چرا یک استارت آپ سخت افزاری به هکاتون نرم افزاری نیاز دارد؟

دسامبر گذشته، ما هکاتون استارتاپی خود را با شش شرکت دیگر Skolkovo برگزار کردیم. بدون حامیان مالی شرکتی یا هیچ گونه حمایت خارجی، با تلاش جامعه برنامه نویسی دویست شرکت کننده از 20 شهر روسیه جمع آوری کردیم. در زیر به شما خواهم گفت که چگونه موفق شدیم، در این مسیر با چه مشکلاتی مواجه شدیم، و چرا بلافاصله شروع به همکاری با یکی از تیم های برنده کردیم.

رابط برنامه ای که ماژول های باتری وات را از فینالیست های آهنگ "موی خیس" کنترل می کند.

شرکت

شرکت ما Watts Battery نیروگاه های قابل حمل مدولار ایجاد می کند. این محصول یک نیروگاه قابل حمل 46x36x11 سانتی متری است که قادر به تولید 1,5 تا 15 کیلووات در ساعت است. چهار ماژول از این دست می توانند مصرف انرژی یک خانه کوچک روستایی را برای دو روز تامین کنند.

اگرچه ما سال گذشته ارسال نمونه های تولیدی را آغاز کردیم، اما به هر حال Watts Battery یک استارتاپ است. این شرکت در سال 2016 تأسیس شد و از همان سال ساکن خوشه فناوری های کارآمد انرژی Skolkovo است. امروز ما 15 کارمند و تعداد زیادی از کارهای عقب مانده داریم که می خواهیم در مرحله ای انجام دهیم، اما در حال حاضر هیچ کاری وجود ندارد. زمان برای آن

این شامل وظایف کاملاً نرم افزاری نیز می شود. چرا؟

وظیفه اصلی ماژول تامین انرژی بدون وقفه و متعادل با هزینه بهینه است. اگر به دلایلی خارج از کنترل شما دچار قطعی برق شدید، همیشه باید یک ذخیره داشته باشید تا بار شبکه مورد نیاز را برای مدت زمان قطع به طور کامل تامین کنید. و هنگامی که منبع تغذیه خوب است، می توانید از انرژی خورشیدی برای صرفه جویی در هزینه استفاده کنید.

ساده ترین گزینه این است که می توانید باتری را در روز از نور خورشید شارژ کنید و در عصر از آن استفاده کنید، اما دقیقاً در حدی که لازم است تا در صورت خاموشی، بدون برق نمانید. بنابراین، شما هرگز در موقعیتی قرار نخواهید داشت که تمام شب روشنایی را از باتری تغذیه کرده باشید (زیرا ارزان تر است)، اما در شب برق قطع شد و یخچال شما یخ زدایی کرد.

واضح است که یک فرد به ندرت قادر است میزان برق مورد نیاز خود را با دقت زیاد پیش بینی کند، اما یک سیستم مجهز به یک مدل پیش بینی می تواند. بنابراین، یادگیری ماشین به عنوان یکی از حوزه های اولویت ما است. فقط این است که ما در حال حاضر روی توسعه سخت‌افزار متمرکز شده‌ایم و نمی‌توانیم منابع کافی را به این وظایف اختصاص دهیم، که ما را به هکاتون استارتاپ رساند.

آماده سازی، داده ها، زیرساخت ها

در نتیجه، ما دو مسیر را انتخاب کردیم: تجزیه و تحلیل داده ها و سیستم مدیریت. علاوه بر آهنگ ما، هفت آهنگ دیگر از همکاران وجود داشت.

در حالی که قالب هکاتون مشخص نشده بود، ما در فکر ایجاد "فضای خودمان" با یک سیستم امتیاز بودیم: شرکت کنندگان کارهایی را انجام می دهند که برای ما دشوار و جالب به نظر می رسد و برای آن امتیاز دریافت می کنند. ما وظایف زیادی داشتیم. اما همانطور که ساختار هکاتون را ساختیم، سایر سازمان‌دهندگان خواستند همه چیز را به یک شکل مشترک برسانند، که ما انجام دادیم.

سپس به طرح زیر رسیدیم: بچه ها بر اساس داده های خود یک مدل می سازند، سپس داده های ما را که مدل قبلاً ندیده بود، دریافت می کنند، یاد می گیرد و شروع به پیش بینی می کند. فرض بر این بود که همه اینها را می توان در 48 ساعت انجام داد، اما برای ما این اولین هکاتون روی داده های ما بود و ممکن است منابع زمانی یا میزان آمادگی داده ها را بیش از حد برآورد کرده باشیم. در هکاتون‌های تخصصی یادگیری ماشین، چنین جدول زمانی معمول است، اما هکاتون ما اینطور نبود.

ما نرم‌افزار و سخت‌افزار ماژول را تا حد امکان تخلیه کردیم و نسخه‌ای از دستگاه خود را مخصوص هکاتون ساختیم، با یک رابط داخلی بسیار ساده و قابل درک که هر توسعه‌دهنده‌ای می‌تواند از آن پشتیبانی کند.

برای مسیر مبتنی بر سیستم کنترل، گزینه ای برای ساخت یک برنامه تلفن همراه وجود داشت. برای اینکه شرکت‌کنندگان نتوانند ذهن خود را در مورد ظاهر آن به هم بزنند و وقت اضافی را هدر دهند، طرحی از برنامه را به آنها دادیم، بسیار سبک وزن، به طوری که کسانی که آن را می‌خواهند می‌توانند به سادگی عملکردهای مورد نیاز خود را روی آن گسترش دهند. . راستش را بخواهید اینجا انتظار دوراهی اخلاقی نداشتیم، اما یکی از تیم‌ها به گونه‌ای این کار را انجام داد که ما پرواز خیالشان را محدود می‌کردیم، می‌خواستیم یک راه‌حل آماده به صورت رایگان دریافت کنیم و آنها را آزمایش نکنیم. در عمل و بلند شدند.

تیم دیگری تصمیم گرفت یک برنامه کاملاً متفاوت از ابتدا بسازد و همه چیز درست شد. ما اصرار نداشتیم که برنامه دقیقاً اینگونه باشد، فقط به آن نیاز داشتیم که حاوی عناصری باشد که سطح فنی راه حل را نشان می دهد: نمودارها، تجزیه و تحلیل ها و غیره. طرح نهایی طراحی نیز یک اشاره بود.

از آنجایی که تجزیه و تحلیل ماژول باتری Watts زنده در یک هکاتون بسیار وقت گیر است، ما به شرکت کنندگان یک برش آماده از داده های یک ماهه که از ماژول های واقعی مشتریانمان گرفته شده بود (که قبلاً با دقت ناشناس کردیم) دادیم. از آنجایی که ژوئن بود، هیچ چیزی برای گنجاندن تغییرات فصلی در تجزیه و تحلیل وجود نداشت. اما در آینده ما داده های خارجی مانند ویژگی های فصلی و آب و هوایی را به آنها اضافه خواهیم کرد (امروزه این استاندارد صنعت است).

ما نمی‌خواستیم انتظارات غیرواقعی در بین شرکت‌کنندگان ایجاد کنیم، بنابراین در اعلامیه هکاتون مستقیماً گفتیم: کار تا حد امکان به کار میدانی نزدیک خواهد شد: داده‌های پر سر و صدا و کثیف که هیچ‌کس به‌ویژه آن را تهیه نکرده است. اما این یک جنبه مثبت نیز داشت: با روحیه چابکی، ما دائماً با شرکت کنندگان در تماس بودیم و به سرعت در وظایف و شرایط پذیرش تغییراتی ایجاد می کردیم (در ادامه در این مورد بیشتر توضیح می دهیم).

علاوه بر این، ما به شرکت کنندگان اجازه دسترسی به Amazon AWS را دادیم (آنقدر فعال که آمازون یک منطقه را برای ما مسدود کرد، ما متوجه خواهیم شد که در مورد آن چه کنیم). در آنجا می توانید زیرساخت اینترنت اشیا را مستقر کنید و بر اساس حتی الگوهای ساده آمازون، یک راه حل کامل را در عرض یک روز ایجاد کنید. اما در نهایت، مطلقاً همه راه خود را رفتند و همه چیز را به تنهایی انجام دادند. در همان زمان، برخی موفق به رعایت محدودیت زمانی شدند، برخی دیگر نتوانستند. یک تیم، Nubble، از Yandex.cloud استفاده کرد، شخصی آن را در میزبانی خود مطرح کرد. حتی حاضر بودیم دامنه بدهیم (مثلا هم ثبت کرده ایم) اما فایده ای نداشت.

برای تعیین برندگان در مسیر تحلیلی، برنامه ریزی کردیم تا نتایج را با هم مقایسه کنیم، که برای آن معیارهای عددی تهیه کردیم. اما در نهایت نیازی به انجام این کار نبود، زیرا به دلایل مختلف سه نفر از چهار شرکت کننده به فینال نرسیدند.

در مورد زیرساخت های خانگی، تکنوپارک Skolkovo با ارائه (رایگان) یکی از اتاق های مدولار دنج خود با یک دیوار ویدئویی برای ارائه و چند اتاق کوچکتر برای یک منطقه تفریحی و برای سازماندهی پذیرایی به ما کمک کرد.

علم تجزیه و تحلیل

کار: یک سیستم خودآموز که ناهنجاری ها در مصرف و عملکرد ماژول را بر اساس داده های کنترل شناسایی می کند. ما عمداً عبارت را تا حد امکان عمومی نگه داشتیم تا شرکت کنندگان بتوانند با ما همکاری کنند تا بر اساس داده های موجود چه کاری انجام شود.

ویژگی: پیچیده تر از دو آهنگ. داده های صنعتی تفاوت هایی با داده های سیستم های بسته دارند (مثلاً بازاریابی دیجیتال). در اینجا باید ماهیت فیزیکی پارامترهایی را که می‌خواهید تحلیل کنید، درک کنید؛ نگاه کردن به همه چیز به عنوان سری اعداد انتزاعی کارساز نخواهد بود. مثلاً توزیع برق مصرفی در طول روز. مثل تشریفات است: تیغ برقی در روزهای هفته در صبح و میکسر در تعطیلات آخر هفته روشن است. سپس جوهر خود ناهنجاری ها. و فراموش نکنید که باتری Watts برای استفاده شخصی در نظر گرفته شده است، بنابراین هر مشتری آیین های خاص خود را خواهد داشت و یک مدل جهانی کار نخواهد کرد. یافتن ناهنجاری های شناخته شده در داده ها حتی یک کار نیست؛ ایجاد سیستمی که به طور مستقل ناهنجاری های بدون برچسب را جستجو کند موضوع دیگری است. به هر حال، هر چیزی می تواند یک ناهنجاری باشد، از جمله عامل انسانی موذی. به عنوان مثال، در داده های آزمایشی ما موردی وجود داشت که سیستم توسط کاربر به حالت باتری مجبور شد. بدون هیچ دلیلی، کاربران گاهی اوقات این کار را انجام می دهند (من رزرو می کنم که این کاربر در حال تست ماژول برای ما است و به همین دلیل است که به کنترل دستی حالت ها دسترسی دارد؛ برای سایر کاربران کنترل کاملاً خودکار است). همانطور که پیش بینی آسان است، در چنین شرایطی باتری کاملاً فعال تخلیه می شود و اگر بار زیاد باشد، شارژ قبل از طلوع خورشید یا ظهور منبع انرژی دیگری پایان می یابد. در چنین مواردی، ما انتظار داریم که نوعی اعلان را ببینیم که رفتار سیستم از حالت عادی منحرف شده است. یا آن شخص رفت و فراموش کرد فر را خاموش کند. سیستم می بیند که معمولا در این زمان از روز مصرف 500 وات است، اما امروز - 3,5 هزار - یک ناهنجاری! مانند دنیس ماتسوف در هواپیما: "من چیزی در مورد موتورهای هواپیما نمی فهمم، اما در راه صدای موتور متفاوت بود."

نمودار یک مدل پیش بینی در شبکه عصبی منبع باز Yandex CatBoost

این شرکت واقعاً به چه چیزی نیاز دارد؟: سیستم خود تشخیصی در داخل دستگاه، تجزیه و تحلیل پیش‌بینی‌کننده، از جمله بدون زیرساخت شبکه (همانطور که تمرین نشان می‌دهد، همه مشتریان ما برای اتصال باتری‌ها به اینترنت عجله ندارند - برای اکثر آنها کافی است که همه چیز به طور قابل اعتماد کار کند) شناسایی ناهنجاری‌هایی که ماهیت آن‌ها را هنوز نمی‌دانیم، یک سیستم خودآموز بدون معلم، خوشه‌بندی، شبکه‌های عصبی و کل زرادخانه روش‌های تحلیلی مدرن. ما باید درک کنیم که سیستم شروع به رفتار متفاوت کرد، حتی اگر ندانیم دقیقاً چه چیزی تغییر کرده است. در خود هکاتون، برای ما بسیار مهم بود که ببینیم افرادی هستند که آماده ورود به تجزیه و تحلیل صنعتی هستند یا در حال حاضر در آن شرکت کرده‌اند و به دنبال حوزه‌های جدیدی برای اعمال توانایی‌های خود هستند. در ابتدا از اینکه متقاضیان زیادی وجود داشت تعجب کردم: بالاخره این یک غذای بسیار خاص است، اما به تدریج همه به جز یکی از چهار شرکت کننده ترک تحصیل کردند، بنابراین تا حدودی همه چیز سر جای خود قرار گرفت.

چرا در این مرحله امکان پذیر نیست؟: مشکل اصلی وظایف داده کاوی، نبود داده کافی است. امروزه چندین دستگاه باتری وات در سرتاسر جهان در حال کار هستند، اما بسیاری از آنها به شبکه متصل نیستند، بنابراین داده‌های ما هنوز خیلی متنوع نیستند. ما به سختی دو ناهنجاری را با هم خراش دادیم - و آن موارد در نمونه های اولیه رخ داد؛ باتری وات صنعتی کاملاً پایدار کار می کند. اگر ما یک مهندس داخلی یادگیری ماشین داشتیم و می دانستیم - بله، این را می توان از این داده ها حذف کرد، اما ما می خواهیم کیفیت بهتری از پیش بینی داشته باشیم - این یک داستان خواهد بود. اما تا به اینجا ما هیچ کاری با این داده ها انجام نداده ایم. علاوه بر این، این نیاز به غوطه ور شدن عمیق شرکت کنندگان در ویژگی های عملکرد محصول ما دارد؛ یک روز و نیم برای این کار کافی نیست.

چطور تصمیم گرفتی؟: آنها بلافاصله تکلیف نهایی دقیق را تعیین نکردند. در عوض، در تمام 48 ساعت، ما با شرکت‌کنندگان گفتگو می‌کردیم و به سرعت متوجه می‌شدیم که چه چیزی می‌توانند به دست آورند و چه چیزی را نمی‌توانند. بر این اساس، با روحیه سازش، کار نهایی شد.

در نتیجه چه چیزی به دست آوردی؟: برندگان مسیر توانستند داده ها را پاک کنند (در همان زمان "ویژگی" محاسبه برخی از پارامترها را پیدا کردند که خود ما قبلاً متوجه آنها نشده بودیم ، زیرا از برخی از داده ها برای حل مشکلات خود استفاده نکردیم) ، انحرافات از رفتار مورد انتظار ماژول های باتری وات را برجسته می کند و یک مدل پیش بینی راه اندازی می کند که می تواند مصرف انرژی را با درجه بالایی از دقت پیش بینی کند. بله، این فقط یک مرحله امکان‌سنجی برای توسعه یک راه‌حل صنعتی است؛ سپس هفته‌ها کار فنی پر زحمت مورد نیاز است، اما حتی این نمونه اولیه که مستقیماً در طول هکاتون ایجاد شده است، می‌تواند اساس یک راه‌حل صنعتی واقعی را تشکیل دهد که نادر است.

نتیجه گیری اصلی: بر اساس اطلاعاتی که داریم، امکان راه اندازی تجزیه و تحلیل پیش بینی کننده وجود دارد، ما این را فرض کردیم، اما منابع لازم برای بررسی را نداشتیم. شرکت کنندگان هکاتون فرضیه ما را آزمایش و تایید کردند و ما به کار با برندگان مسیر برای این کار ادامه خواهیم داد.

نمودار یک مدل پیش بینی در شبکه عصبی متن باز فیس بوک پیامبر

توصیه ای برای آینده: هنگام ترسیم یک کار، باید نه تنها به نقشه راه تولید خود، بلکه به علاقه شرکت کنندگان نیز توجه کنید. از آنجایی که هکاتون ما جوایز نقدی ندارد، ما با کنجکاوی طبیعی دانشمندان داده و میل به حل مشکلات جدید و جالبی بازی می کنیم که در آن هیچ کس هنوز چیزی نشان نداده است یا جایی که بتواند خود را بهتر از نتایج موجود نشان دهد. اگر فوراً عامل مورد علاقه را در نظر بگیرید، مجبور نخواهید بود تمرکز خود را در طول مسیر تغییر دهید.

حکومتداری

کار: (برنامه ای) که شبکه ای از ماژول های باتری وات را با یک حساب شخصی، ذخیره سازی داده ها در ابر و نظارت بر وضعیت مدیریت می کند.

ویژگی: در این مسیر ما به دنبال راه حل فنی جدید نبودیم، ما البته رابط کاربری خود را داریم. ما او را برای هکاتون انتخاب کردیم تا قابلیت های سیستم خود را نشان دهیم، خود را در آن غوطه ور کنیم و بررسی کنیم که آیا جامعه به موضوع توسعه سیستم های هوشمند و انرژی های جایگزین علاقه مند است یا خیر. ما برنامه تلفن همراه را به عنوان یک گزینه قرار دادیم؛ شما می توانید آن را به صلاحدید خود انجام دهید یا نکنید. اما به نظر ما، به خوبی نشان می‌دهد که چگونه افراد توانستند ذخیره‌سازی داده‌ها را در فضای ابری با دسترسی همزمان از چندین منبع مختلف سازماندهی کنند.

این شرکت واقعاً به چه چیزی نیاز دارد؟: جامعه ای از توسعه دهندگان که ایده های تجاری ارائه می دهند، فرضیه ها را آزمایش می کنند و ابزار کاری برای اجرای آنها ایجاد می کنند.

چرا در این مرحله امکان پذیر نیست؟: حجم بازار هنوز برای تشکیل ارگانیک چنین جامعه ای بسیار کم است.

چطور تصمیم گرفتی؟: به عنوان بخشی از یک هکاتون، نوعی مطالعه فیزیکی انجام دادیم تا ببینیم آیا می‌توان نه تنها ویژگی‌ها، بلکه مدل‌های تجاری کاملی را در مورد محصول بسیار خاص خود ارائه داد. علاوه بر این، برای اینکه افرادی که قادر به اجرای یک نمونه اولیه هستند، این کار را انجام دهند، در اینجا - من نمی خواهم کسی را توهین کنم - این سطح برنامه ریزی یک LED چشمک زن در آردوینو نیست (اگرچه این کار را می توان با نوآوری انجام داد) در اینجا مهارت های نسبتاً خاصی مورد نیاز است: توسعه سیستم های باطن و فرانت اند، درک اصول ساخت سیستم های اینترنت اشیا مقیاس پذیر.

*سخنرانی برندگان قطعه دوم*

در نتیجه چه چیزی به دست آوردی؟: دو تیم ایده های تجاری کاملی را برای کار خود پیشنهاد کردند: یکی بیشتر بر روی بخش روسی تمرکز کرد، دیگری بر روی خارجی. یعنی در پایان، آنها نه تنها نگفتند که چگونه برنامه را ارائه کرده‌اند، بلکه اساساً برای انجام تجارت در اطراف Watts آمده‌اند. بچه ها نحوه استفاده از Watts را در چندین مدل کسب و کار توضیح دادند، آمار ارائه کردند، نشان دادند که کدام مناطق چه مشکلاتی دارند، چه قوانینی در کجا تصویب می شوند، روند جهانی را تشریح کردند: استخراج بیت کوین غیرمعمول است، استخراج کیلووات مد روز است. آنها عمداً به انرژی جایگزین رسیدند که ما واقعاً آن را دوست داشتیم. این واقعیت که شرکت کنندگان، علاوه بر این، توانستند یک راه حل فنی کارساز ایجاد کنند، نشان می دهد که آنها می توانند به طور مستقل یک استارتاپ راه اندازی کنند.

نتیجه گیری اصلی: تیم هایی وجود دارند که آماده هستند تا باتری Watts را اساس مدل کسب و کار خود قرار دهند، آن را توسعه دهند و به شرکای/همراهان شرکت تبدیل شوند. برخی از آنها حتی می دانند چگونه می توانند MVP یک ایده تجاری را شناسایی کنند و ابتدا روی آن کار کنند، چیزی که امروزه در همه جای صنعت وجود ندارد. مردم نمی دانند چه زمانی باید متوقف شوند، چه زمانی باید راه حلی را به بازار عرضه کنند، هرچند زودتر، اما کارآمد است. در واقع، مرحله پرداخت راه حل اغلب به پایان نمی رسد، از نظر فنی راه حل از مرز پیچیدگی معقول عبور می کند، وارد بازار می شود، دیگر مشخص نیست ایده اصلی چیست، هدف گذاری مشتری چیست، مدل های کسب و کار چیست. مشمول. همانطور که در شوخی در مورد آکونین، که کتاب دیگری نوشت در حالی که کتاب قبلی را برای کسی امضا کرد. اما در اینجا به خالص‌ترین شکل آن انجام شد: اینجا یک نمودار است، اینجا یک شمارنده، اینجا شاخص‌ها، اینجا یک پیش‌بینی است - این همه چیز است، هیچ چیز دیگری برای اجرای آن لازم نیست. با این کار می توانید به سراغ سرمایه گذار بروید و برای راه اندازی کسب و کار پول دریافت کنید. کسانی که این تعادل را پیدا کردند به عنوان برنده از مسیر خارج شدند.

توصیه ای برای آینده: در هکاتون بعدی (در حال برنامه ریزی آن هستیم در اسفند امسال)، شاید منطقی باشد که با سخت افزار آزمایش کنید. ما توسعه سخت افزاری خود را داریم (یکی از مزایای Watts)، تولید و آزمایش هر کاری را که انجام می دهیم کاملاً کنترل می کنیم، اما منابع کافی برای آزمایش برخی فرضیه های "سخت افزاری" نداریم. ممکن است در جامعه برنامه نویسان و توسعه دهندگان سخت افزاری سیستم و سطح پایین کسانی باشند که در این امر به ما کمک کنند و در آینده شریک ما در این زمینه شوند.

مردم

در هکاتون، انتظار داشتیم کسانی که می خواهند خود را در زمینه جدیدی امتحان کنند (به عنوان مثال، فارغ التحصیلان مدارس برنامه نویسی مختلف) به جای کسانی که در این نوع توسعه تخصص دارند. اما با این حال، ما انتظار داشتیم که قبل از هکاتون کمی کار مقدماتی انجام دهند، در مورد نحوه پیش‌بینی مصرف انرژی به طور کلی و نحوه عملکرد سیستم‌های اینترنت اشیا مطالعه کنند. به طوری که همه نه فقط برای سرگرمی، به دنبال داده ها و کارهای جالب، بلکه با غوطه وری اولیه در منطقه موضوع می آیند. به نوبه خود، ما درک می کنیم که برای این کار لازم است داده های موجود، توضیحات آنها و الزامات دقیق تر نتیجه، انتشار ماژول های API و غیره از قبل منتشر شود.

همه تقریباً سطح فناوری یکسانی داشتند، به علاوه یا منهای یکسان قابلیت‌ها. در برابر این پس زمینه، سطح هماهنگی آخرین عامل نبود. تعدادی از تیم ها تیراندازی نکردند زیرا نمی توانستند به طور واضح خود را در زمینه های کاری تقسیم کنند. همچنین مواردی بودند که یک نفر تمام پیشرفت ها را انجام داد، بقیه مشغول آماده کردن ارائه بودند، در برخی دیگر، به کسی وظایفی داده شد که احتمالاً برای اولین بار در زندگی خود انجام می دادند.

اکثر شرکت کنندگان جوان بودند، این بدان معنا نیست که مهندسان و توسعه دهندگان قوی یادگیری ماشین در بین آنها وجود نداشت. اکثراً به صورت تیمی آمدند؛ عملاً هیچ فردی وجود نداشت. همه آرزوی برنده شدن را داشتند، کسی می خواست در آینده شغلی پیدا کند، حدود 20٪ قبلاً یکی را پیدا کرده اند، من فکر می کنم این رقم رشد خواهد کرد.

ما متخصصان سخت افزاری کافی نداشتیم، اما امیدواریم بتوانیم آن را در دومین هکاتون جبران کنیم.

پیشرفت هکاتون

همانطور که در بالا نوشتم، ما در بیشتر 48 ساعت هکاتون با شرکت کنندگان بودیم و با رصد موفقیت های آنها در ایست های بازرسی، سعی کردیم وظیفه و شرایط پذیرش اولین مسیر تحلیلی را به گونه ای تطبیق دهیم که از یک سو، شرکت کنندگان می توانستند آن را در زمان باقی مانده تکمیل کنند و از طرف دیگر برای ما جالب بود.

آخرین شفاف سازی در مورد کار در جایی در حوالی آخرین ایست بازرسی، بعد از ظهر شنبه انجام شد (فینال برای عصر یکشنبه برنامه ریزی شده بود). ما همه چیز را کمی ساده‌تر کردیم: نیاز به محاسبه مجدد مدل بر روی داده‌های جدید را حذف کردیم و داده‌هایی را که تیم‌ها قبلاً با آن کار می‌کردند باقی گذاشتیم. مقایسه معیارها دیگر چیزی به ما نمی داد ، آنها قبلاً نتایج آماده ای را بر اساس داده های موجود داشتند و در روز دوم بچه ها قبلاً خسته شده بودند. بنابراین تصمیم گرفتیم کمتر آنها را شکنجه کنیم.

اما از هر چهار شرکت کننده سه نفر به فینال راه پیدا نکردند. یک تیم در ابتدا متوجه شده بود که آنها بیشتر به مسیر همکاران ما علاقه مند هستند، گروه دیگر، درست قبل از فینال، متوجه شدند که در طول فرآیند پردازش، داده های لازم را زودتر از موعد فیلتر کرده بودند و از ارائه کار خودداری کردند.

تیم "21 (اثر موی خیس)" تا آخر در هر دو آهنگ ما شرکت کرد. آنها می خواستند همه چیز را به یکباره پوشش دهند: یادگیری ماشین، توسعه، برنامه کاربردی و وب سایت. تا زمانی که در آخرین لحظه آنها را تهدید به عقب نشینی نکردیم ، آنها معتقد بودند که به موقع هستند ، اگرچه در ایستگاه بازرسی دوم واضح بود که آنها نمی توانند پیشرفت قابل توجهی در مورد اصلی - یادگیری ماشینی داشته باشند: آنها به طور کلی با بلوک دوم کنار آمدند. ، اما قادر به پیش بینی مصرف برق نبودند. در نتیجه، زمانی که ما حداقل وظیفه را برای واجد شرایط بودن برای اولین بار تعیین کردیم، آنها همچنان مسیر دوم را انتخاب کردند.

Fit-predict ترکیب متعادلی داشت که برای تجزیه و تحلیل داده ها طراحی شده بود، بنابراین آنها توانستند بر همه چیز غلبه کنند. قابل توجه بود که بچه ها علاقه مند به "لمس کردن" داده های صنعتی واقعی بودند. آنها بلافاصله روی چیز اصلی متمرکز شدند: تجزیه و تحلیل، پاک کردن داده ها، مقابله با هر ناهنجاری. این واقعیت که آنها توانستند یک مدل کار در طول هکاتون بسازند یک دستاورد بزرگ است. در عمل، این معمولاً هفته ها طول می کشد: در حالی که داده ها در حال تمیز کردن هستند، در حالی که آنها در حال بررسی آن هستند. بنابراین، ما قطعا با آنها همکاری خواهیم کرد.

در مسیر دوم (مدیریت) انتظار داشتیم همه در یک نیم روز همه کار را انجام دهند و بیایند تا کار را سخت تر کنند. در عمل، ما به سختی وقت داشتیم تا کار اصلی را انجام دهیم. ما روی JS و Python کار کردیم که نشان دهنده وضعیت فعلی صنعت است.

در اینجا هم با تیم های کاملاً هماهنگی که تقسیم کار در آنها ساخته شده بود، نتایج حاصل شد، معلوم بود چه کسی چه می کند.

تیم سوم، FSociety، به نظر می رسید راه حلی داشته باشد، اما در نهایت آنها تصمیم گرفتند که توسعه خود را نشان ندهند، آنها گفتند که آنها آن را کارآمد نمی دانند. ما به این موضوع احترام می گذاریم و بحث نمی کنیم.

برنده تیم "استریپرز از باکو" بود که توانست خود را متوقف کند، نه برای تعقیب "زیباها"، بلکه برای ایجاد یک MVP که از نشان دادن آن خجالت نمی کشد و واضح است که می توان آن را بیشتر توسعه داد و بزرگ کرد. ما بلافاصله به آنها گفتیم که ما زیاد علاقه ای به فرصت های اضافی نداریم. اگر می خواهند از طریق کد QR، تشخیص چهره ثبت نام کنند، اجازه دهید ابتدا نمودارهایی را در برنامه ایجاد کنند و سپس موارد اختیاری را انجام دهند.

در این آهنگ، "موهای خیس" با اطمینان وارد فینال شد و ما در مورد همکاری بیشتر با آنها و "Hustlers" صحبت کردیم. ما قبلاً در سال جدید با دومی آشنا شده ایم.

امیدوارم همه چیز درست شود و ما مشتاقانه منتظر دیدن همه در دومین هکاتون در ماه مارس هستیم!

منبع: www.habr.com