W miniony weekend 6-7.12.2025 r. Bydgoszcz gościła HackNation 2025: historyczny, pierwszy w Polsce hackathon wdrożeniowy organizowany przez i dla administracji publicznej. Wydarzenie to połączyło techniczny zapał z potrzebami państwa, a my jesteśmy dumni z udziału i sukcesu studentów naszej Uczelni!
HackNation 2025 zgromadził ponad 1500 programistów pracujących przez 24 godziny nad 16 zadaniami dla kluczowych instytucji.
Dla Wydziału Nauk Ścisłych i Technicznych to wydarzenie było szczególnie ważne:
Liczna Reprezentacja
Uniwersytet Śląski był reprezentowany przez trzy drużyny w skład których weszli studenci kierunków studiów: informatyka, informatyka stosowana oraz data science i sztuczna inteligencja.
Zwycięstwo dla Uniwersytetu Śląskiego
Jedna z naszych drużyn – OneMoreFix w składzie: Wiktoria Zelawska (UŚ), Natalia Balicka (UŚ), Mateusz Parlak (UŚ), Kacper Boś (Politechnika Opolska) i Yurii Holovko (Politechnika Opolska) odniosła spektakularne zwycięstwo w zadaniu dla Ministerstwa Cyfryzacji! Zespół OneMoreFix wygrał zadanie „Odnalezione zguby”, tworząc innowacyjne rozwiązanie problemu. Rozwiązanie to, po implementacji, będzie wspierać samorządy w szybkim (max. 5 kroków) udostępnianiu danych dotyczących rzeczy znalezionych. źródło: ODNALEZIONE_ZGUBY.pdf
Główna wygrana w tym zadaniu to 25 tyś. zł.
Gratulujemy zespołowi OneMoreFix oraz wszystkim studentom UŚ, którzy wzięli udział w tym maratonie! Jesteście dowodem, że nasza pasja przekłada się na realne usprawnienia dla polskiej administracji.
Strona wydarzenia: hacknation.pl
Strona Ministerstwa Cyfryzacji: https://www.gov.pl/web/cyfryzacja
Poznaj drużyny
Relacje zwycięskiej drużyny
Nazwa teamu: OneMoreFix
Nazwa zadania: Odnalezione zguby (Ministerstwo Cyfryzacji)
Członkowie: @Wiktoria Zelawska Uniwersytet Śląski studentka kierunku informatyka – frontend developerka i QA, współtworzyła prezentację rozwiązania, odpowiadając przede wszystkim za dopracowanie warstwy wizualnej slajdów oraz spójność interfejsu prezentowanego przed Jury. Wspierała głównego developera frontendu (@Mateusz Parlak) przy dopracowaniu interfejsu. Koordynowała komunikację z mentorami i organizatorami w obszarze frontendu, regularnie weryfikując zgodność interfejsu z wymaganiami zadania. Angażowała się w testy manualne i scenariusze end-to-end, wychwytując błędy jeszcze przed prezentacją finałową. Wraz ze mną (KB) prezentowała nasz prototyp przed Jury w finale.
@Natalia Balicka Uniwersytet Śląski studentka kierunku informatyka – koordynatorka zadań i QA, współautorka prezentacji – przygotowała jej rdzeń merytoryczny i większość treści, które następnie były rozwijane i dopracowywane wspólnie z @Wiktoria Zelawska. Zajmowała się zbieraniem wymagań i informacji, dbała o jakość i spójność rozwiązania oraz płynny przepływ pracy w zespole. Koordynowała komunikację z mentorami i organizatorami, regularnie weryfikując zgodność rozwiązania z wymaganiami zadania. Angażowała się w testy manualne i scenariusze end-to-end, wychwytując błędy.
@Mateusz Parlak Uniwersytet Śląski student kierunku informatyka – lider frontendu oraz UI/UX designer, zaprojektował intuicyjny proces „5 kroków” dla urzędnika oraz odpowiadał za warstwę wizualną i użyteczność interfejsu. Współtworzył wizję produktu z perspektywy obywatela szukającego zguby oraz urzędnika publikującego dane, a także implementował kluczowe elementy frontendu w oparciu o Next.js i TailwindCSS.
@Holovko Yurii Politechnika Opolska – backend & Python developer, odpowiadał za implementację workera w Pythonie oraz integrację warstwy przetwarzania danych z głównym backendem. Przygotował i testował trzy modele/klasyfikatory AI – do rozpoznawania obiektów na zdjęciach, tłumaczenia z angielskiego na polski oraz czytania/analizy plików PDF – wspierając inteligentne przetwarzanie i wzbogacanie danych o rzeczach znalezionych.
@Kacper Boś Politechnika Opolska – Team Leader, Backend Leader i architekt infrastruktury, odpowiadał za projekt bazy danych oraz implementację głównego backendu, spinając całość rozwiązania technicznie i koncepcyjnie (NGINX, Nest.js, PostgreSQL, Prisma, Docker). Skupiał się na decyzjach architektonicznych, spójności stacku technologicznego i zapewnieniu stabilności rozwiązania. Wraz z @Wiktoria Zelawska prezentował prototyp przed Jury w finale.
Relacja Natalii
O Zespole
W drużynie było 3 liderów: lider organizacyjny – Natalia Balicka, lider techniczny – Kacper Boś i lider zadaniowy – Wiktoria Zelawska. Jako lider organizacyjny połączyłam ze sobą dwa ośrodki akademickie Politechnika Opolska (Kacper Boś i Yurii Holovko, których poznałam podczas innego hackathonu) oraz Uniwersytet Śląski (Natalia Balicka, Wiktoria Zelawska, Mateusz Parlak). Zrobiłam wszystko by każdy członek zespołu pomimo problemów z odległością od miejsca hackathonu i problemu z transportem dotarł na miejsce Hackathonu. Przed Hackathonem zaproponowałam nazwę naszego Teamu na którą drużyna jednogłośnie się zgodziła. Zajmowałam się tworzeniem prezentacji, materiałów wizualnych. Podczas Hackathonu uczyłam się też nowych rzeczy programistycznych i próbowałam wygenerować 50 danych do bazy, pomagałam i dawałam pomysły jak rozwiązać problem by wygenerować plik XML i inne dla naszego systemu , stworzyłam Backlog z zapisem zadań na githubie. Kacper Boś był odpowiedzialny za backend naszego systemu, Yurii Holovko za modele AI, Mateusz Parlak za frontend, Wiktoria Zelawska za przedstawienie prezentacji, przydzielanie zadań, pomoc we frontendzie, dawała pomysły na rozwiązanie problemów w naszym zadaniu. Każdy członek naszego zespołu miał duży wkład w nasz sukces i doprowadzenia tematu do końca. Podczas wydarzenia było bardzo mało czasu na wykonanie trudnego zadania jednak cała drużyna pracowała ciężko podczas zmęczenia i małej ilości snu.
Opis Projektu
Projekt „Odnalezione zguby” to prototyp „jednego okna” dla samorządów, który pozwala w maksymalnie 5 krokach wprowadzić dane o rzeczach znalezionych i udostępnić je w ujednoliconym, maszynowo czytelnym formacie do dane.gov.pl. Urzędnik korzysta z prostego kreatora: wybiera lokalizację i kategorię zguby, uzupełnia opis, datę oraz miejsce znalezienia, opcjonalnie dodaje dane znalazcy, a na końcu zatwierdza podsumowanie. Cały proces jest zaprojektowany pod dostępność (WCAG 2.1), responsywność i prostotę obsługi – bez konieczności posiadania wiedzy technicznej. Stworzyliśmy działającą architekturę opartą o Next.js (frontend), NestJS + PostgreSQL (backend) oraz MinIO do przechowywania plików (JSON i XML). Dodatkowy Python worker z modułem AI analizuje załączone obrazy i PDF-y (wizja, OCR, tłumaczenia), automatycznie proponując kategorię, opis, tagi i miejsce – zwracając ujednolicony JSON, który frontend wstrzykuje w pola formularza. Dane są ostatecznie zapisywane w bazie w spójnym modelu LostItem i wystawiane jako JSON/CSV gotowy do integracji z katalogiem dane.gov.pl oraz zewnętrznymi aplikacjami.
Podsumowanie
Pierwsza edycja HackNation w Bydgoszczy zrobiła na mnie spore wrażenie. Bardzo chętnie będę chciała brać udział w kolejnych tego typu hackathonach. Konkurs był bardzo motywujący i rozwinął moje umiejętności. Uważam, że wspólnie jako drużyna wypełniliśmy rewelacyjnie swoją rolę i z tego powodu odnieśliśmy sukces. W ramach mojej części wygranej planuje zakupić lepszy komputer do rozwijania dalej ciekawych pomysłów i rozwoju.
Relacja Wiktorii
Nasza drużyna podjęła wyzwanie „Odnalezione zguby”. Zadanie polegało ono na zaprojektowaniu rozwiązania wspierającego pracę urzędnika odpowiedzialnego za obsługę zgubionych i odnalezionych przedmiotów (w biurze rzeczy znalezionych). Zadanie skupiało się przede wszystkim na usprawnieniu procesów administracyjnych oraz na automatyzacji czynności, które obecnie są wykonywane ręcznie. Dodatkowym wymogiem było to, aby urzędnik miał jak najprostszy formularz do wypełnienia – tworzył zgłoszenie o znalezionej rzeczy w możliwie jak najkrótszym czasie.
W trakcie hackathonu opracowaliśmy stronę internetową przeznaczoną dla urzędników, która umożliwia szybkie i wygodne dodawanie informacji o znalezionych przedmiotach. System działa w oparciu o pięcioetapowy formularz, który prowadzi urzędnika krok po kroku przez proces rejestrowania zguby, a na końcu automatycznie przesyła dane na odpowiednią stronę gov.pl. Na tej stronie zwykły użytkownik internetu (każdy mieszkaniec Polski) może zobaczyć listę powstałych przez urzędnika rekordów.
Najbardziej innowacyjną częścią naszego projektu było zastosowanie sztucznej inteligencji w dwóch obszarach:
- Rozpoznawanie przedmiotu ze zdjęcia – po dodaniu fotografii AI automatycznie proponuje nazwę przedmiotu, kategorię oraz krótki opis.
- Odczytywanie danych z PDF – jeśli urzędnik posiada dokument opisujący zgubę, system potrafi odczytać kluczowe informacje i samodzielnie uzupełnić formularz.
Dzięki temu cały proces staje się szybszy, mniej podatny na błędy i wymaga mniej powtarzalnej pracy administracyjnej.
Hackaton trwał 24 godziny, co narzucało bardzo intensywne tempo pracy, a 1500 uczestników brało w nim udział. Każdy team wybierał jeden projekt spośród 16 różnych zadań.
Atmosfera wydarzenia była świetna – dużo pozytywnej energii, zaangażowania i otwartości na wymianę doświadczeń. Podczas wydarzenia odbyło się też kilka prelekcji/wykładów na tematy informatyczne oraz komunikacyjne (wykład o tym jak ważna jest mowa przy prezentowaniu projektów). Podczas kodowania odbył się też quiz wiedzy, a parę godzin później chętni zatańczyli belgijkę. Ogromnym wsparciem była dla nas strefa mentorska. W tej strefie znajdowało się kilka osób (mentorów), które służyły nam pomocą i dawały wskazówki jeśli gdzieś zabłądziliśmy. Mentorzy chodzili też po hali i dopytywali jak nam idzie i nad czym jeszcze planujemy pracować. Wszyscy mentorzy byli bardzo otwarci na nas, więc atmosfera była bardzo przyjazna.
Nazwa teamu: OKI
Członkowie: @Oskar Kubisztal Uniwersytet Śląski, @Jakub Łaski Uniwersytet Śląski i @Igor Ćwiertnia Uniwersytet Śląski. Studenci kierunku informatyka stosowana.
Nazwa zadania: Ścieżka prawa (Ministerstwo Cyfryzacji i Grupa Robocza ds. Sztucznej Inteligencji)
Zadanie
Projektem, który wybraliśmy było stworzenie rozwiązania, które pozwoli obywatelom nie tylko śledzić zmiany prawne, ale też aktywnie w nich uczestniczyć. Głównym problemem, z którym musieliśmy się zmierzyć, był trudny, skomplikowany język dokumentów i brak narzędzi, które pozwalałyby obywatelom mieć realny wpływ na kształtowanie prawa.
Przełomowym momentem prac były konsultacje z mentorami Zamiast zgadywać, jak to powinno działać, skonsultowaliśmy nasze założenia bezpośrednio z organizatorami tego zadania: Ministerstwem Cyfryzacji i grupą GRAI. Te rozmowy pozwoliły nam zrozumieć, czego tak naprawdę potrzebuje administracja i jak dostosować naszą aplikację do prawdziwych procedur.
Technologia: Polski AI i prawdziwe dane
Przełomem okazało się spotkanie z mentorami z NASK, od których dostaliśmy unikatowy klucz API do modelu PLLuM w wersji on-premise. To wielka rzecz, bo taki model urzędy mogą instalować na własnych serwerach – dzięki temu jest to w 100% bezpieczne, zgodne z RODO i chroni tajemnice państwowe.
Prawdziwy potencjał
Potencjał projektu zobaczyliśmy jednak na samym końcu, gdy udało nam się podłączyć pod oficjalne API Sejmu. Dzięki temu aplikacja „ożyła” – zamiast na przykładowych danych, zaczęła działać na prawdziwych, aktualnych ustawach, udowadniając, że nasz pomysł jest gotowy do wdrożenia.
Nazwa teamu: inside joke
Członkowie: @Rafał Piechnik Uniwersytet Śląski, @Maciej Zelder Uniwersytet Śląski, @Ivan Maslov Uniwersytet Śląski. Studenci kierunku informatyka stosowana.
Zadanie: Dane bez twarzy (NASK)
Studenci stworzyli model językowy oparty na polskim modelu przetwarzania języka naturalnego HerBERT, którego celem jest wykrywanie i usuwanie z dokumentów wszystkich wrażliwych danych osobowych, które identyfikują daną osobę, przy jednoczesnym zachowaniu treści. Fine-tuning modelu odbył się za pomocą tokenizacji, tagowania BIO danych wejściowych z OCR i parowania ich z odpowiednimi kategoriami danych osobowych.
Końcowy model potrafi rozumieć kontekst zdania, izolować i usuwać dane osobowe oraz zastępować je znacznikami odpowiadającymi im kategorii – nawet jeśli to samo słowo ma różne znaczenia w różnych kontekstach.
Relacja Rafała
Zadanie
Podjęliśmy się zadania stworzenia rozwiązania, które miało „odebrać dokumentom to, co zdradza człowieka, zachowując jednocześnie ich sens i prawdziwość”. Wyzwanie polegało więc na opracowaniu systemu, który potrafi automatycznie, szybko i z bardzo wysoką dokładnością usuwać z tekstów wszystkie dane osobowe, nie naruszając przy tym spójności i znaczenia oryginalnej treści.
Proces tworzenia modelu
Rozwiązaniem, które opracowaliśmy, był model sztucznej inteligencji zdolny do automatycznej anonimizacji danych osobowych w dokumentach tekstowych. Zdecydowaliśmy się oprzeć go na polskim modelu przetwarzania języka naturalnego HerBERT, który został przez nas dostrojony do tego konkretnego zadania.
W procesie fine-tuningu wykorzystaliśmy tokenizację oraz tagowanie BIO, co pozwoliło powiązać dane wejściowe pozyskane z OCR z odpowiednimi kategoriami wrażliwych danych, takimi jak imię i nazwisko, adres, numer telefonu, informacje o stanie zdrowia czy poglądy polityczne. Dzięki temu model nauczył się nie tylko wykrywać te elementy w surowym tekście, ale również rozróżniać ich funkcję w zdaniu – na przykład odróżniać nazwisko osoby od nazwy instytucji czy lokalizacji, albo ocenić, czy dana informacja faktycznie ujawnia tożsamość osoby, czy jedynie stanowi część opisu.
Przykładowo, w zdaniu „Jestem programistą” model rozpoznaje potencjalnie wrażliwy kontekst, podczas gdy w zdaniu „Szukam programisty” poprawnie identyfikuje, że nie dochodzi do ujawnienia konkretnych danych osobowych.
Po uzyskaniu działającego modelu skupiliśmy się na zwiększeniu jego wydajności. Udało się to osiągnąć dzięki zastosowaniu zaawansowanych wyrażeń regularnych, które znacząco przyspieszyły przetwarzanie tekstu. Prostsze rozwiązania nie były wystarczające, ponieważ model miał docelowo współpracować z danymi pochodzącymi z oprogramowania OCR, często zawierającymi błędy i zniekształcenia powstałe podczas skanowania dokumentów.
Dzięki temu podejściu udało się wyeliminować niemal 80% pojawiających się w tekstach numerów telefonów, adresów e‑mail i innych tego typu danych, jeszcze zanim trafiły one do właściwego procesu anonimizacji.
Mentoring
Podczas hackathonu korzystaliśmy ze wsparcia mentorów z NASK, którzy chętnie pomagali nam, gdy napotykaliśmy trudności techniczne. Możliwość współpracy z ekspertami z jednej z czołowych instytucji technologicznych w Polsce była dla nas niezwykle cennym doświadczeniem i pozwoliła znacząco poszerzyć naszą wiedzę praktyczną.
Podsumowanie
Stworzony przez nas model osiągnął wysoką jakość i spełnił założenia zadania, jednak w końcowej klasyfikacji ustąpił miejsca zespołom, których rozwiązania okazały się jeszcze lepsze. Jesteśmy wdzięczni za możliwość udziału w tym wyzwaniu – zdobyte doświadczenie, kontakt z ekspertami oraz praca z prawdziwymi danymi były dla nas bezcenną lekcją rozwoju w dziedzinie sztucznej inteligencji.