בעת מצבי חירום רפואיים, מהירות התגובה היא קריטית להצלת חיים. בעוד שהצוותים המקצועיים של איחוד הצלה מגיעים במהירות לאירועים, לעיתים קיים חלון זמן קריטי שבו מתנדבים הנמצאים בקרבת מקום יכולים להגיש סיוע בסיסי ולהציל חיים. אך לא כל אחד מכיר פרוטוקולים בסיסיים לטיפול חירום. בנוסף, במקרים רבים יש ציוד רפואי כמו דפיברילטורים או תיקי עזרה ראשונה הנמצאים בקרבת מקום, אך לא מנוצלים במלואם עקב חוסר ידע או מודעות למיקומם. נדרש פתרון שיאפשר למתנדבים בעלי הכשרה בסיסית לפעול במהירות וביעילות עד להגעת צוותים מקצועיים.

פיתוח מערכת חכמה הכוללת: 1. אפליקציה ללימוד כישורי רפואה בסיסיים: - מבוססת גיימיפיקציה, בדומה ל-Duolingo, שמעודדת משתמשים ללמוד מיומנויות כמו חבישה, שימוש בדפיברילטור, טיפול בחנק, והחייאה. - כל סיום של מודול יעניק למשתמש "תג כישורים", והוא ייכנס למאגר מתנדבים בסיסי. 2. ממשק חירום חכם: - האפליקציה תתחבר למערכת הקריאות של איחוד הצלה ותזהה מיקום אירועים. - כאשר מתנדב נמצא בקרבת אירוע חירום שמתאים לכישוריו, האפליקציה תשלח התראה, כולל מידע על סוג האירוע, הכישורים הנדרשים, ומיקום הציוד הרפואי הקרוב. 3. התאמה אישית ותגובה מהירה: - המערכת תמליץ רק על אירועים שמתאימים לכישורי המתנדב והקרבה הפיזית שלו. - תציע הנחיות בזמן אמת לטיפול באירוע, עם מדריך שלב-אחר-שלב בהתאם לאופי החירום.

- פיתוח אפליקציה: Flutter או React Native לפיתוח חוצה פלטפורמות. - גיימיפיקציה: ספריות Python או Unity למודולים אינטראקטיביים. - ניהול קריאות: שילוב עם מערכות בזמן אמת, כמו Firebase או AWS, לזיהוי קריאות ומעקב מיקומים. - שירותי מפה ודיווח מיקום: שילוב API של Google Maps או Waze לצורך ניווט וציוד קרוב.

בזמן אירועי חירום רפואיים, צוותי השטח מתמודדים עם תנאים לחוצים ודינמיים, בהם חשוב לאסוף, לתעד ולארגן מידע רפואי במהירות ובאופן מדויק. מידע חיוני נמסר מהמוקד, מתועד על ידי המטפלים בשטח, ולעיתים נאמר בעל פה בתנאי שטח קשים. האתגר הוא להבטיח שכל המידע הזה ייאסף בצורה נכונה, לא יתערבב בין מטופלים שונים, ויאפשר שימוש מושכל ויעיל לאחר האירוע. כמו כן, קיים צורך להפוך את המידע שנאסף לתוצרים שימושיים כמו טפסים רפואיים, סיכומי אירוע, והמלצות רפואיות להמשך טיפול – תהליך שדורש זמן ומשאבים במתכונתו הידנית.

פיתוח מערכת אינטגרטיבית לניהול ותיעוד אירועי חירום רפואיים, שתאפשר: 1. איסוף נתונים בזמן אמת - תיעוד המידע הנמסר מהמוקד בצורה אוטומטית, כולל זיהוי פרטי מטופל, מיקום האירוע, וסוג הקריאה. - אפליקציה לצוותי השטח שתאפשר תיעוד קולי של הערות ופעולות בזמן האירוע. ההקלטות יומרו לטקסט באמצעות עיבוד שפה טבעית (NLP) ויקושרו למטופל הרלוונטי. 2. ניהול תיק מטופל/אירוע - יצירת תיק דינמי לכל מטופל באירוע. המערכת תזהה ותקשר מידע למטופלים ספציפיים על בסיס נתונים ברורים (למשל שם, סימנים מזהים, או מיקום בטיפול). - מידע לא ודאי יישמר תחת "מידע לא מקוטלג" וניתן יהיה לשייך אותו ידנית בשלב מאוחר יותר. 3. שימוש במידע לאחר האירוע - מילוי אוטומטי של טפסים רפואיים באמצעות הנתונים שנאספו. - יצירת סיכום אירוע מובנה על בסיס תבניות מותאמות אישית. - שליחת סיכום האירוע למטופל ולגורמים רלוונטיים כמו בתי חולים או קופות חולים. 4. המלצות מבוססות AI - המערכת תוכל להציע המלצות להמשך טיפול על בסיס המידע בתיק האירוע והשוואה למקרים דומים מהעבר.

- פיתוח אפליקציה: Flutter או React Native לפיתוח חוצה פלטפורמות. - עיבוד שפה טבעית (NLP): שימוש ב-Google Speech-to-Text או AWS Transcribe. - מערכות ניהול מידע רפואי (EHR): שילוב עם שירותי ענן כמו AWS או Google Cloud לתיעוד ואחסון בטוח.

בתחום הרפואה, אבחון מדויק ומהיר יכול להיות קריטי להצלת חיים. עם זאת, מצבים רפואיים מורכבים עלולים להוביל לאבחונים שגויים או חלקיים, במיוחד כאשר ישנו חוסר במידע רפואי או כאשר נתונים חשובים אינם זוכים לתשומת הלב הנדרשת. כיום, מערכות כמו ProQA מסייעות למוקדי חירום להנחות ולתעדף מקרים רפואיים על בסיס תשובות סטנדרטיות. אך מה קורה כאשר התסמינים אינם תואמים לחלוטין למקרים המוגדרים? או כשיש מסמכים רפואיים נלווים שיכולים להצביע על מצב חירום אחר, פחות ברור? כאן נכנס הצורך בכלי שמציע מבט רחב ומעמיק יותר, המסוגל לזהות אבחנות אלטרנטיביות שעשויות להתפספס. כמו כן, קיים צורך להפוך את המידע שנאסף לתוצרים שימושיים כמו טפסים רפואיים, סיכומי אירוע, והמלצות רפואיות להמשך טיפול – תהליך שדורש זמן ומשאבים במתכונתו הידנית.

פיתוח מערכת חכמה שתסייע לרופאים ולמוקדי חירום בזיהוי אבחנות אלטרנטיביות על בסיס איסוף וניתוח מקיף של מידע רפואי, תוך מתן המלצות מותאמות אישית. 1. איסוף וניתוח מידע רפואי - קליטת מסמכים רפואיים ממגוון פורמטים (PDF, תמונות סרוקות, קבצי טקסט). - ניתוח התסמינים המדווחים לצד היסטוריה רפואית קיימת, כולל רגישויות, טיפולים קודמים, וממצאים מבדיקות מעבדה ודימות. 2. מנוע המלצות לאבחנות אלטרנטיביות - שימוש במודלים של למידת מכונה (ML) כדי לזהות דפוסים חריגים ולהשוות למאגרי נתונים רפואיים. - הצעת רשימה של אבחנות אלטרנטיביות מבוססות על השוואה עם מקרים רפואיים דומים וידע רפואי עדכני. 3. מערכת תיעדוף חכמה - תעדוף מצבים רפואיים דחופים ברשימת האבחנות האלטרנטיביות כדי לסייע בצמצום זמני תגובה והכוונה לטיפול מתאים. 4. המלצות לפעולה - הצעת בדיקות נוספות, ייעוצים מומלצים, או טיפולים אפשריים בהתאם לאבחנות המוצעות. - שילוב עם מערכות קיימות כמו ProQA לצורך הצלבת נתונים והוספת ערך מוסף בתהליך קבלת ההחלטות.

- עיבוד שפה טבעית (NLP): כדי לנתח טקסטים רפואיים לא מובנים מתוך מסמכים (ספריות כמו SpaCy או Transformers). - למידת מכונה: מודלים קלאסיים או מתקדמים, למשל XGBoost או מודלים עצביים עמוקים, לזיהוי דפוסים רפואיים מורכבים. - אינטגרציה עם ProQA: יצירת ממשק API לצורך שיתוף מידע מהיר ואפקטיבי.

גם כאשר חניון מציג את מספר החניות הפנויות, המידע אינו מספק הכוונה מדויקת למיקום החניה הפנויה או התאמתה לגודל הרכב. הדבר עלול להוביל למצב שבו נהגים נודדים בתוך החניון, מבזבזים זמן ומשאבים. חניות מסוימות עשויות להיות קטנות מדי עבור רכבים מסוימים או רחוקות יותר מהכניסה. כמו כן, בחניונים עמוסים, תהליך ההכוונה הופך למורכב עוד יותר כאשר מספר רכבים נכנסים במקביל.

מערכת חכמה שתדע לאפיין את הרכב הנכנס לפי גודלו ותכוון אותו לחניה הפנויה המתאימה ביותר. המערכת תחשב את הקרבה לנקודות מפתח בחניון (כגון הכניסה או היציאה) ואת התאמת גודל החניה לרכב. לכל רכב יוצג מסלול ברור ודינמי לחניה המתאימה ביותר באמצעות שילוט דיגיטלי בזמן אמת או אפליקציה. המערכת תוכל גם לנהל הכוונה של מספר רכבים במקביל בצורה אופטימלית.

פלטפורמת Firebase לניהול תקשורת בזמן אמת Android Studio לפיתוח ממשקי משתמש Python לפיתוח וניתוח נתונים

בשנים האחרונות בכלל ומאז פרוץ המלחמה בכלל מדינת ישראל מתמודדת עם התקפות כטב"מים עוינים מכיוונים מגוונים, כולל גבולות יבשה וים. כטב"מים אלה טסים בגבהים משתנים, לעיתים נמוכים במיוחד, ובאזורים עם תנאים סביבתיים שמקשים על זיהוי, כמו החזרי מכ"ם מהים או אדי מים שמפריעים למצלמות. המערכות הקיימות מתקשות בזיהוי עקבי ומדויק של הכטב"מים, מה שמוביל לסיכונים ביטחוניים משמעותיים.

פיתוח מערכת מולטי-חיישנים שתשלב מידע ממספר סוגי סנסורים כמו מכ"ם, מצלמות תרמיות, חיישני LiDAR ומיקרופונים כיווניים. המערכת תשתמש באלגוריתמים מתקדמים כמו Kalman Filter לשילוב נתונים מכל הסנסורים ולהגברת דיוק הזיהוי והניטור של הכטב"מים. הפתרון יכלול סימולציה שתציג את יכולת המערכת לזהות ולנטר כטב"מים בסביבות מאתגרות, כולל מעל הים ובתנאים משתנים.

Kalman Filter לאיחוד נתונים ממקורות שונים Python לעיבוד נתונים ROS (Robot Operating System) לפיתוח סימולציה וניהול סנסורים סימולטורים תומכי מכ"ם ו-LiDAR

בעיה למידת חיזוקים (Reinforcement Learning - RL) מאפשרת לסוכנים אוטונומיים, כמו רובוטים ורחפנים, ללמוד משימות מורכבות באמצעות ניסוי וטעייה, תוך קבלת "פרסים" על פעולות מוצלחות ו"עונשים" על טעויות. אבל הלמידה דורשת סביבה להתנסות בטוחה וללא עלויות כבדות. Unreal Engine 5.0 הוא כלי חינמי ליצירת עולמות וירטואליים מציאותיים, שבהם ניתן לדמות מגוון תרחישים כמו נהיגה, חיפוש שטח, ושיתוף פעולה בין סוכנים. האתגר: יצירת ממשק יעיל בין הסימולטור לבין אלגוריתם הבינה המלאכותית, כך שהסוכן ילמד בצורה מדויקת ואפקטיבית.

פיתוח סוכן אוטונומי שיפתור משימה בעולם וירטואלי שנוצר ב-Unreal Engine. תהליך העבודה כולל: 1. יצירת סביבה וירטואלית המתאימה למשימה (למשל כביש עירוני או שטח חיפוש). 2. פיתוח סוכן בינה מלאכותית המבוסס על למידת חיזוקים, תוך קבלת משוב שוטף על ביצועיו. 3. שיפור ביצועי הסוכן על ידי כיוונון נכון של ה"פרסים" וה"עונשים". דוגמאות למשימות: - רכב אוטונומי שמנווט דרך מסלול עירוני. - רחפן שמאתר אובייקטים בשטח. - למתקדמים - ריבוי סוכנים: צוות רובוטים שעובדים יחד לסרוק אזור גדול.

1. Unreal Engine 5.0 ליצירת הסביבה הווירטואלית. 2. Python עם ספריות RL. 3. מדריכים מקוונים על RL ושימוש ב-Unreal Engine.

עולם בדיקות התוכנה, עבר ברובו לבדיקות תוכנה אוטומטיות, ע"י כלים מתוחכמים. לעיתים קרובות נדרש להוכיח שרכיב תוכנה המבוסס תקשורת (UDP / TCP/IP) פועל בצורה תקינה. הדרך להוכיח היא ע"י הזרקת סדרת הודעות תקשורת, ובדיקה שסדרת התשובות המתקבלת מיחידת התוכנה הנבדקת, מתאימה לדרוש. לעיתים נדרש שהתקשורת תהיה אחרת, ולכן כדאי לאפשר בתכן גם תקשורות אחרות בעתיד. לעיתים נדרש לסמלץ שגיאות תקשורת שונות כדי לבדוק את תגובת המערכת.

פיתוח כלי בדיקות גנרי שיכול: 1. לשלוח הודעות תקשורת מוגדרות מראש ולנתח את התגובות של רכיב התוכנה הנבדק. 2. לאפשר התאמת תרחישי בדיקה חדשים על ידי שינוי קבצי קלט (TXT, XML או JSON) בלבד. 3. לסמלץ שגיאות תקשורת ולבדוק את תגובת הרכיב הנבדק. 4. להפיק לוג מפורט של ההודעות המשודרות והתשובות המתקבלות. דוגמאות לשימוש: - בדיקת רכיב שמנהל חיבורים באמצעות UDP. - בדיקת שרת TCP שמגיב לבקשות נתונים. - סימולציית תקלות רשת כמו חבילות שאבדו או הודעות פגומות.

1. Python או C++ לבניית הכלי. 2. קבצי TXT/XML/JSON להגדרת תרחישי הבדיקה. 3. קטעי לדוגמה (מהרשת) לשליחת וקבלת הודעות UDP/TCP.

רבים מהמשחקים המוכרים לנו, כמו שחמט או משחקי מחשב קלאסיים, נשארים נאמנים לחוקים המקוריים שלהם במשך עשרות שנים. אך מה אם היינו לוקחים משחק אהוב ומרעננים אותו? עם שינויים והרחבות, אפשר להפוך משחק מוכר לחוויה חדשה ומלהיבה, כזו שתאתגר את השחקנים ותשמר את העניין לאורך זמן. הצורך הוא ליצור משחק חדש, שמבוסס על משחק קיים, אך מציע פן נוסף של יצירתיות, אסטרטגיה או דינמיקה קבוצתית.

המטרה היא לבחור משחק לוח או משחק מחשב מוכר ולשנות אותו כך שיהפוך למשהו ייחודי. שלבי הפיתוח: 1. בחירת משחק בסיסי: שחמט, דמקה, סנייק, או כל משחק אהוב אחר. 2. הגדרת חוקי משחק חדשים: למשל, הוספת ממד שלישי לשחמט, הכנסת אלמנט של זמן למהלכים, או יצירת דינמיקה קבוצתית במשחק שהיה מיועד לשני שחקנים בלבד. 3. פיתוח הדגמה דיגיטלית: יצירת המשחק באמצעות Python או C++ עם הדגמה על PC. 4. שילוב אלמנטים אינטראקטיביים: אפשרות לשחק ברשת מול חברים או מול בינה מלאכותית. דוגמאות למשימות: - שחמט תלת-ממדי עם לוחות מרובים שבהם כלי משחק יכולים לנוע בין שכבות. - משחק אסטרטגיה שבו החוקים משתנים באופן אקראי כל כמה סיבובים. - משחק מבוסס זמן שבו לכל שחקן יש הגבלת זמן דינמית לכל מהלך בהתאם לביצועים שלו.

- שפות תכנות: Python או C++. - כלי פיתוח משחקים פשוטים (למשל Pygame עבור Python). - מדריכים מקוונים על פיתוח משחקים.

בעולם העסקי והטכנולוגי, כמויות עצומות של מידע זורמות אל מערכות ניהול. דשבורדים עמוסים במטריקות ודוחות עשויים להציג תמונה רחבה של נתונים, אך לעיתים קשה להבין אילו תובנות מהותיות ניתן לחלץ מהם. תהליך ההסקה מתוך המידע דורש מאמץ משמעותי, הבנה עמוקה של הקשרים בין הנתונים, ולעיתים גישה למקורות מידע חיצוניים כגון תיעוד, דוקומנטציה טכנית, וידע על המערכות שמפיקות את הנתונים.

כלי שמנתח נתונים ומסמכים רלוונטיים, ומפיק תובנות משמעותיות המקלות על קבלת החלטות. המערכת תשתמש במודל AI מתקדם שיקבל מערכי נתונים מגוונים, בשילוב מקורות מידע נוספים כמו תיעוד טכני וקוד, כדי לייצר תובנות אוטומטיות. למערכת יהיו כמה יכולות: 1. ניתוח נתונים - העלאת מערכי נתונים מהדשבורדים או ממערכות אחרות. - ניתוח מגמות, זיהוי חריגות, וקשרים בין משתנים. 2. שילוב מידע חיצוני - שילוב מקורות כגון תיעוד (Documentation), Help Center, קבצי Confluence, וקוד מקור. - המידע יעובד ויאוחד עם הנתונים ליצירת הקשר רחב ומעמיק. 3. הפקת תובנות מותאמות אישית - זיהוי בעיות פוטנציאליות, הזדמנויות לשיפור, ומגמות נסתרות. - תצוגה אינטראקטיבית של התובנות יחד עם הסבר מבוסס נתונים ומקורות. 4. המלצות ישימות - המלצות ספציפיות המבוססות על הנתונים וההקשר. - שיפור בתהליכים תפעוליים, זיהוי סיכונים או חיזוי ביצועים.

- ניתוח נתונים: Pandas, NumPy - למידת מכונה ו-AI: PyTorch, TensorFlow - NLP לניתוח מסמכים: Hugging Face, SpaCy - וויזואליזציה: Matplotlib, Seaborn, Plotly - מערכות BI: Power BI, Tableau

בשנים האחרונות אנו עדים למקרים טרגיים בהם ילדים נשכחים ברכב עקב הסחות דעת, עם השלכות קטלניות. במדינות רבות, במיוחד בחודשי הקיץ, מקרים כאלו עלולים להתרחש בשל השגרה העמוסה של ההורים והצוותים החינוכיים. נדרשת מערכת יעילה, פשוטה ובעלת השפעה מהירה שתוכל לזהות היעדרות של ילד כבר בתחילת היום וליצור קשר מיידי עם הוריו.

מערכת לניהול נוכחות המבוססת על זיהוי פנים: כל כיתה או גן יצוידו במאגר תמונות של כל התלמידים ומצלמה בכניסה לכיתה. בכל בוקר המצלמה תסרוק את התלמידים שנכנסו ותעדכן במערכת אם כולם הגיעו. במידה וילד לא נכנס לכיתה עד לשעה מסוימת, המערכת תשלח הודעה להוריו כדי לוודא שהוא בסדר. הודעה זו יכולה לשמש גם כתזכורת מצילת חיים במקרה של ילד שנשכח ברכב.

מצלמת Realsense עם יכולת זיהוי עומק

צוותי הנדסה נדרשים להתמודד עם עומס רב במשימות אבטחה קריטיות, הכוללות עמידה בדרישות תאימות ואיומי סייבר. העומס הזה גורם לכך שחלק מהמשימות החשובות נזנחות או לא מבוצעות בצורה יסודית. יש צורך בפיתרון שיאפשר הפחתת העומס באמצעות אוטומציה של תהליכי אימות ואבטחה, כך שכל הצוותים יוכלו לבצע בדיקות מקיפות ובקלות, גם עם כוח אדם מוגבל.

פיתוח מודל מבוסס בינה מלאכותית (GenAI) שיוכל לייצר אוטומציה של משימות אבטחה מתוך סדרת שלבים מוגדרת מראש. המערכת תשתמש במודלים שפותחו על ידי LLMs (מודלים גדולים בשפה) המותאמים במיוחד לצרכי אבטחה ויאפשרו לצוותים להפיק בדיקות אוטומטיות מקיפות, גם בתנאי עבודה מקוונים וגם במצב לא מקוון. הפלטפורמה תוכל לשלב פרטים מפלטפורמות שונות עליהן מתבצעות הבדיקות, כדי לשפר את איכות התוצאות המתקבלות ולהתאים את הבדיקות לצרכים של כל צוות.

Ollama / ChatGPT / Copilot / Claude AWS CLI Docker

בעת שימוש ברחפנים בשדה קרב נאסף מידע חשוב באמצעות סרטוני וידאו ותמונות, אך פעמים רבות הנתונים הללו נותרים ללא עיבוד יסודי או ניתוח. כתוצאה מכך, ניתוח סטטיסטי של הנתונים עלול להחמיץ תובנות קריטיות שיכולות לסייע במודיעין מבצעי. יש צורך במערכת שתוכל לרכז את הנתונים מהרחפנים ולהפיק מהם תובנות מודיעיניות תוך עמידה במדיניות הנתונים הנדרשת.

פיתוח מערכת מרכזית לניהול ועיבוד נתוני רחפנים שתשתמש בכלים קיימים להפקת תובנות מווידאו. המערכת תעשה שימוש במודלים לזיהוי אובייקטים כדי לנתח את המידע החזותי שנאסף מכלל הרחפנים ותציג תובנות מודיעיניות על בסיס מדדים שנקבעו מראש. כך, המערכת תאפשר הפקה יעילה של תובנות ממספר רחפנים בצורה מהירה וריכוזית.

מודלים לזיהוי אובייקטים ב-Python מודלים מאומנים של Hugging Face Notebook ML Python

הצורך בהעברת נתונים במהירות גבוהה הולך וגובר. בעוד שסיבים אופטיים מספקים מהירות גבוהה, הם דורשים תשתית פיזית יקרה ולא תמיד מעשית, במיוחד באזורים מרוחקים, אזורי אסון או במעברי מים. מערכת תקשורת אופטית במרחב חופשי (FSO) מציעה פתרון על ידי שימוש בלייזרים להעברת נתונים דרך האוויר. עם זאת, מערכת כזו מתמודדת עם אתגרים כמו יישור מדויק, הפרעות אטמוספריות והבטחת אמינות ובטיחות המידע המועבר.

מערכת תקשורת FSO שמשתמשת בלייזר להעברת נתונים בין שתי נקודות. הפרויקט יכול לכלול: 1. מודול שידור נתונים: המרת נתונים דיגיטליים (כגון טקסט, אודיו או תמונות) לפורמט המתאים לשידור באמצעות לייזר. 2. משדר לייזר: דיודה לייזרית או LED שישדרו את הנתונים כאותות אור. 3. מודול קליטה: גלאי פוטו (פוטודיודה או גלאי אחר) שיקבל את אותות האור ויפענח את הנתונים. 4. מערכת יישור קו ראייה: מנגנונים (ידניים או אוטומטיים) שיבטיחו יישור מדויק בין המשדר לקולט. 5. תיקון שגיאות ואבטחה: הטמעת תיקון שגיאות בסיסי להתמודדות עם אובדן נתונים וחקר שיטות הצפנה לשידור מאובטח.

חומרה: - דיודה לייזרית או LED - פוטודיודה או גלאי פוטו אחר - Arduino או Raspberry Pi לעיבוד נתונים - עדשות אופטיות למיקוד קרן תוכנה: - Python או C++ לקידוד/פענוח וטיפול בנתונים - כלים כמו MATLAB לדימוי המערכת - תוכנת עיצוב תלת-ממד לתכנון רכיבי יישור

מערכות סולאריות נייחות סובלות מאיבוד יעילות כאשר השמש זזה לאורך היום, מה שמוביל לירידה באיסוף האנרגיה. כדי למקסם את כמות האנרגיה הנאספת, יש צורך במערכת שיכולה לעקוב אחר תנועת השמש ולהתאים את זווית הפנלים בזמן אמת.

פיתוח מערכת פנלים סולאריים מתכווננת המבוססת על חיישני אור. המערכת תשתמש במנגנון איתור מיקום השמש כדי לכוון את הפנלים לזווית האופטימלית בכל רגע נתון. 1. חיישני אור: ארבעה חיישני אור (LDRs) ממוקמים בזוויות שונות על הפנל. שינויים בעוצמת האור בכל חיישן מאפשרים לקבוע את כיוון השמש. 2. מערכת שליטה ממונעת: מנועים זעירים או סרוו יניעו את הפנל כדי ליישרו בכיוון השמש. 3. לולאת משוב: קריאת נתוני עוצמת האור מכל חיישן תשמש כקלט למערכת, שתחשב את כיוון התנועה הדרוש ותבצע תיקונים. 4. מעקב רציף: המערכת תתפקד לאורך היום ותבצע התאמות קטנות לשמירה על היישור.

חומרה: - פאנל סולארי קטן לניסוי - חיישני LDR - סרוו או מנועים זעירים - בקר Arduino או Raspberry Pi תוכנה: - קוד לבקרת מנועים מבוסס על חיישנים - ספריית PID (בקר פרופורציונלי-אינטגרלי-נגזר) לשיפור לולאת המשוב - MATLAB או Excel לניתוח נתוני יעילות

בבתים חכמים קיימים כיום, השליטה מתבצעת בעיקר באמצעות אפליקציות או פקודות קוליות. עם זאת, ישנם מקרים בהם מגע או קול אינם נוחים או אפשריים, כמו כשידיים מלוכלכות או בסביבה רועשת. נדרשת שיטה נוחה, ללא מגע וללא תלות בקול, לשליטה במכשירי חשמל.

פיתוח מערכת בית חכם המבוססת על חיישנים אופטיים לזיהוי מחוות ידיים. המערכת תאפשר שליטה במגוון פונקציות ביתיות (תאורה, מזגן, טלוויזיה ועוד) באמצעות מחוות פשוטות. 1. חיישנים אופטיים: שימוש בחיישני IR או לייזר לזיהוי תנועות ידיים במרחב. 2. זיהוי מחוות: תכנות מערכת לזיהוי מחוות ידיים כגון סיבוב, החלקה למעלה/למטה, והצבעה לכיוונים מסוימים. 3. שליטה במכשירים: התאמת מחוות לפעולות, לדוגמה: - החלקת יד מעלה/מטה לשינוי עוצמת תאורה - הצבעה לשמאל/ימין לשינוי ערוץ בטלוויזיה - מחוות מעגליות לשליטה על טמפרטורה במזגן 4. משוב חזותי וקולי: מערכת תיתן משוב מיידי למשתמש באמצעות חיווי קולי או תאורה כדי לוודא שהפעולה בוצעה.

חומרה: - חיישני IR (למשל, VL53L0X או Leap Motion) - לוח Arduino או Raspberry Pi - מודולים לתקשורת אלחוטית (Wi-Fi/Bluetooth) תוכנה: - ספריות עיבוד תנועות ידיים (כגון OpenCV) - ממשק לשליטה על מכשירי הבית החכם (פרוטוקול MQTT) - כלי הדמיה לבדיקת מחוות

סטארטאפים וחברות רבות במתחמי עבודה משותפים כמו WeWork ו-Urban מחפשים קשרים אמינים עם אנשי מקצוע אחרים בתחום. הצורך יכול לנבוע מצורך בשירות מסוים או ברצון לבצע חילופי שירותים (בארטר). כיום אין דרך יעילה למצוא ולחבר בין אנשי מקצוע וחברות במתחמים הללו, מה שמונע ניצול פוטנציאל מלא של רשתות הקשרים שנמצאות ממש לידם.

פיתוח פלטפורמה שתאפשר לאנשי מקצוע ולחברות להתחבר זה לזה במתחם על בסיס פרופילים עסקיים, תחומי עניין משותפים, או קריאות עזרה מקצועיות. הפלטפורמה יכולה לכלול אפשרות לצ'אט ישיר, לוח הצעות עבודה וחילופי שירותים (בארטר), קריאות לעזרה מקצועית, לוח אירועים ומפגשים ייעודיים לשיתופי פעולה, והמלצות מותאמות אישית לשיתופי פעולה פוטנציאליים.

שימוש ב-Flutter ,Firebase ו-Javascript או שפות וספריות אחרות.

למשטרת ישראל קיים מאגר עצום של האזנות סתר המשמשות לחקירות פליליות, אך בשל מגבלות משאבים, קשה לעבור ולנתח את כל החומרים הנאספים. התוצאה היא שחומרים רלוונטיים עלולים להישאר ללא ניתוח, וקשה לחבר הקשרים בין הקלטות מתיקים קודמים לבין חקירות חדשות. נדרשת מערכת שתוכל לארגן את המידע, לחפש אזכורים חשובים ולשלוף במהירות מידע על חשודים לפי פרמטרים כמו שם או תעודת זהות, כדי לתמוך באכיפה יעילה ומהירה יותר.

פלטפורמה חכמה שתעשה שימוש בטכנולוגיית Speech-to-Text להמרת האזנות סתר לתמלילים. הפלטפורמה תייצר סיכומים בשלוש רמות אורך (עד 50 מילים, עד 200 מילים ועד 1000 מילים) כדי להקל על ניתוח מהיר של התוכן. בנוסף, המערכת תכיל מילון מילות מפתח וסלנג עברייני שתסייע בזיהוי דפוסי שיחה חשודים או קודים שנעשה בהם שימוש. המערכת תאפשר חיפוש לפי מילות מפתח, תעודת זהות או שם ותיצור הקשרים בין פרשיות ותיקים שונים כדי לזהות חיבורים רלוונטיים לחקירות עתידיות.

Speech-to-Text להמרת הקלטות לתמלילים. ניתוח טקסט עם BI לניתוח והצלבת מידע ממקורות שונים.

עמותות וארגונים בישראל ובעולם מתקשים לאתר תורמים בעלי פוטנציאל לתרום סכומים משמעותיים, כמו חברות עסקיות וקרנות פילנתרופיות. לעיתים, הם מתמקדים בתורמים פרטיים בלבד ומפספסים שותפים אסטרטגיים בעלי פרופיל תרומות התואם את תחום הפעילות שלהם.

פיתוח מערכת חכמה המסייעת לארגונים לאתר תורמים פוטנציאליים על בסיס פרופיל הפעילות שלהם. 1. ניתוח פרופיל הארגון: המערכת תאפשר לארגון להזין נתונים כמו תחום פעילות, קהל יעד, מיקום גיאוגרפי ותחומי עניין. המידע יתויג באמצעות כלי בינה מלאכותית. 2. סינון חכם של תורמים: המערכת תבצע חיפוש במאגרים פומביים כמו דו"חות אחריות חברתית, תרומות בעבר ודיווחי חברות, ותמצא חברות וקרנות שתורמות לארגונים בעלי פרופיל דומה. 3. התאמה אישית: יצירת רשימה מותאמת אישית של חברות וקרנות עם מידע על תחומי הפעילות שלהן, גובה התרומות בעבר ואופן הפנייה הרצוי.

1. AI לניתוח פרופיל הארגון: - OpenAI - Google NLP - API לעיבוד שפה טבעית 2. מאגרים ציבוריים: - אתר הבורסה - מאגרי קרנות פילנתרופיה (למשל, GuideStar) - אתרים חברתיים כמו LinkedIn

תחום האוריינות הוויזואלית, במיוחד בהקשר של השואה והעולם היהודי, מתמודד עם חוסר בכלים מתקדמים לניתוח חומר ויזואלי. אין כיום פלטפורמה שמאפשרת: - פירוק חומר ויזואלי (תצלומים, סרטים, אמנות) לגורמים שניתן לנתחם. - השוואת מקורות מאותו מדיום וממדיומים שונים. - קטלוג ביקורתי של מידע ויזואלי בצורה נוחה וחכמה. המגבלות הללו מקשות על חוקרים ואנשי חינוך בהבנה ובהוראה של תכנים ויזואליים מהתקופה הזו.

יצירת פלטפורמה דיגיטלית מתקדמת שתשלב כלים קיימים ותפתח כלים חדשים, שתאפשר: 1. פירוק וניתוח חומר ויזואלי: - זיהוי אלמנטים בתמונות, סרטים ויצירות אמנות (פנים, חפצים, רקעים). - יצירת שכבות מידע המפרקות יצירות ויזואליות לגורמים נפרדים. 2. השוואת מקורות: - איתור חומרים דומים לפי תוכן, מדיום או תקופה. - השוואת הקשרים היסטוריים ותרבותיים בין חומרים ממקורות שונים. 3. קטגוריזציה וביקורת: - הוספת תגים וקטגוריות המאפשרים חיפוש מהיר ונוח. - כלים לעבודה ביקורתית הכוללים דיונים והערות על בסיס החומרים. 4. כלים ללמידה אינטראקטיבית: - יצירת מסלולי לימוד המשלבים חומרים ממקורות שונים. - ממשקים לאנשי חינוך המאפשרים לבנות מערכי שיעור מבוססי חומר ויזואלי.

1. דאטה: - העמותה תספק דאטה של חומרים רלוונטים. 2. ספריות לניתוח תמונה: - OpenCV - Google Vision API 3. מסדי נתונים חזותיים: - Elasticsearch לתמיכה בחיפושים מורכבים. 4. תשתיות AI: - TensorFlow/PyTorch

במצבי חירום כגון אסונות טבע, מלחמות או פגיעות בתשתיות, מערכות התקשורת המסורתיות כמו אינטרנט וסלולר עלולות לקרוס, להשבית או להעמיס על הרשתות. כתוצאה מכך, העברת הודעות חירום הופכת לאתגר משמעותי, במיוחד באזורים מרוחקים או מנותקים.

פיתוח מערכת חירום קומפקטית המבוססת על שילוב מכשיר סמארטפון, מיקרו בקר ומודול שידור בגלי רדיו. המערכת תאפשר: - קידוד הודעות חירום בקוד מורס (Morse Code) בצורה אוטומטית. - שידור ההודעות בתחום תדרים המיועדים לחובבי רדיו המאושרים על ידי משרד התקשורת. - חובבי רדיו יוכלו לקלוט את ההודעות ולהעביר את המידע לגורמי החילוץ והעזרה.

1. חומרה: - Arduino/ESP32 - מודול שידור RF (כגון CC1101 או HC-12) - סמארטפון עם מערכת הפעלה - אנדרואיד/iOS 2. תוכנה: - Python/PHP ליצירת אפליקציית הקידוד והשליטה. - Arduino IDE לתכנות המיקרובקר. 3. מקורות מידע: אגודת חובבי רדיו בישראל: https://www.iarc.org/ מדריך קוד מורס: https://morsecode.world/ פרויקט שידור פשוט: https://makerf.com/posts/ten-minute-transmitter

סטודנטים רבים מתחילים את לימודי התואר הראשון אך נושרים לפני סיומו. נשירה זו גורמת לבזבוז זמן ומשאבים מצד הסטודנטים והן מצד המוסדות האקדמיים, ופוגעת במערכת החינוך הגבוהה כולה.

פיתוח מערכת מבוססת למידת מכונה (Machine Learning) שתוכל לחזות את סיכויי ההצלחה של סטודנטים בתואר ראשון, על בסיס: - נתוני קבלה (למשל, בגרויות, פסיכומטרי, ציוני מכינה). - ביצועים במהלך השנה הראשונה ללימודים. 1. תחזית נשירה מוקדמת: האלגוריתם ינטר נתוני קבלה וציונים בשנה א' כדי לחזות את סיכויי הסטודנט לסיים את התואר בהצלחה. 2. הכוונה מותאמת אישית: לסטודנטים בסיכון גבוה לנשירה יוצעו מסלולים חלופיים המתאימים יותר לנתוניהם או המלצות על תכניות תמיכה ומעקב במהלך התואר. 3. שקיפות המערכת: פיתוח מערכת "קופסה לבנה" שתאפשר לצוות האקדמי להבין אילו גורמים משפיעים על סיכויי ההצלחה, לטובת התאמת עזרה מותאמת אישית לסטודנטים.

1. שפות תכנות וספריות: - Python (ספריות כמו pandas, scikit-learn, xgboost) - Visual Studio Code או Jupyter Notebook לניהול הפרויקט. 2. ניתוח נתונים: - Data Visualization עם Matplotlib או Seaborn כדי להציג את הגורמים המשפיעים. 3. אינטגרציה למערכת אקדמית: - Web Framework כמו Flask או Django לפיתוח מערכת אינטרנטית אינטראקטיבית.