ShiftLens
Sənaye müəssisələrində operatorlar və növbə rəhbərləri avadanlıq barədə müşahidələri kağızda, səsli mesajlarda və ayrı-ayrı qeydlərdə saxlayırlar. Növbə təhvilində bu məlumatları toplamaq vaxt aparır; iradlar, yoxlanılmamış avadanlıq və məlumat boşluqları diqqətdən yayına bilər. ShiftLens səsli və yazılı hesabatı AI vasitəsilə avadanlıq üzrə strukturlaşdırır, ilkin mətndən dəqiq sitatları göstərir və məlumat olmayan obyektləri ayrıca qeyd edir. Operator transkripsiyanı və nəticəni yoxladıqdan sonra təhvil hesabatını təsdiqləyir və JSON kimi yükləyir. İnterfeys Azərbaycan dilində işləyir və mobil ekranlara uyğunlaşdırılıb. Canlı AI və səs funksiyası lokal Python prototipində işləyir. Onlayn demo əvvəlcədən hazırlanmış nümunələri və saxlanmış AI nəticəsini göstərir. Əsas uğur göstəricisi yoxlanmış təhvil hesabatının hazırlanma vaxtıdır. Vaxt qənaəti və səhvlərin azalması müəssisə pilotunda əl üsulu ilə müqayisədə ölçüləcək; hazırda təsdiqlənmiş qənaət göstəricimiz yoxdur.
Preliminary score
- Value for the user19.0 / 25
A specific problem and a clear outcome from solving it.
- Prototype and use of AI22.0 / 30
A working core scenario, and what AI actually contributes to the result.
- Quality testing14.0 / 20
Tests, examples of failures, and comparison with the current approach.
- Feasibility12.5 / 15
Data requirements, running costs and a clear next step.
- Originality6.0 / 10
A meaningful difference from common solutions.
What the judges wrote
- Claude Opus 5.5Preliminary69/100
- Strengths
- Your problem is concrete: pump and compressor shift handovers where unchecked equipment and missing information slip through. Your design addresses that directly by flagging equipment with no data and separating 'not checked myself' from 'normal'. Your server takes quotes from the source text rather than trusting the model, rejects unknown codes, and requires explicit operator confirmation, which is serious engineering for a hackathon. Your documentation is unusually honest: an unresolved failure ("P102 normal iş deyil" classified as normal) and an ASR code error (B101/B301) are reported with evidence, and API cost is computed from real token counts.
- To improve
- Your 61 tests check program constraints, not live AI accuracy. Run a small labelled set of 20–30 synthetic reports covering negations, hedging and voice input through the live model, and report the error rates. Time even 10 identical reports done by hand versus with ShiftLens plus review, so the 8→3 minute target has at least one measured data point. Fix the negation misclassification with explicit negation examples in the prompt or a rule-based safeguard, since a false 'normal' is the most dangerous error in this domain. A public demo with live AI calls would also make the core scenario easier to verify.
- GPT-6 AstraPreliminary78/100
- Strengths
- Your documented workflow addresses a concrete operator task, from voice or text input through review, confirmation and JSON export. Server-derived quotations, equipment-coverage checks and explicit operator approval make the AI output traceable without claiming to verify physical inspections. Your testing identifies specific failures and distinguishes software checks from live-model accuracy, while your usage-based cost estimate and supervised pilot plan provide a credible next step.
- To improve
- Your highest-priority reliability issue is the false-normal classification: build a labeled live-model regression suite covering negation, uncertain observations and misrecognized equipment codes. Run a timed, paired comparison against manual handover preparation, including correction time, missed concerns and false-normal rates. Before using enterprise data, define external-API approval and audio/text retention policies, and add authentication and audit logging for shared deployment.
The team
Ruslan QaribovLead
developer