SocialTwin AI
Bir çox tələbə və yeni məzun bacarıqlı olsa da, nəyi bacardığını işəgötürənə aydın göstərməkdə çətinlik çəkir. Dərs layihələri, könüllülük və şəxsi təşəbbüslərlə qazandığı təcrübə CV-də görünmür; qarşısına çıxan təcrübə proqramı və ya təqaüd üçün nə qədər hazır olduğunu, hansı boşluğu necə tamamlayacağını bilmir. Nəticədə uyğun fürsətə müraciət etməkdən çəkinir və ya özünü düzgün təqdim etməyən ümumi CV göndərir. SocialTwin AI bu təcrübəni görünən və əsaslandırılmış bacarıqlara çevirməyə kömək edir. İstifadəçinin təsdiqlədiyi məlumatları və istəyə bağlı GitHub sübutlarını yoxlanmış fürsətlərin tələbləri ilə müqayisə edir; güclü tərəfləri, çatışmayan və hələ məlum olmayan məlumatları açıq göstərir. İstifadəçi nəticədə öz təcrübəsinə əsaslanan, redaktə edə biləcəyi CV, motivasiya məktubu və konkret hazırlıq planı əldə edir — nəyi təqdim edəcəyini və növbəti addımının nə olduğunu bilir.
Preliminary score
- Value for the user17.0 / 25
A specific problem and a clear outcome from solving it.
- Prototype and use of AI18.0 / 30
A working core scenario, and what AI actually contributes to the result.
- Quality testing12.5 / 20
Tests, examples of failures, and comparison with the current approach.
- Feasibility9.0 / 15
Data requirements, running costs and a clear next step.
- Originality5.5 / 10
A meaningful difference from common solutions.
What the judges wrote
- Claude Opus 5.5Preliminary58/100
- Strengths
- Your problem framing is concrete: students whose real experience from coursework, volunteering and GitHub never makes it into a CV, so they either skip opportunities or send a generic application. Your design choices are thoughtful. You compute the readiness score deterministically in code rather than by the model, you cite a source for each requirement-to-evidence match, you explicitly surface missing or unknown information, and you prevent the model from inventing achievements or listings. Your testing write-up is specific and honest. It covers 101 automated tests across 12 files, the missing 'ə' glyph fixed with Noto Sans, Gemini rejecting your structured output schema, and a clear admission that time savings and hiring outcomes were not measured with people.
- To improve
- Run even a small user test, for example five students each tailoring a CV for one listing manually and then with SocialTwin. Report the time taken and a reviewer's rating of the output, which would turn your asserted value into evidence. This entry is in the Enterprise track but is a consumer tool, so name the organisation that would adopt it and the metric that matters to them, such as a university career centre's application rate. Measure the per-profile Gemini cost and explain how your 9-entry opportunity catalog would be kept current at scale. Your repository field points to a github.io page, not the code, so link the actual repository so the build and tests can be verified.
- GPT-6 AstraPreliminary66/100
- Strengths
- Your evidence-first approach—user-confirmed experience, optional GitHub sources, and explicit unknowns—addresses a concrete problem for students and recent graduates. Your deterministic readiness scoring gives AI a useful role without delegating every decision to it. Your reported fixes for Azerbaijani PDF rendering and rejected Gemini schemas provide specific, candid examples of testing.
- To improve
- Your implementation claims would be stronger with a recorded live-AI profile-to-PDF run and inspectable test results. Compare source-grounding accuracy and completion time against manual CV tailoring with real users, including cases where evidence is insufficient. For the enterprise track, identify a concrete organizational buyer and adoption metric, and estimate API costs and the effort required to keep opportunities current.
The team
Front-end Developer,Əlizadə Xədicə Rahim
developer
Cavanşir Qurbanzadə
developer
Rüstəmova ŞahnabatLead
product