manualnych inspekcji.<br /> <br /> 5. Implementacja modeli uczenia maszynowego, <br /> w tym:<br /> a) Wyb&oacute;r algorytm&oacute;w: Decyzja o zastosowaniu odpowiednich algorytm&oacute;w uczenia maszynowego, takich jak sieci neuronowe, drzewa decyzyjne, maszyny wektor&oacute;w nośnych itp.<br /> b) Podział danych: Podział danych na zestawy do treningu, walidacji i testowania.<br /> c) Trening modelu: Uczenie modeli na podstawie danych treningowych.<br /> d) Walidacja modelu: Sprawdzenie wydajności modelu na zestawie danych walidacyjnych.<br /> <br /> 6. Ocena dokładności modeli uczenia maszynowego, w tym:<br /> a) Testowanie modelu: Ocena modeli na nieznanym wcześniej zestawie danych testowych.<br /> b) Analiza błęd&oacute;w: Identyfikacja i analiza błęd&oacute;w klasyfikacji.<br /> c) Ocena metryk: Używanie metryk takich jak dokładność, precyzja, czułość, F1-score do oceny wydajności modelu.<br /> <br /> 7. Fine-tuning modeli uczenia maszynowego, w tym:<br /> a) Dostosowywanie parametr&oacute;w: Modyfikacja hiperparametr&oacute;w modelu, np. szybkość uczenia, liczba warstw/węzł&oacute;w w sieci neuronowej.<br /> b) Augmentacja danych: Zwiększenie r&oacute;żnorodności danych treningowych poprzez ich modyfikację lub generowanie nowych przykład&oacute;w.<br /> c) Ponowne treningi: Powt&oacute;rzenie procesu uczenia z ulepszonymi parametrami i/lub danymi.<br /> <br /> 8. Opracowanie wyjaśnialności predykcji modelu <br /> w tym:<br /> a) Globalne interpretacje - wyjaśnienie ważności atrybut&oacute;w na podstawie całego zbioru danych.<br /> b) Interpretacje lokalne - wyjaśnienie decyzji modelu na poziomie pojedynczej predykcji.<br /> <br /> 9. Opracowanie raportu opisującego wyniki w/w prac. </p>
<h2>Kryteria oceny</h2>
<p>Pc=(Cmin/Cc) x Pmax<br /> gdzie:<br /> Pc &ndash; ilość punkt&oacute;w, jakie otrzyma badana oferta za kryterium cena<br /> Cmin &ndash; najniższa cena brutto spośr&oacute;d wszystkich badanych ofert<br /> Cc &ndash; cena brutto oferty badanej<br /> Pmax &ndash; maksymalna ilość punkt&oacute;w, jakie można otrzymać za kryterium cena</p>
</div>