Lomba LlamaCon Hackathon perdana yang berlangsung di San Francisco telah sukses diselenggarakan, menjadi ajang berkumpulnya para developer AI dari seluruh dunia. Acara ini menarik lebih dari 600 pendaftar, dengan 238 developer dan inovator berbakat hadir untuk membuat proyek dalam waktu satu hari. Tantangannya adalah membuat proyek yang dapat didemonstrasikan dalam waktu hanya 24 jam, menggunakan Llama API, Llama 4 Scout, atau Llama 4 Maverick (atau kombinasi alat-alat mutakhir ini).
Kompetisi ini menawarkan hadiah yang menggiurkan, yakni hadiah uang tunai senilai total $35.000, termasuk hadiah pertama, kedua, dan ketiga, serta hadiah untuk Penggunaan Terbaik Llama API. Panel juri dari Meta dan mitra sponsor dengan cermat mengevaluasi 44 proyek yang diajukan.
Kami mengucapkan terima kasih kepada mitra kami Groq, Crew AI, Tavus, Lambda, Nebius, dan SambaNova atas dukungan berharga mereka selama hackathon. Setiap sponsor memberikan penggunaan kredit, lokakarya oleh pembicara ahli, bimbingan, stan tanya jawab di tempat, juri, dan dukungan jarak jauh di Discord.
Daftar Pemenang
Setelah dua putaran penjurian, kami memilih enam proyek teratas dari 44 proyek yang diajukan, yang akhirnya menentukan pemenang pertama, kedua, ketiga, dan hadiah untuk Penggunaan Terbaik Llama API.
OrgLens – Hadiah Pertama
OrgLens menciptakan sistem pencocokan ahli yang didukung AI, yang menghubungkan Anda dengan para profesional yang tepat di dalam organisasi Anda. Dengan menganalisis data dari berbagai sumber, termasuk tugas Jira, kode dan masalah GitHub, dokumen internal, dan resume, OrgLens membuat grafik pengetahuan yang komprehensif dan profil terperinci untuk setiap kontributor. Hal ini memungkinkan Anda untuk mencari ahli menggunakan fungsi pencarian yang didukung AI tingkat lanjut, atau bahkan berinteraksi dengan kembaran digital individu untuk mengajukan pertanyaan sebelum menghubungi. Untuk menunjukkan kemampuannya, aplikasi web demo dibangun menggunakan React, Tailwind, dan Django, memanfaatkan GitHub API dan Llama API untuk memproses dan menyimpan data. OrgLens menyederhanakan pencocokan ahli, sehingga memudahkan untuk menemukan orang yang tepat untuk pekerjaan tersebut.
Telusuri lebih dalam inovasi OrgLens, yang bukan hanya sistem pencocokan ahli, tetapi juga akselerator berbagi pengetahuan dan kolaborasi internal perusahaan. Ia memanfaatkan kekuatan kecerdasan buatan secara cerdik, memecah silo informasi, dan menghubungkan keahlian yang tersembunyi di berbagai sudut organisasi. Bayangkan, ketika Anda mengalami masalah sulit dalam proyek yang kompleks, Anda tidak perlu lagi mencari tanpa tujuan melalui email dan dokumen internal, tetapi melalui OrgLens, Anda dapat dengan cepat menemukan kolega dengan pengalaman dan keterampilan yang relevan, dan langsung berkomunikasi dengan "kembaran digital" mereka untuk komunikasi awal, yang pasti akan sangat meningkatkan efisiensi kerja dan kecepatan pemecahan masalah. Keunggulan inti OrgLens terletak pada kemampuan mendalam untuk menggali dan menganalisis data. Tidak hanya dapat mengambil data dari platform seperti Jira dan GitHub, tetapi juga menganalisis dokumen internal dan resume, sehingga membangun grafik pengetahuan yang komprehensif. Grafik pengetahuan ini tidak hanya mencakup keterampilan dan pengalaman karyawan, tetapi juga mencatat kontribusi dan interaksi mereka dalam berbagai proyek. Dengan grafik pengetahuan ini, OrgLens dapat secara akurat mengidentifikasi ahli yang paling cocok untuk tugas tertentu dan merekomendasikannya kepada orang yang membutuhkan bantuan. Selain itu, OrgLens juga berfokus pada pengalaman pengguna. Ia menyediakan antarmuka Web yang intuitif dan mudah digunakan, di mana pengguna dapat mencari dengan kata kunci atau menggunakan advanced filters to find the right expert. Moreover, the “digital twin” feature allows users to ask preliminary questions and get quick answers, saving both the expert’s and the seeker’s time. By integrating artificial intelligence into the expert matching process, OrgLens has the potential to revolutionize the way companies manage and utilize their internal talent resources, leading to improved collaboration, innovation, and overall performance.
Keberhasilan OrgLens terletak pada pemecahan masalah manajemen pengetahuan yang umum di dalam perusahaan. Banyak perusahaan menghadapi masalah keterampilan karyawan yang tersebar dan informasi yang sulit diakses, yang menyebabkan pemborosan sumber daya dan inefisiensi. OrgLens secara efektif memecahkan masalah ini dengan mengotomatiskan proses pencocokan ahli, membawa keuntungan signifikan berikut bagi perusahaan:
- Meningkatkan produktivitas: Karyawan dapat menemukan bantuan yang mereka butuhkan lebih cepat, sehingga mempercepat kemajuan proyek.
- Memfasilitasi inovasi: Dengan menghubungkan ahli dari berbagai bidang, ide dan solusi baru dapat diilhami.
- Mengoptimalkan pemanfaatan sumber daya: Menghindari pekerjaan duplikat dan pemborosan sumber daya, meningkatkan efisiensi secara keseluruhan.
- Meningkatkan keterlibatan karyawan: Memudahkan karyawan untuk berbagi pengetahuan dan pengalaman, sehingga meningkatkan rasa keterlibatan dan memiliki.
Compliance Wizards – Hadiah Kedua
Compliance Wizards menciptakan penganalisis transaksi yang didukung AI untuk mendeteksi penipuan dan memberikan peringatan kepada pengguna berdasarkan algoritma penilaian risiko khusus. Pemberitahuan email dikirim ke pengguna yang meminta mereka untuk melaporkan atau mengonfirmasi transaksi. Pengguna kemudian dapat melaporkan dan mengonfirmasi transaksi dengan asisten suara AI. Menggunakan multimodalitas Llama API, penilai penipuan dapat mengunggah informasi klien dan mencari berita relevan tentang klien mereka untuk membantu menentukan apakah klien terlibat dalam aktivitas kriminal yang patut dicatat.
Regulator kepatuhan menciptakan penganalisis transaksi yang didukung kecerdasan buatan, yang dirancang untuk mengidentifikasi aktivitas mencurigakan dan memberikan peringatan kepada pengguna melalui algoritma penilaian risiko yang kompleks. Sistem ini bekerja dengan mengirimkan pemberitahuan email kepada pengguna, meminta mereka untuk meninjau dan mengonfirmasi transaksi tertentu. Pengguna kemudian dapat berinteraksi dengan asisten suara yang didukung AI untuk melaporkan transaksi atau mengonfirmasi legitimasinya. Dengan memanfaatkan kemampuan multi-modal Llama API, penilai penipuan dapat mengunggah informasi klien dan mencari berita yang relevan, yang membantu menentukan apakah klien terlibat dalam aktivitas kriminal yang patut dicatat.
Inti dari Compliance Wizards terletak pada mesin AI yang kuat, yang mampu menganalisis secara mendalam data transaksi dan mengidentifikasi potensi pola penipuan. Mesin ini tidak hanya dapat mendeteksi perilaku penipuan tradisional, tetapi juga melakukan penilaian risiko khusus berdasarkan profil risiko spesifik pelanggan, sehingga meningkatkan akurasi deteksi penipuan. Selain itu, Compliance Wizards juga mengintegrasikan fungsi pencarian berita, 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.
Keunggulan utama Compliance Wizards terletak pada metode keamanan multi-lapisan:
- Penilaian risiko tingkat lanjut: Melalui algoritma penilaian risiko khusus, ia dapat mengidentifikasi potensi perilaku penipuan dengan lebih akurat.
- Analisis transaksi real-time: Memantau semua transaksi secara real-time untuk mendeteksi aktivitas mencurigakan tepat waktu.
- Kesadaran kontekstual: Mampu mengambil informasi berita, sehingga mengevaluasi profil risiko pelanggan secara komprehensif.
- Pelaporan yang mudah: Menyediakan asisten suara untuk menyederhanakan proses pelaporan dan konfirmasi.
Compliance Wizards bukan hanya alat, tetapi solusi kepatuhan komprehensif, yang membantu perusahaan meminimalkan risiko penipuan dan mematuhi peraturan yang relevan.
Llama CCTV Operator – Hadiah Ketiga
Sebuah tim yang dipimpin oleh Agajan Torayev membangun operator ruang kontrol AI CCTV Llama, yang secara otomatis mengidentifikasi kejadian video pengawasan khusus tanpa penyetelan model apa pun. Operator dapat mendefinisikan kejadian video dalam bahasa sederhana. Menggunakan pemahaman gambar multimodal dari Llama 4, sistem menangkap dan mendeteksi gerakan setiap lima bingkai untuk mengevaluasi kejadian yang telah ditentukan sebelumnya ini dan melaporkannya ke operator.
Ide di balik Llama CCTV Operator adalah untuk memberikan kecerdasan ke sistem pengawasan, memungkinkan sistem tersebut untuk secara proaktif mengidentifikasi kejadian abnormal, alih-alih hanya merekam видео secara pasif. Sistem ini memanfaatkan kemampuan pemahaman gambar Llama 4 yang kuat, 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.
Keunggulan utama Llama CCTV Operator meliputi:
- Tidak perlu penyetelan: Tidak perlu melakukan penyetelan pada model, yang sangat menyederhanakan proses penerapan dan pemeliharaan.
- Deteksi kejadian khusus: Operator dapat menggunakan bahasa sederhana untuk menentukan kejadian pengawasan khusus, sehingga memenuhi kebutuhan keamanan khusus.
- Analisis real-time: Sistem mampu menganalisis umpan video secara real-time, sehingga aktivitas mencurigakan dapat dideteksi sesegera mungkin.
- Pelaporan otomatis: Sistem akan secara otomatis melaporkan kejadian terdeteksi ke operator, sehingga mengurangi kebutuhan pengawasan manual.
Geo-ML – Penggunaan Terbaik Llama API
Ahli geologi William Davis menggunakan Llama 4 Maverick dan GemPy untuk menghasilkan kemungkinan lokasi penambangan, peta topografi, dan model geologi 3D dari endapan mineral. Geo-ML bekerja dengan memproses 400 halaman laporan geologi, mengintegrasikan informasi ke dalam bahasa khusus domain geologi terstruktur, yang kemudian digunakan untuk menghasilkan representasi 3D dari geologi bawah tanah.
“Ini adalah pertama kalinya saya benar-benar menggunakan LLM API untuk mengekstrak teks dan gambar ultra-panjang dari makalah penelitian geologi yang panjang, jadi saya menggunakan jendela konteks ultra-panjang Llama Maverick dan kemampuan multi-modal teks dan gambar untuk mengekstrak teks dan mengubahnya menjadi bahasa khusus domain, sehingga memberikan versi terkompresi dari segala sesuatu yang disimpan dalam dokumen,” kata Davis. “Saya menghabiskan sebagian besar waktu saya untuk membaca dokumen geologi. Memiliki LLM yang dapat melakukan pekerjaan ini untuk saya di latar belakang akan sangat bagus.”
Ahli geologi William Davis secara cerdik menggunakan Llama 4 Maverick dan GemPy, merintis metode pemodelan geologi yang sama sekali baru. Tujuan Geo-ML adalah untuk memanfaatkan kekuatan kecerdasan buatan untuk mengekstrak informasi tersembunyi dari sejumlah besar laporan geologi, dan mengubahnya menjadi model 3D yang berguna dan mudah dipahami.
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 система 使用这种语言来生成地下地质的 3D 表示, membantu ahli geologi memvisualisasikan dan menganalisis lingkungan bawah tanah dengan lebih mudah.
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.
Keunggulan utama Geo-ML terletak pada kemampuannya untuk:
- Mengotomatiskan pemodelan geologi: Mengotomatiskan proses pemodelan geologi, mengurangi waktu dan upaya analisis manual.
- Mengekstrak informasi tersembunyi: Mengekstrak informasi tersembunyi dari sejumlah besar laporan geologi, membantu ahli geologi menemukan potensi lokasi penambangan dan endapan mineral.
- Menghasilkan model 3D: Menghasilkan representasi 3D dari geologi bawah tanah, membantu ahli geologi memvisualisasikan dan menganalisis lingkungan bawah tanah dengan lebih mudah.
- Mempercepat penelitian geologi: Mempercepat proses penelitian geologi dengan mempercepat proses pemodelan geologi.
Apresiasi Khusus: Tim Concierge
Salah satu finalis yang bernama Concierge membawa GPU sendiri untuk berkompetisi, yang membedakan mereka dalam kompetisi tersebut.
“Kami percaya bahwa aspek terbaik dari Llama 4 Maverick adalah sifat campuran ahli yang jarang (sparse) dan ketersediaan sumber terbuka, sehingga memungkinkan dilakukan penyetelan,” kata tim tersebut. “Meta baru-baru ini merilis alat penyetelan yang luar biasa, yaitu alat di GitHub. Dengan Llama API, kami mengumpulkan data dari berbagai sumber untuk membuat dataset QA dan menyetel model Llama 4 Maverick. Kami berencana untuk mengirimkannya ke benchmark terbuka karena kami saat ini kekurangan encoder Llama 4, dan dengan jendela konteks 1M, model ini diharapkan menjadi pengecualian.”
Pendekatan unik Concierge terletak pada fokusnya untuk menyetel model Llama 4 Maverick, guna meningkatkan kinerjanya dalam tugas-tugas tertentu. 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.
Tonton Demo Finalis
Anda dapat menonton demo finalis di YouTube.
Bergabung dengan Hackathon Llama Berikutnya
Developer dapat mendaftar untuk berpartisipasi dalam hackathon Llama berikutnya yang akan berlangsung pada tanggal 31 Mei - 1 Juni 2025 di Kota New York.