مسابقه LlamaCon Hackathon که یک گردهمایی هوش مصنوعی برای توسعه دهندگان سراسر جهان بود، با شکوه در سانفرانسیسکو به پایان رسید. این رویداد بیش از 600 ثبت نام کننده را به خود جذب کرد و در نهایت 238 توسعه دهنده و نوآور با استعداد گرد هم آمدند تا یک روز کامل را به ساخت پروژه اختصاص دهند. چالش این بود که در یک بازه زمانی محدود 24 ساعته، با استفاده از Llama API، Llama 4 Scout یا Llama 4 Maverick (یا هر ترکیبی از این ابزارهای پیشرفته) یک پروژه قابل ارائه ایجاد کنند.
جایزه های این مسابقه بسیار ارزنده بود و مجموعاً 35000 دلار جایزه نقدی برای برندگان در نظر گرفته شده بود، که شامل جایزه اول، دوم و سوم، و جایزه "بهترین استفاده از Llama API" می شد. هیئت داوران متشکل از نمایندگان متا و شرکای حامی، 44 پروژه ارائه شده را با دقت ارزیابی کرد.
ما صمیمانه از شرکای خود Groq، Crew AI، Tavus، Lambda، Nebius و SambaNova برای حمایت ارزشمندشان در طول هکاتون قدردانی می کنیم. هر یک از حامیان اعتبارات استفاده، کارگاه های آموزشی توسط سخنرانان متخصص، مربیگری، غرفه های پرسش و پاسخ در محل، داوران و پشتیبانی از راه دور در Discord ارائه می دادند.
لیست برندگان
پس از دو دور داوری، ما شش پروژه برتر را از بین 44 پروژه ارسالی انتخاب کردیم و در نهایت نفرات اول، دوم، سوم و برنده جایزه بهترین استفاده از Llama API را مشخص کردیم.
OrgLens – جایزه اول
OrgLens یک سیستم تطبیق متخصص مبتنی بر هوش مصنوعی ایجاد کرده است که شما را به متخصصین مناسب در سازمانتان متصل می کند. OrgLens با تجزیه و تحلیل داده ها از منابع مختلف، از جمله وظایف Jira، کد و مسائل GitHub، اسناد داخلی و رزومه ها، گراف دانش جامع و پروفایل دقیق برای هر مشارکت کننده ایجاد می کند. این به شما امکان می دهد با استفاده از قابلیت های جستجوی پیشرفته مبتنی بر هوش مصنوعی، متخصصان را جستجو کنید یا حتی با دوقلوهای دیجیتالی افراد تعامل داشته باشید و قبل از تماس با آنها سوال بپرسید. برای نشان دادن عملکرد خود، یک برنامه وب دمو با استفاده از React، Tailwind و Django ساخته شده است که از GitHub API و Llama API برای پردازش و ذخیره داده ها استفاده می کند. OrgLens تطبیق متخصصان را ساده می کند و یافتن افراد مناسب برای کار را آسان تر می کند.
با دقت بیشتری به نوآوری OrgLens می پردازیم، این سیستم تنها یک سیستم تطبیق متخصص نیست، بلکه یک شتاب دهنده برای اشتراک دانش و همکاری در داخل سازمان است. این سیستم با زیرکی از قدرت هوش مصنوعی بهره می برد تا جزایر اطلاعاتی را از بین ببرد و تخصص های پنهان در گوشه و کنار سازمان را به هم متصل کند. تصور کنید، وقتی در یک پروژه پیچیده با مشکلی روبرو می شوید، دیگر نیازی به جستجوی بی هدف در ایمیل ها و اسناد داخلی ندارید، بلکه از طریق OrgLens می توانید به سرعت همکارانی با تجربه و مهارت های مرتبط پیدا کنید و مستقیماً با "دوقلوهای دیجیتالی" آنها برای برقراری ارتباط اولیه تعامل کنید. این امر بدون شک بهره وری و سرعت حل مسئله را تا حد زیادی افزایش می دهد. مزیت اصلی OrgLens در توانایی آن در استخراج و تجزیه و تحلیل عمیق داده ها نهفته است. این سیستم نه تنها می تواند داده ها را از پلتفرم هایی مانند Jira و GitHub جمع آوری کند، بلکه می تواند اسناد و رزومه های داخلی را نیز تجزیه و تحلیل کند و در نتیجه یک گراف دانش جامع ایجاد کند. این گراف دانش نه تنها شامل مهارت ها و تجربه کارمندان است، بلکه مشارکت ها و تعاملات آنها را در پروژه های مختلف نیز ثبت می کند. از طریق این گراف دانش، OrgLens می تواند به طور دقیق متخصصان مناسب برای یک کار خاص را شناسایی کرده و آنها را به افرادی که به کمک نیاز دارند، توصیه کند. علاوه بر این، OrgLens بر تجربه کاربری نیز تمرکز دارد. این سیستم رابط وب بصری و آسانی را ارائه می دهد که کاربران می توانند از طریق جستجوی کلمات کلیدی یا استفاده از فیلترهای پیشرفته برای یافتن متخصص مناسب استفاده کنند. علاوه بر این، ویژگی "دوقلوی دیجیتالی" به کاربران امکان می دهد سوالات مقدماتی را بپرسند و پاسخ های سریع دریافت کنند، که باعث صرفه جویی در وقت متخصص و جستجوگر می شود. OrgLens با ادغام هوش مصنوعی در فرآیند تطبیق متخصص، این پتانسیل را دارد که روش مدیریت و استفاده شرکت ها از منابع استعداد داخلی خود را متحول کند و منجر به بهبود همکاری، نوآوری و عملکرد کلی شود.
موفقیت OrgLens در این است که مشکل مدیریت دانش رایج در داخل شرکت ها را حل می کند. بسیاری از شرکت ها با مشکلاتی مانند پراکندگی مهارت های کارکنان و دشواری دسترسی به اطلاعات روبرو هستند که منجر به اتلاف منابع و کاهش کارایی می شود. OrgLens با اتوماسیون فرآیند تطبیق متخصص، به طور موثر این مشکل را حل می کند و مزایای قابل توجهی را برای شرکت ها به همراه دارد:
- افزایش بهره وری: کارمندان می توانند سریعتر به کمک مورد نیاز خود دسترسی پیدا کنند و در نتیجه روند پروژه را تسریع بخشند.
- ترویج نوآوری: از طریق ارتباط متخصصان در زمینه های مختلف، ایده ها و راه حل های جدیدی می توان ایجاد کرد.
- بهینه سازی استفاده از منابع: با جلوگیری از تلاش های تکراری و اتلاف منابع، کارایی کلی بهبود می یابد.
- افزایش مشارکت کارکنان: تسهیل به اشتراک گذاری آسان دانش و تجربه برای کارمندان، در نتیجه حس مشارکت و تعلق آنها تقویت می شود.
Compliance Wizards – جایزه دوم
Compliance Wizards یک تحلیلگر تراکنش مبتنی بر هوش مصنوعی ایجاد کرده است که برای شناسایی تقلب و هشدار به کاربران بر اساس الگوریتم های ارزیابی ریسک سفارشی طراحی شده است. اعلان های ایمیلی برای کاربران ارسال می شود و از آنها خواسته می شود تا گزارش دهند یا تراکنش ها را تأیید کنند. سپس، کاربران می توانند با یک دستیار صوتی هوش مصنوعی برای گزارش و تأیید تعامل داشته باشند. با استفاده از قابلیت های چند وجهی Llama API، ارزیابان تقلب می‌توانند اطلاعات مشتری را آپلود کرده و اخبار مرتبط با مشتری خود را جستجو کنند تا به تعیین اینکه آیا مشتری در فعالیت‌های مجرمانه قابل توجهی نقش دارد یا خیر، کمک کنند.
ناظران انطباق یک تحلیلگر تراکنش مبتنی بر هوش مصنوعی ایجاد کرده اند که برای شناسایی فعالیت های مشکوک و هشدار به کاربران از طریق الگوریتم های پیچیده ارزیابی ریسک طراحی شده است. این سیستم با ارسال اعلان های ایمیلی به کاربران عمل می کند و از آنها می خواهد تا تراکنش های خاص را بررسی و تأیید کنند. سپس، کاربران می توانند با یک دستیار صوتی مبتنی بر هوش مصنوعی تعامل داشته باشند تا تراکنش ها را گزارش دهند یا قانونی بودن آنها را تأیید کنند. با استفاده از قابلیت های چندوجهی Llama API، ارزیابان تقلب می توانند اطلاعات مشتری را آپلود کرده و اخبار مرتبط را جستجو کنند تا به تعیین اینکه آیا مشتری در فعالیت های مجرمانه قابل توجهی نقش دارد یا خیر، کمک کنند.
هسته اصلی Compliance Wizards موتور هوش مصنوعی قدرتمند آن است که قادر است داده های تراکنش را عمیقا تجزیه و تحلیل کند و الگوهای تقلب بالقوه را شناسایی کند. این موتور نه تنها می تواند رفتارهای متقلبانه سنتی را شناسایی کند، بلکه می تواند ارزیابی ریسک سفارشی شده را بر اساس وضعیت ریسک خاص مشتری انجام دهد و در نتیجه دقت تشخیص تقلب را افزایش دهد. علاوه بر این، Compliance Wizards قابلیت جستجوی اخبار را ادغام می کند، позволяющее fraud assessors to quickly gather relevant information about their clients, such as media mentions and legal records. This contextual information can be crucial in assessing the overall risk profile of the client and identifying potential red flags.
The AI-powered voice assistant is another key component of Compliance Wizards. It provides users with a convenient and efficient way to report and acknowledge transactions, especially when they are on the go. The voice assistant can also answer questions about the transactions and provide guidance on how to comply with relevant regulations.
مزایای اصلی Compliance Wizards روش امنیت چند لایه ای آن است:
- ارزیابی ریسک پیشرفته: از طریق الگوریتم های ارزیابی ریسک سفارشی شده، می تواند رفتارهای متقلبانه بالقوه را با دقت بیشتری شناسایی کند.
- تجزیه و تحلیل تراکنش در زمان واقعی: تمام تراکنش ها را در زمان واقعی نظارت می کند و فعالیت های مشکوک را به موقع شناسایی می کند.
- آگاهی از زمینه: قادر به جمع آوری اطلاعات خبری است، در نتیجه وضعیت ریسک مشتری را به طور جامع ارزیابی می کند.
- گزارش دهی راحت: دستیار صوتی ارائه می دهد و فرآیند گزارش دهی و تأیید را تسهیل می کند.
Compliance Wizards فقط یک ابزار نیست، بلکه یک راه حل انطباق جامع است که به شرکت ها کمک می کند تا خطر تقلب را به حداقل برسانند و به مقررات مربوطه پایبند باشند.
Llama CCTV Operator – جایزه سوم
یک تیم به رهبری Agajan Torayev یک اپراتور اتاق کنترل هوش مصنوعی Llama CCTV ساخت که قادر است به طور خودکار رویدادهای ویدئویی نظارتی سفارشی را بدون هیچ گونه تنظیم دقیق مدل شناسایی کند. اپراتور قادر است رویدادهای ویدئویی را با زبان ساده تعریف کند. با استفاده از درک تصویر چند وجهی Llama 4، سیستم هر پنج فریم یک بار حرکت را ضبط و تشخیص می دهد تا این رویدادهای از پیش تعریف شده را ارزیابی کرده و آنها را به اپراتور گزارش دهد.
ایده پشت Llama CCTV Operator این است که به سیستم های نظارتی هوش ببخشد و آنها را قادر سازد تا به طور فعال رویدادهای غیرعادی را شناسایی کنند، نه اینکه فقط به طور منفعلانه ویدئو را ضبط کنند. این سیستم از قابلیت درک تصویر قدرتمند Llama 4 استفاده می کند، позволяющее to analyze video feeds in real-time and detect a wide range of predetermined events, such as suspicious activity, unauthorized access, or safety hazards. The operator can define these events using simple language, without requiring any specialized knowledge of machine learning or computer vision.
The system works by capturing and analyzing motion every five frames, and then using Llama 4’s multimodal capabilities to assess whether the captured motion matches any of the predefined events. If a match is found, the system will immediately report the event to the operator, along with relevant contextual information.
مزایای اصلی Llama CCTV Operator عبارتند از:
- بدون نیاز به تنظیم دقیق: فرآیند استقرار و نگهداری را تا حد زیادی تسهیل می کند، زیرا نیازی به تنظیم دقیق مدل ندارد.
- تشخیص رویداد سفارشی: اپراتور می تواند رویدادهای نظارتی سفارشی را با استفاده از زبان ساده تعریف کند، در نتیجه نیازهای امنیتی خاص را برآورده می کند.
- تجزیه و تحلیل در زمان واقعی: سیستم قادر است فیدهای ویدئویی را در زمان واقعی تجزیه و تحلیل کند، در نتیجه فعالیت های مشکوک را در اسرع وقت شناسایی می کند.
- گزارش خودکار: سیستم به طور خودکار رویدادهای شناسایی شده را به اپراتور گزارش می دهد، در نتیجه نیاز به نظارت دستی را کاهش می دهد.
Geo-ML – بهترین استفاده از Llama API
ویلیام دیویس، زمین شناس، از Llama 4 Maverick و GemPy برای تولید مکان های احتمالی استخراج، نقشه های توپوگرافی و مدل های زمین شناسی سه بعدی کانی ها استفاده کرد. Geo-ML با پردازش 400 صفحه گزارش زمین شناسی، ادغام اطلاعات در یک زبان خاص دامنه زمین شناسی ساخت یافته و سپس استفاده از آن برای ایجاد یک نمایش سه بعدی از زمین شناسی زیرزمینی کار می کند.
دیویس گفت: "این اولین بار است که واقعاً از LLM API برای استخراج متن و تصاویر فوق العاده طولانی از مقالات تحقیقاتی زمین شناسی طولانی استفاده می کنم، بنابراین از پنجره زمینه فوق العاده طولانی Llama Maverick و ویژگی های چندوجهی متن و تصویر برای استخراج متن و تبدیل آن به یک زبان خاص دامنه استفاده کردم که یک نسخه فشرده از همه چیزهایی که در اسناد ذخیره شده است، ارائه می دهد." "بیشتر وقت من صرف مطالعه اسناد زمین شناسی می شود. داشتن یک LLM که بتواند این کار را در پس زمینه برای من انجام دهد، عالی خواهد بود."
ویلیام دیویس، زمین شناس، با کاربرد ماهرانه Llama 4 Maverick و GemPy، روش کاملاً جدیدی را برای مدل سازی زمین شناسی ایجاد کرد. هدف Geo-ML استفاده از قدرت هوش مصنوعی برای استخراج اطلاعات پنهان از گزارش های زمین شناسی گسترده و تبدیل آن به مدل های سه بعدی مفید و قابل درک است.
The system works by processing long geological research papers, often 400 pages or more, and consolidating the information into a structured geology domain-specific language. This language captures the key geological features, structures, and mineral deposits described in the reports. Then, the سیستم 使用这种语言来生成地下地质的 3D 表示، کمک به زمین شناسان برای تصور و تحلیل آسان تر محیط زیرزمینی.
Davis himself emphasized the importance of Llama 4 Maverick’s long context window and multimodal capabilities in making Geo-ML possible. The long context window allows the system to process entire research papers at once, while the multimodal capabilities enable it to extract both text and images from the documents.
مزایای اصلی Geo-ML در توانایی آن در موارد زیر است:
- اتوماتیک ساخت مدل زمین شناسی: فرآیند مدل سازی زمین شناسی را خودکار می کند و زمان و تلاش تحلیل دستی را کاهش می دهد.
- استخراج اطلاعات پنهان: استخراج اطلاعات پنهان از گزارش های زمین شناسی گسترده، کمک به زمین شناسان برای کشف مکان های بالقوه استخراج و کانی ها.
- تولید مدل سه بعدی: تولید یک نمایش سه بعدی از زمین شناسی زیرزمینی، کمک به زمین شناسان برای تصور و تحلیل آسان تر محیط زیرزمینی.
- سرعت بخشیدن به تحقیقات زمین شناسی: با سرعت بخشیدن به فرآیند مدل سازی زمین شناسی، در نتیجه به روند تحقیقات زمین شناسی سرعت می بخشد.
تقدیر ویژه: تیم دربان
یکی از فینالیست ها به نام Concierge با GPU متعلق به خود در مسابقه شرکت کرد و این امر باعث شد در رقابت متمایز شود.
این تیم گفت: "ما معتقدیم که بهترین جنبه Llama 4 Maverick ماهیت ترکیب متخصص پراکنده و در دسترس بودن open source آن است که امکان تنظیم دقیق را فراهم می کند." "متا به تازگی یک ابزار تنظیم دقیق عالی منتشر کرده است، یعنی ابزار موجود در GitHub. با استفاده از Llama API، ما داده ها را از منابع مختلف جمع آوری کردیم تا مجموعه داده QA ایجاد کرده و مدل Llama 4 Maverick را تنظیم دقیق کنیم. ما قصد داریم آن را به معیار باز ارسال کنیم، زیرا در حال حاضر یک رمزگذار Llama 4 نداریم و با پنجره زمینه 1M، انتظار می رود یک استثناء باشد."
روش منحصر به فرد Concierge تمرکز آن بر تنظیم دقیق مدل Llama 4 Maverick برای بهبود عملکرد آن در وظایف خاص است. The team believed that the sparse mixture of experts nature of Llama 4 Maverick, combined with its open source availability, made it an ideal candidate for fine-tuning.
To fine-tune the model, the team compiled data from multiple sources to create QA datasets. Then, they used Meta’s fine-tuning tool to train the model. The team планирует to submit the fine-tuned model to open benchmarks to evaluate its performance.
تماشای نمایش فینالیست ها
می توانید نمایش فینالیست ها را در YouTube تماشا کنید.
به هکاتون Llama بعدی بپیوندید
توسعه دهندگان می توانند برای شرکت در هکاتون Llama بعدی که در 31 می تا 1 ژوئن 2025 در شهر نیویورک برگزار می شود، درخواست دهند.