לב-טק | האקתון HackHerIt

		זום	טל	לוסטיג
18:00	התחלת עבודה בליווי מנטורים	ראשי	קומה 3	לשם
19:00	נשנושים	ראשי	קומה 3	לשם
21:00	סיום	ראשי	קומה 3	לשם

		זום	טל	לוסטיג
18:00	התחלת עבודה בליווי מנטורים	ראשי	קומה 3	לשם
19:00	נשנושים	ראשי	קומה 3	לשם
21:00	סיום	ראשי	קומה 3	לשם

		זום	טל	לוסטיג
19:00	התחלת עבודה בליווי מנטורים	ראשי	קומה 3	לשם
20:00	נשנושים	ראשי	קומה 3	לשם
22:00	סיום	ראשי	קומה 3	לשם

		זום	טל	לוסטיג
19:00	התחלת עבודה בליווי מנטורים	ראשי	קומה 3	לשם
20:00	נשנושים	ראשי	קומה 3	לשם
22:00	סיום	ראשי	קומה 3	לשם

		זום		לוסטיג
13:30	קבלת פנים - בראנצ'	צוות	קומה 6	לשם
14:30	אירוע פתיחה	-	אלה	לשם
15:00	מתחילים לעבוד	ראשי	קומה 3	לשם
16:00	הגשת דו"ח פרטי קבוצה	-	סילבוס	לשם
16:30	מפגש ראשי קבוצות טיפים לניהול קבוצה בהאקתון	-	אלה	לשם
18:00	הצגת רעיון לדמו	-	קומה 3	לשם
19:30	ארוחת ערב	-	קומה 3	לשם
21:00	דגשים לפרזנטציה (2 נציגות מכל קבוצה, טכני ושיווקי)	-	אלה	לשם
22:00	הגשת דו"ח תמנ"צ 3	ראשי	סילבוס	לשם
22:30	הגרלה לסדר ההצגות בחצי הגמר	ראשי	קומה 3	כיתה 2-3
00:00	ארוחה לילית + הגרלה על פרסים לנוכחות בלבד	-	קומה 3	-

		זום		לוסטיג
08:00	ארוחת בוקר והמשך פיתוח קבוצתי	סילבוס	קומה 3	סילבוס
12:00	ארוחת צהריים	סילבוס	קומה 3	סילבוס
14:00	תמונת אווירה משותפת	קומה 3	קומה 3	קומה 3
17:00	סבב הערכת מורכבות טכנולוגית	סילבוס	קומה 3	סילבוס
18:00	חצי הגמר חזרה גנרלית לפרזנטציות + פידבקים	-	אלה	לשם
19:00	ארוחת ערב	ראשי	קומה 3	לשם
20:00	חצי הגמר חזרה גנרלית לפרזנטציות + פידבקים	ראשי	אלה	לשם
00:00	ארוחה לילית + הגרלה על פרסים לנוכחות בלבד	ראשי	קומה 3	לשם

		זום		לוסטיג
03:00	סיום משוער לחצי גמר	סילבוס	-	סילבוס
06:00	מעבר על שיפורים לצורך החלטה על עלייה לגמר	סילבוס	קומה 3	סילבוס
07:00	הכרזה על העולות לגמר	קומה 3	לובי	קומה 3
08:00	סוף זמן שליחת מצגות לגמר	סילבוס	סילבוס	סילבוס
08:30	ארוחת בוקר	-	קומה 3	לשם
09:30	אירוע הגמר הצגת הפרויקטים בפני שופטים	ראשי	אלה	לשם
11:30	בראנצ'	ראשי	קומה 6	לשם
12:30	הכרזה על הזוכות	ראשי	אלה	לשם

אלביט מערכות תקשוב וסייבר
חתימה דיגיטלית סמויה בוידאו למניעת Deep Fake

בעיה

השיפור המואץ ביכולות הבינה המלאכותית הופך את היכולת להבדיל בין תיעוד מקורי לבין סרטוני &amp;amp;amp;amp;amp;amp;amp;quot;דיפ פייק&amp;amp;amp;amp;amp;amp;amp;quot; או וידאו שעבר מניפולציה לכמעט בלתי אפשרית בעין אנושית. מצב זה פוגע קשות באמינות המידע ובאמון הצרכן. כיום, רוב מנגנוני האימות מבוססים על נתוני Metadata בראש הקובץ (Header), אשר נמחקים בקלות בעת עריכה, הקלטת מסך או צילום מחדש של הוידאו על ידי מצלמה חיצונית (הפרצה האנלוגית), מה שמותיר את הוידאו ללא סימני זיהוי של המקור המפיץ.

פיתרון

פיתוח טכנולוגיה לשתילת סימן מים (Watermark) ויזואלי סמוי בתוך גוף הוידאו, בדומה למנגנוני הגנה בשטרות כסף. על החתימה להיות בלתי מובחנת לחלוטין לעין אנושית ולשמור על איכות הוידאו המקורית, אך מנגד להיות עמידה בפני הקלטות מסך, דחיסה, או צילום מחדש. המערכת תאפשר זיהוי חד-ערכי של זהות המפיץ באמצעות כלי תוכנה פשוט.

רמזים

1. ניצול התחום הדינמי הרחב של התמונה (Dynamic Range) להטמעת מידע סמוי. 2. שימוש בשיטות סטגנוגרפיה מתקדמות במישור המרחבי או התדר (Frequency Domain). 3. הטמעת מידע מבוזר בין פריימים (Temporal Watermarking) ליצירת חסינות לצילום מחדש. 4. שימוש במניפולציות עיבוד תמונה עדינות המדמות QR Code או ברקוד ויזואלי שאינו נראה לעין. 5. בחינת עמידות האלגוריתם מול שינויי רזולוציה, דחיסת וידאו (Codec) ורעשים הנגזרים מהצילום. 6. יצירת אינטגרציה בין פריימים להגברת חוזק החתימה.

כלים

1. שפות תכנות: Python או C++ לביצועים גבוהים. 2. ספריות עיבוד: OpenCV, FFmpeg, ImageMagick. 3. מודלים של למידה עמוקה: CNNs המיועדים לסטגנוגרפיה (Steganography). 4. כלים לניתוח וידאו במישור התדר (כגון DWT או DCT).

זכויות יוצרים: החברה מעוניינת לקבל זכויות שימוש אבל אין לה צורך בזכויות יוצרים - לאחר ההאקתון החברה והמשתתפים שיבחרו באתגר יסדירו תנאים משלימים

רלוונטי בעיקר למחלקות: תוכנה ומדמ"ח ביו-אינפורמטיקה אלקטרו-אופטיקה תעו"נ כריית מידע מנהל עסקים חשבונאות

The Sandbox & DDRD
שליטה קולית אוטונומית ברובוטים מבוססת ראייה

בעיה

הפעלת כלים רובוטיים ורחפנים בשטח דורשת מיומנות טכנית גבוהה ומסיחה את דעת המפעיל מהמשימה המבצעית. כיום, קיים פער טכנולוגי בתרגום פקודות קוליות בשפה חופשית לפעולות פיזיות המבוססות על הבנת הסביבה בזמן אמת. הקושי מתעצם בתנאי שטח קיצוניים הכוללים רעשי רקע חזקים (כמו ירי ופיצוצים), תאורה לקויה, וצורך הכרחי בעיבוד מקומי על חומרת קצה ללא הסתמכות על שירותי ענן, מה שמקשה על ביצוע משימות ניווט מורכבות בסביבה דינמית ולא מתוכננת.

פיתרון

פיתוח מערכת שליטה ובקרה לרובוט או רחפן המשלבת עיבוד שפה טבעית (NLP), ראייה ממוחשבת ובקרת תנועה. המערכת תפרש פקודות קוליות המבוססות על חוזי האמצעי, תבצע ניתוח סביבה אוטונומי ותתרגם אותן לפקודות תנועה לביצוע פיזי במרחב (לדוגמה: "צא דרך הדלת"). המערכת נדרשת להפגין חסינות לרעשים ודינמיות, ולפעול באופן מלא על חומרה מקומית. אתגר זה הוא חלק מתחרות B.U.I.L.D המתקיימת במקביל, המקדמת פתרונות טכנולוגיים יישומיים לצרכים מבצעיים בשטח. פתרונות שיזכו בתחרות יכולים להנות מתמיכה כספים נוספת להמשך פיתוח הפתרון. זכייה בתחרות כרוכה במתן מענה למדדי ההצלחה המפורטים במסמך הטכני המצורף; ככל שהפתרון יקיף מספר רב יותר של דרישות, כך יגדלו סיכויי הזכייה בתחרות. מסמך דרישות טכני מלא בקישור: https://levtech.jct.ac.il/assets/files/B.U.I.L.D/B.U.I.L.D%20CHAL%20(1).pdf פרטים נוספים על תחרות B.U.I.L.D בקישור: https://levtech.jct.ac.il/Competitions_BUILD

רמזים

1. שימוש במודלי שפה וראייה מוקטנים (SLM) המותאמים להרצה על מעבדי קצה. 2. שילוב אלגוריתמי זיהוי אובייקטים בזמן אמת עם הבנת הקשר מרחבי וסמנטי. 3. פיתוח מנגנוני סינון רעש אקוסטי מבוססי בינה מלאכותית לשיפור אמינות זיהוי הדיבור. 4. מיפוי סמנטי של הסביבה בזמן אמת לזיהוי נתיבי תנועה, מכשולים ופתחים. 5. יצירת ממשק אדם-מכונה אינטואיטיבי המפחית עומס קוגניטיבי מהמפעיל בסביבה לחוצה. 6. התחשבות במגבלות הספק וצריכת אנרגיה של רכיבי החומרה הרובוטיים.

כלים

1. ספריות תוכנה: OpenCV, PyTorch, TensorFlow, ROS2, HuggingFace. 2. חומרת קצה מומלצת: NVIDIA Jetson, Raspberry Pi, Coral TPU. 3. מודלי NLP וזיהוי דיבור: Whisper (גרסאות מותאמות), מודלי Transformer קלים. 4. ספריות ניהול שמע וסינון רעשים.

זכויות יוצרים: לחברה אין צורך בזכויות יוצרים

רלוונטי בעיקר למחלקות: תוכנה ומדמ"ח ביו-אינפורמטיקה אלקטרו-אופטיקה תעו"נ כריית מידע מנהל עסקים חשבונאות

The Sandbox & DDRD
היתוך חיישנים רב-ממדי לתפיסה מרחבית וזיהוי חומרים

בעיה

מערכות אוטונומיות ורובוטיות הפועלות בשטח מתמודדות עם קושי משמעותי בזיהוי מדויק של תוואי הקרקע והסביבה באמצעות חיישן בודד. מגבלות אופטיות (כמו אבק, עשן או חושך) או מגבלות פיזיקליות של חיישני מרחק מקשות על הבחנה בין סוגי חומרים (כגון מים, מתכת או אדמה) ועל בניית תמונה מרחבית אמינה. האתגר מחמיר כאשר נדרש פתרון יעיל תחת מגבלות מחמירות של גודל, משקל, צריכת הספק ועלות (SWaP-C), המונעות שימוש במערכות יקרות ומסורבלות הקיימות כיום בשוק.

פיתרון

פיתוח מערכת היתוך מולטי-סנסוריאלית קומפקטית המבוססת על רכיבי מדף (COTS). המערכת תשלב קלט ממספר חיישנים שונים ליצירת תמונת עולם עשירה המאפשרת זיהוי חומרים ותפיסה מרחבית משופרת מעבר ליכולת של כל חיישן בנפרד. אתגר זה הוא חלק מתחרות B.U.I.L.D המתקיימת במקביל, המקדמת פתרונות טכנולוגיים יישומיים לצרכים מבצעיים בשטח. פתרונות שיזכו בתחרות יכולים להנות מתמיכה כספים נוספת להמשך פיתוח הפתרון. זכייה בתחרות כרוכה במתן מענה למדדי ההצלחה המפורטים במסמך הטכני המצורף; ככל שהפתרון יקיף מספר רב יותר של דרישות, כך יגדלו סיכויי הזכייה בתחרות. מסמך דרישות טכני מלא בקישור: https://levtech.jct.ac.il/assets/files/B.U.I.L.D/B.U.I.L.D%20CHAL%20(1).pdf פרטים נוספים על תחרות B.U.I.L.D בקישור: https://levtech.jct.ac.il/Competitions_BUILD

רמזים

1. פיתוח אלגוריתמים להיתוך נתונים (Data Fusion) ברמת הפיקסל או ברמת האובייקט לשיפור האמינות. 2. אופטימיזציה של צריכת הספק ומשקל המערכת (עד 1.5 ק"ג) להתקנה על רחפנים או רובוטים קטנים. 3. התמודדות עם רעשי חיישנים וכיול (Calibration) בין אמצעים בעלי קצבי דגימה שונים. 4. שימוש בשיטות למידת מכונה לסיווג חומרים על בסיס חתימות חיישניות משולבות.

כלים

1. שפות תכנות וסביבות עבודה: Python, C++, ROS2. 2. רכיבי חומרה: חיישני TOF, חיישני IR, מצלמות עומק, יחידות עיבוד (NVIDIA Jetson, Raspberry Pi). 3. ספריות עיבוד נתונים: OpenCV, PCL (Point Cloud Library), NumPy. 4. ממשקי תקשורת חומרתיים: I2C, SPI, UART. 5. פרטים נוספים על תחרות B.U.I.L.D בקישור: https://levtech.jct.ac.il/Competitions_BUILD 6. מסמך דרישות טכני מלא בקישור: https://levtech.jct.ac.il/assets/files/B.U.I.L.D/B.U.I.L.D%20CHAL%20(2).pdf

זכויות יוצרים: לחברה אין צורך בזכויות יוצרים

רלוונטי בעיקר למחלקות: תוכנה ומדמ"ח ביו-אינפורמטיקה אלקטרו-אופטיקה תעו"נ כריית מידע מנהל עסקים חשבונאות

The Sandbox & DDRD
מדפסת תלת-מימד ניידת ועמידה לשימוש מבצעי בשטח

בעיה

כוחות הפועלים בשטח מרוחק סובלים מתלות לוגיסטית קריטית באספקת חלקי חילוף לרכיבים טכנולוגיים כמו רחפנים ואמצעי תצפית. כיום, כל שבר או תקלה מכנית דורשים המתנה ממושכת למשלוח או פינוי הציוד לסדנאות קבועות. מדפסות תלת-מימד קיימות הן כבדות, רגישות לזעזועים, דורשות תשתית חשמל יציבה וייצוב מפני תנאי סביבה (אבק, לחות וקרקע לא ישרה). פער זה מונע עצמאות מבצעית ומעכב את המשך המשימה בשל תקלות שניתן היה לפתור במקום באמצעות ייצור מהיר.

פיתרון

פיתוח מערכת הדפסת תלת-מימד קומפקטית, קלת משקל ועמידה, המותאמת לנשיאה בתיק גב של לוחם ולפעולה אוטונומית בשטח. על המערכת לאפשר הדפסת חלקי חילוף פונקציונליים ללא צורך בתשתית ייצוב או סדנה קבועה. אתגר זה הוא חלק מתחרות B.U.I.L.D המתקיימת במקביל, המקדמת פתרונות טכנולוגיים יישומיים לצרכים מבצעיים בשטח. פתרונות שיזכו בתחרות יכולים ליהנות מתמיכה כספית נוספת להמשך פיתוח הפתרון.

רמזים

1. בחינת טכנולוגיות הדפסה (כגון FDM) ועמידותן לתנודות וזעזועים בזמן עבודה. 2. תכנון שלדה מחומרים קלים (סיבי פחמן, אלומיניום תעופתי) המאפשרת קיפול או פירוק מהיר. 3. פיתוח מנגנוני פילוס וייצוב אקטיביים להתמודדות עם משטחי עבודה לא ישרים בשטח. 4. אופטימיזציה של צריכת האנרגיה לטובת עבודה ממושכת על בסיס סוללות נטענות או מטעני שטח. 5. שימוש בחומרי גלם עמידים לטמפרטורות גבוהות וקרינת UV המתאימים ליישומים צבאיים.

כלים

1. תוכנות תכנון מכני (CAD) כגון SolidWorks, Fusion 360 או Onshape. 2. בקרים זעירים (Arduino, ESP32, STM32) לניהול בקרת התנועה והייצוב. 3. רכיבי הנעה מדויקים וקלי משקל (מנועי צעד NEMA, מסילות ליניאריות). 4. סוללות ליתיום-יון ומערכות ניהול טעינה (BMS) ניידות. 5. פרטים נוספים על תחרות B.U.I.L.D בקישור: https://levtech.jct.ac.il/Competitions_BUILD 6. מסמך דרישות טכני מלא בקישור: https://levtech.jct.ac.il/assets/files/B.U.I.L.D/B.U.I.L.D%20CHAL%20(3).pdf

זכויות יוצרים: לחברה אין צורך בזכויות יוצרים

רלוונטי בעיקר למחלקות: תוכנה ומדמ"ח ביו-אינפורמטיקה אלקטרו-אופטיקה תעו"נ כריית מידע מנהל עסקים חשבונאות

The Sandbox & DDRD
מערכת ניידת להפקת אנרגיה מפסולת אורגנית בשטח

בעיה

כוחות הפועלים במתארים מנותקים לוגיסטית מתמודדים עם אתגרים כפולים: אספקת אנרגיה רציפה וניהול פסולת. הצטברות פסולת אורגנית (שאריות מזון, פסולת אנושית) מהווה נטל תברואתי וחתימה בשטח שעלולה לחשוף את מיקום הכוח. כיום, אין פתרון טקטי המאפשר להפוך את הפסולת הזו למשאב אנרגטי זמין. הצורך הוא במערכת קומפקטית ובטוחה שתדע להפיק חשמל או דלק שמיש מפסולת מזדמנת, תוך מניעת פליטת גזים רעילים ושמירה על חתימה נמוכה בסביבה מבצעית לחוצה.

פיתרון

פיתוח מערכת נישאת לוחם לניצול פסולת אורגנית והפיכתה לאנרגיה זמינה (חשמל או הזנה לגנרטור). המערכת נדרשת להיות פשוטה לתפעול, בטוחה לחלוטין לשימוש ללא פליטות מסוכנות, ובעלת חתימה אקוסטית ותרמית נמוכה. אתגר זה הוא חלק מתחרות B.U.I.L.D המתקיימת במקביל, המקדמת פתרונות טכנולוגיים יישומיים לצרכים מבצעיים בשטח. פתרונות שיזכו בתחרות יכולים ליהנות מתמיכה כספית נוספת להמשך פיתוח הפתרון.

רמזים

1. בחינת תהליכי עיכול אנאירובי מהירים או גזיפיקציה זעירה המותאמים לקנה מידה אישי. 2. פיתוח מנגנוני סינון אקטיביים או פסיביים לנטרול ריחות וגזים רעילים (כמו H2S). 3. אופטימיזציה של יחס משקל-תפוקה המאפשרת נשיאה בתיק גב ללא הכבדה משמעותית. 4. התאמת הפלט האנרגטי (גז או נוזל) להפעלה ישירה של מנועי בעירה פנימית קטנים (גנרטורים). 5. שימוש בחומרים עמידים לקורוזיה ותנאי שטח קיצוניים (בוץ, אבק, לחות). 6. תכנון ממשק הזנה פשוט המאפשר טיפול בסוגי פסולת מגוונים (רטוב/יבש).

כלים

1. טכנולוגיות המרה תרמו-כימיות או ביו-כימיות זעירות (Micro-digesters). 2. חיישני ניטור גזים (Methane, CO2) ומערכות בקרה מבוססות Arduino או ESP32. 3. חומרים מבודדים תרמית וקלי משקל (סיבי פחמן, פולימרים עמידים בחום). 4. רכיבי המרת אנרגיה וניהול הספק (Charge Controllers, Inverters). 5. פרטים נוספים על תחרות B.U.I.L.D בקישור: https://levtech.jct.ac.il/Competitions_BUILD 6. מסמך דרישות טכני מלא בקישור: https://levtech.jct.ac.il/assets/files/B.U.I.L.D/B.U.I.L.D%20CHAL%20(4).pdf

זכויות יוצרים: לחברה אין צורך בזכויות יוצרים

רלוונטי בעיקר למחלקות: תוכנה ומדמ"ח ביו-אינפורמטיקה אלקטרו-אופטיקה תעו"נ כריית מידע מנהל עסקים חשבונאות

The Sandbox & DDRD
גילוי מטענים אוטונומי מרחוק בסביבה רוויית הפרעות

בעיה

כניסת כוחות לתא שטח לא סרוק טומנת בחובה סיכון חיים בשל נוכחות מטעני חבלה. כיום, זיהוי מטענים מתבצע לרוב באיטיות או בקרבה מסוכנת לאיום. הקושי המרכזי הוא זיהוי מרכיבי המטען בסביבות "רועשות" מבחינה פיזית וטכנולוגית, הכוללות הריסות מבנים, גרוטאות מתכת וכלים כבדים. גורמים אלו מייצרים התראות שווא רבות ומקשים על הפרדת המטען מהרקע. נדרשת יכולת סריקה מהירה ומדויקת מרחוק שתאפשר שלילת נוכחות מטענים בתא שטח בטרם כניסת הכוח, תוך שמירה על רמת ודאות גבוהה.

פיתרון

פיתוח מערכת לסריקה מוקדמת וגילוי מטענים המסוגלת לזהות לפחות מרכיב אחד של זירת המטען (כמו מארז, חנ"ם או אלקטרוניקה) בסביבה מורכבת. המערכת צריכה לפעול במהירות ובמרחק בטוח, תוך מתן ודאות גבוהה בשלילת איום. אתגר זה הוא חלק מתחרות B.U.I.L.D המתקיימת במקביל, המקדמת פתרונות טכנולוגיים יישומיים לצרכים מבצעיים בשטח. פתרונות שיזכו בתחרות יכולים להנות מתמיכה כספים נוספת להמשך פיתוח הפתרון. זכייה בתחרות כרוכה במתן מענה למדדי ההצלחה המפורטים במסמך הטכני המצורף; ככל שהפתרון יקיף מספר רב יותר של דרישות, כך יגדלו סיכויי הזכייה בתחרות. מסמך דרישות טכני מלא בקישור: https://levtech.jct.ac.il/assets/files/B.U.I.L.D/B.U.I.L.D%20CHAL%20(5).pdf פרטים נוספים על תחרות B.U.I.L.D בקישור: https://levtech.jct.ac.il/Competitions_BUILD

רמזים

1. שילוב חיישנים (Sensor Fusion) כגון מכ"ם חודר קרקע (GPR), חיישנים מגנטיים או מצלמות היפר-ספקטרליות. 2. אלגוריתמי למידת מכונה לזיהוי חריגים (Anomaly Detection) וסיווג אובייקטים בסביבה עמוסה במתכות והריסות. 3. פיתוח יכולת פעולה על גבי פלטפורמה רובוטית או רחפן לביצוע סריקה אוטונומית מרחוק. [cite: 3] 4. טכניקות לעיבוד אותות בזמן אמת לצורך השגת מהירות זיהוי גבוהה ללא פגיעה בדיוק. 5. בניית מודלים להפחתת התראות שווא הנובעות מחפצים תמימים בשטח (הפרעות סטטיות).

כלים

1. מערכות חישה: LiDAR, מכ"ם גלים מילימטריים, מצלמות תרמיות וחיישנים מגנטיים. 2. פלטפורמות פיתוח: ROS2 לבקרת תנועה, OpenCV ו-PyTorch לעיבוד תמונה וסיווג. 3. יחידות עיבוד קצה: NVIDIA Jetson או מעבדים ייעודיים לעיבוד אותות מהיר. 4. סימולטורים לסביבות שטח מורכבות (Gazebo/Unity) לבחינת אלגוריתמי הגילוי. 5. פרטים נוספים על תחרות B.U.I.L.D בקישור: https://levtech.jct.ac.il/Competitions_BUILD 6. מסמך דרישות טכני מלא בקישור: https://levtech.jct.ac.il/assets/files/B.U.I.L.D/B.U.I.L.D%20CHAL%20(5).pdf

זכויות יוצרים: לחברה אין צורך בזכויות יוצרים

רלוונטי בעיקר למחלקות: תוכנה ומדמ"ח ביו-אינפורמטיקה אלקטרו-אופטיקה תעו"נ כריית מידע מנהל עסקים חשבונאות

The Sandbox & DDRD
פתרונות טקטיים להשמדה אפקטיבית של תת-קרקע

בעיה

תשתיות תת-קרקעיות מהוות איום אסטרטגי ומבצעי מורכב. כיום קיימים פתרונות להשמדת מנהרות, אך הם לרוב יקרים מאוד, דורשים זמן עבודה ממושך או מחייבים נוכחות פיזית מסוכנת של כוחות בתוך התוואי. הקושי המרכזי הוא השמדת התוואי כולו בספיקה רחבה, כך שלא ניתן יהיה לשקמו בקלות. נדרש מענה שיכול להתמודד עם סוגי קרקע שונים (דרום וצפון הארץ) ועם מגוון רחב של שיטות דיפון, תוך שמירה על יחס עלות-תועלת גבוה וצמצום הסיכון לכוחות הפועלים בשטח.

פיתרון

פיתוח שיטה או מערכת להשמדה "קוסט-אפקטיבית" של תוואי תת-קרקעי מלא. הפתרון נדרש להביא להרס הדיפונים ולהקרסת הקרקע מעליהם, כך ששיקום התשתית יהיה מורכב יותר מבנייתה מחדש. המערכת חייבת לאפשר הפעלה מרחוק ללא נוכחות כוח בתוואי בזמן ההשמדה. אתגר זה הוא חלק מתחרות B.U.I.L.D המתקיימת במקביל, המקדמת פתרונות טכנולוגיים יישומיים לצרכים מבצעיים בשטח. פתרונות שיזכו בתחרות יכולים להנות מתמיכה כספים נוספת להמשך פיתוח הפתרון. זכייה בתחרות כרוכה במתן מענה למדדי ההצלחה המפורטים במסמך הטכני המצורף; ככל שהפתרון יקיף מספר רב יותר של דרישות, כך יגדלו סיכויי הזכייה בתחרות. מסמך דרישות טכני מלא בקישור: https://levtech.jct.ac.il/assets/files/B.U.I.L.D/B.U.I.L.D%20CHAL%20(1).pdf פרטים נוספים על תחרות B.U.I.L.D בקישור: https://levtech.jct.ac.il/Competitions_BUILD

רמזים

1. בחינת חומרים או אמצעים המייצרים אפקט שרשרת או הקרסה רציפה לאורך התוואי. 2. שימוש בלחץ, חומרי נפץ ייחודיים או אמצעים מכניים מהירים להקרסת דיפונים. 3. פיתוח מנגנוני החדרה והפעלה אוטונומיים או נשלטים מרחוק (למשל באמצעות רובוטיקה זעירה). 4. אופטימיזציה של לוגיסטיקת החומרים (משקל ונפח) מול אפקט ההרס הסופי. 5. התאמה לסוגי קרקע מגוונים (חולית, סלעית, גירנית) ומבני דיפון שונים (בטון, עץ, פלדה). 6. דגש על מהירות ביצוע מרגע הגעה לנקודת ההחדרה ועד להשמדה מלאה של המקטע.

כלים

1. תוכנות לסימולציה פיזיקלית של קריסת מבנים ודינמיקה של קרקע. 2. טכנולוגיות הנעה וניווט בתוך חללים סגורים ללא קליטת GPS. 3. פלטפורמות בקרת הפעלה מרחוק ומערכות פירוטכניות או כימיות מתקדמות. 4. נתוני גיאולוגיה ומאפייני מנהור צבאיים וגזרתיים רלוונטיים. 5. פרטים נוספים על תחרות B.U.I.L.D בקישור: https://levtech.jct.ac.il/Competitions_BUILD 6. מסמך דרישות טכני מלא בקישור: https://levtech.jct.ac.il/assets/files/B.U.I.L.D/B.U.I.L.D%20CHAL%20(6).pdf

זכויות יוצרים: לחברה אין צורך בזכויות יוצרים

רלוונטי בעיקר למחלקות: תוכנה ומדמ"ח ביו-אינפורמטיקה אלקטרו-אופטיקה תעו"נ כריית מידע מנהל עסקים חשבונאות

Mafat For Startups
מערכת היתוך מידע ומודיעין דיגיטלי לאיתור לכודים

בעיה

באירועי אסון המוניים (רעידת אדמה, קריסת מבנה), "שעת הזהב" היא קריטית להצלת חיים. האתגר המרכזי הוא חוסר הוודאות לגבי מיקום האנשים בתוך המבנה ברגע האסון. בעוד שכוחות החילוץ סורקים את ההריסות פיזית, קיים "אוקיינוס" של מידע דיגיטלי שלא נעשה בו שימוש בזמן אמת. נתונים קריטיים לגבי נוכחות אנשים נמצאים במאגרים נפרדים של גופים חיצוניים: חברות סלולר (איכון אחרון), חברת החשמל (צריכה בזמן אמת), ספקי אינטרנט ועוד. כיום, אין אינטגרציה המאפשרת למפקד בשטח לקבל תמונת מצב המשלבת את המודיעין הדיגיטלי הזה כדי למקד את מאמצי החילוץ באזורים בהם הסבירות להימצאות לכודים היא הגבוהה ביותר.

פיתרון

פיתוח פלטפורמת Data Fusion (היתוך מידע) המייצרת "מפת חום" תלת-ממדית של אתר ההרס, המבוססת על הצלבת נתונים חיצוניים ופנימיים. המערכת תדע להתממשק (באמצעות API או סימולציה של נתונים) למאגרי מידע של תשתיות לאומיות: משיכת נתוני איכון סלולריים (Triangulation) דקות לפני האירוע, ניתוח דפוסי צריכת חשמל מונים חכמים (Smart Meters) לזיהוי דירות פעילות, וסטטוס חיבורי רשת (Wi-Fi). האלגוריתם ישקלל את הנתונים הללו יחד עם המבנה ההנדסי של הבניין (לפני ואחרי הקריסה) כדי להצביע על "כיסים" בהם סביר להניח שישנם לכודים, גם אם אינם משדרים כרגע אות מצוקה אקטיבי.

רמזים

1. "חתימת חיים דיגיטלית": זיהוי הרגע המדויק שבו מכשירים הפסיקו לשדר. הפסקת שידור פתאומית של 5 טלפונים באותה נקודה מעידה על מיקום קריטי. 2. מונים חכמים (Smart Grid): דירה שצרכה חשמל בעומס גבוה (מזגן, דוד, תאורה) דקות לפני הקריסה היא אינדיקטור חזק לנוכחות אדם, לעומת דירה עם צריכת "standby". 3. נתוני IoT ו-Wearables: אינטגרציה עם ענני בריאות (כגון Apple Health או Garmin) למשיכת נתוני דופק אחרונים שסונכרנו לענן לפני אובדן הקשר. 4. ניתוח עומסים ברשת הסלולרית: לא רק מיקום, אלא ניתוח עומס על אנטנות ספציפיות שיכול להעיד על התקהלות באזור מסוים במבנה (למשל בחדר מדרגות) רגע לפני האירוע. 5. פרטיות ורגולציה: תכנון מנגנון "Break Glass" המאפשר גישה לנתונים פרטיים רק בהינתן הכרזה על מצב חירום, תוך שמירה על אבטחת מידע.

כלים

1. מחוללי דאטה (Mock Data Generators) ליצירת נתוני סלולר/חשמל פיקטיביים לצורך ההאקתון. 2. כלי Big Data (Spark, Hadoop) לעיבוד כמויות גדולות של לוגים בזמן אמת. 3. מסדי נתונים מרחביים (PostGIS) למיפוי הנתונים על גבי תוכניות מבנה. 4. ספריות Python לניתוח נתונים (Pandas, NumPy). 5. כלי ויזואליזציה (Mapbox, Cesium) להצגת השכבות השונות למחלץ. 6. APIs לסימולציה של רשתות IoT ורשתות סלולר.

זכויות יוצרים: לחברה אין צורך בזכויות יוצרים

רלוונטי בעיקר למחלקות: תוכנה ומדמ"ח ביו-אינפורמטיקה אלקטרו-אופטיקה תעו"נ כריית מידע מנהל עסקים חשבונאות

רפאל
פיתוח פתרונות מבוססי מעקב ויזואלי מתקדם לבעיות מורכבות

בעיה

בעולם האמיתי, אובייקטים אינם נעים בקו ישר ואינם שומרים תמיד על צורה קבועה או נראות מלאה. האתגר הגדול במערכות ראייה ממוחשבת כיום הוא היכולת לשמור על "זהות" של אובייקט (Tracking) לאורך זמן בתוך סביבה דינמית וכאוטית. מערכות קלאסיות נכשלות כאשר האובייקט מוסתר חלקית (Occlusion), משנה את צורתו (כמו בעל חיים בתנועה או נוזל שנשפך), מסתובב, או כאשר הסביבה עמוסה בפרטים דומים. כשל זה מונע אוטומציה בתחומים קריטיים כמו הצלת חיים (איתור נעדרים בתוך יער), רפואה (מעקב אחר תאים מתפצלים), אבטחה (זיהוי רחפן בין ציפורים) וניתוח ספורט מתקדם.

פיתרון

פיתוח מערכת יישומית המשתמשת באלגוריתמים מתקדמים של מעקב מבוסס למידת מכונה (ML-based Tracking) כדי לפתור בעיה ספציפית ומשמעותית לבחירתכם. המערכת לא צריכה רק "לעקוב", אלא להשתמש במעקב כדי להפיק תובנות או לבצע פעולה. עליכם לבחור מודל מעקב מתקדם (כגון SAM2, CoTracker, TrackAnything, XMem וכדומה) וליישם אותו בתרחיש שמאתגר מעקבים קלאסיים. דוגמאות ליישום: מערכת לניתוח התנהגות קהל צפוף, כלי לעריכת וידאו אוטומטית המוחק אובייקט דינמי, בקרת איכות בפס ייצור של מוצרים גמישים, או ניתוח ביו-מכאני של ספורטאי בזמן אמת.

רמזים

1. בחירת המודל: בעוד ש-SAM2 הוא דוגמה מצוינת ליכולות סגמנטציה, ישנם מודלים המתמחים במעקב אחר נקודות (Point Tracking) כמו CoTracker או TAPIR. בחרו את המודל המתאים לבעיה (האם חשוב לכם קווי המתאר המדויקים או התנועה במרחב?). 2. אתגר הזיכרון: כיצד המערכת שלכם מתמודדת עם אובייקט שיצא מהפריים וחזר לאחר מספר שניות? (Re-Identification). 3. אינטראקציה: חשבו על דרך בה המשתמש מגדיר את האובייקט למעקב (למשל: הקלקה ראשונית, הנחיה טקסטואלית, או זיהוי אוטומטי של חריגות). 4. ביצועים: נסו להתייחס לסוגיית זמן הריצה. האם הפתרון שלכם ישים לזמן אמת (Real-time) או מיועד לעיבוד Offline?

כלים

1. Python 2. ספריות ML מובילות: PyTorch / TensorFlow / JAX 3. מודלים למעקב וסגמנטציה: SAM2, CoTracker, Track-Anything, DeepSORT, YOLO-World 4. OpenCV לעיבוד תמונה 5. סביבת הרצה עם GPU (כגון Google Colab או שרת מקומי חזק) 6. דאטה-סטים לאימון/בדיקה: COCO, DAVIS, MOTChallenge או צילומים מקוריים שלכם.

זכויות יוצרים: לחברה אין צורך בזכויות יוצרים

רלוונטי בעיקר למחלקות: תוכנה ומדמ"ח תעו"נ כריית מידע מנהל עסקים חשבונאות

רפאל
מעקב רציף ברשת מצלמות חכמה

בעיה

ערים חכמות ומתקנים אסטרטגיים מרושתים כיום באלפי מצלמות אבטחה. האתגר המרכזי אינו רק זיהוי אובייקט במצלמה בודדת, אלא היכולת לייצר רצף מעקב (Continuity) אחר אובייקט (אדם חשוד, רכב ספציפי) הנע במרחב ועובר בין שדות ראייה של מצלמות שונות. בפועל, החפיפה בין המצלמות היא לרוב מינימלית (10%-20%), מה שמקשה על המערכת להבין שאובייקט שיצא ממצלמה א' הוא אותו אובייקט שנכנס למצלמה ב'. שינויים בזווית הצילום, תאורה, והסתרה רגעית גורמים לאיבוד המעקב ולקבלת תמונת מצב מקוטעת המקשה על קבלת החלטות.

פיתרון

פיתוח מערכת ראייה ממוחשבת המבצעת 'מסירה' (Handover) של אובייקטים בין מצלמות סמוכות. המערכת תקבל זרמי וידאו ממספר מצלמות, תזהה אובייקטים ותעניק להם מזהה ייחודי (ID). האתגר הוא לשמר את ה-ID הזהה כאשר האובייקט עובר בין המצלמות באזור החפיפה המצומצם. הפתרון צריך לכלול מודל Re-ID (זיהוי מחדש) המבוסס על מאפיינים ויזואליים ומרחביים, ולדעת לחזות את מיקום האובייקט במצלמה הבאה על סמך מהירות וכיוון התנועה שלו, ובכך לאפשר מעקב רציף ואוטומטי בזמן אמת.

רמזים

1. שימוש באלגוריתמים של Re-Identification המבוססים על חתימה ויזואלית (צבע, טקסטורה, פרופורציות) ולא רק על זיהוי פנים/לוחית רישוי. 2. חישוב וחיזוי מסלול (Trajectory Prediction) באמצעות Kalman Filter כדי להעריך מתי ואיפה האובייקט יופיע במצלמה הבאה. 3. שימוש ב-Homography כדי למפות את הקשר הגיאומטרי בין המצלמות ולהבין אילו פיקסלים במצלמה א' חופפים לפיקסלים במצלמה ב'. 4. התייחסות לשינויי סקאלה (Scale) - אובייקט רחוק במצלמה אחת עשוי להיראות קרוב וגדול במצלמה השנייה.

כלים

1. שפות תכנות: Python, C++. 2. ספריות ראייה ממוחשבת: OpenCV. 3. מודלים לזיהוי ומעקב: YOLO (v5/v8), DeepSORT, StrongSORT, FairMOT, SAM2. 4. ספריות למידה עמוקה: PyTorch, TensorFlow. 5. דאטה-סטים לאימון: Market-1501, DukeMTMC (לצורך אימון מודל Re-ID). 6. חומרה: מומלץ שימוש ב-GPU חזק (NVIDIA CUDA) לעיבוד בזמן אמת של מספר ערוצי וידאו.

זכויות יוצרים: לחברה אין צורך בזכויות יוצרים

רלוונטי בעיקר למחלקות: תוכנה ומדמ"ח תעו"נ כריית מידע מנהל עסקים חשבונאות

Cellebrite
מערכת אוטומטית לאישור וניהול ספריות קוד פתוח

בעיה

פיתוח תוכנה מודרני מסתמך באופן מסיבי על שימוש ברכיבי קוד פתוח (Open Source) וספריות חיצוניות כדי להאיץ את קצב הפיתוח. עם זאת, שימוש לא מבוקר ברכיבים אלו חושף ארגונים לסיכונים משמעותיים בשני מישורים עיקריים: משפטי ואבטחת מידע. בהיבט המשפטי, רישיונות מסוימים (כגון GPL) עשויים לחייב את הארגון לחשוף את הקוד הקנייני שלו, מה שעלול להוביל לאובדן קניין רוחני. בהיבט האבטחתי, ספריות עשויות להכיל חולשות אבטחה (CVEs), קוד זדוני, או להיות נטושות ללא תחזוקה. כיום, תהליך האישור הוא לרוב ידני, איטי ומהווה "צוואר בקבוק" שמעכב את הפיתוח, או לחלופין – המפתחים עוקפים את התהליך ומכניסים סיכונים לפרודקשן ללא פיקוח.

פיתרון

פיתוח פלטפורמה ארגונית חכמה המבוססת על אוטומציה ובינה מלאכותית (AI Agents), שתשמש כ"שומר סף" דיגיטלי עבור כל ספרייה חדשה שמבקשים להכניס לקוד הארגוני. המערכת תזהה באופן אוטומטי בקשות להוספת ספריות (דרך קבצי Manifest או Pull Requests), תבצע ניתוח עומק באמצעות AI ותקבל החלטה או תספק המלצה לגורם האנושי. הפתרון צריך לכלול אנליזה של הטקסט המשפטי של הרישיון וסיווגו, סריקת אבטחה מקיפה לאיתור חולשות ידועות, בדיקת מוניטין המפתחים ותדירות העדכונים, והתאמה טכנולוגית לאופי הפרויקט. המטרה היא ליצור תהליך Approval מהיר, אמין ואוטומטי ככל הניתן, שמונע כניסת קוד מסוכן לפרודקשן.

רמזים

1. שימוש בסוכני AI (Agentic Workflow): יצירת מספר "סוכנים" מתמחים – סוכן משפטי המנתח רישיונות, סוכן אבטחה הסורק חולשות, וסוכן איכות קוד. 2. הנדסת פרומפטים (Prompt Engineering): הגדרה מדויקת של פרומפטים כדי שה-LLM ידע לחלץ את סוג הרישיון המדויק (Permissive vs. Copyleft) גם מקבצי טקסט לא מובנים. 3. אינטגרציה לתהליכי CI/CD: המערכת צריכה להיות מסוגלת לחסום Build או Merge אם מתגלה ספרייה בעייתית. 4. ניתוח "שרשרת האספקה": בדיקה לא רק של הספרייה הישירה, אלא גם של התלויות (Dependencies) שהיא מושכת איתה. 5. ניהול "רשימה לבנה/שחורה": המערכת צריכה ללמוד מאישורים קודמים ולנהל מאגר ידע ארגוני של ספריות מאושרות. 6. ממשק צ'אט למפתח: בוט שמסביר למפתח מדוע הספרייה נדחתה ומציע חלופות בטוחות יותר.

כלים

1. מודלי שפה (LLMs): OpenAI GPT-4, Claude 3, Llama 3 (עבור ניתוח טקסט וקבלת החלטות). 2. פריימוורקים לאייג'נטים: LangChain, AutoGen, CrewAI. 3. מאגרי מידע לאבטחה: NVD (National Vulnerability Database), OSV (Open Source Vulnerabilities). 4. כלי ניהול חבילות: npm, pip, maven, gradle (לניתוח קבצי תלות). 5. כלי פיתוח: Python, Node.js, GitHub Actions / GitLab CI.

זכויות יוצרים: לחברה אין צורך בזכויות יוצרים

רלוונטי בעיקר למחלקות: תוכנה ומדמ"ח תעו"נ כריית מידע מנהל עסקים חשבונאות

Cellebrite
מערכת אוטומטית לתיעוד מוצר וארכיטקטורת אבטחה (AI Docs Agent)

בעיה

אחד הכאבים הגדולים ביותר בפיתוח תוכנה הוא הפער התמידי בין הקוד בפועל לבין התיעוד שלו. ברוב הארגונים, מחזורי הפיתוח המהירים (CI/CD) גורמים לכך שמסמכי האפיון, ארכיטקטורת המערכת (HLD/LLD), ותיקי אבטחת המידע הופכים ללא רלוונטיים רגע אחרי שנכתבו, או שכלל לא נכתבים מפאת חוסר זמן. מצב זה יוצר "חוב תיעודי" (Documentation Debt) מסוכן: צוותי הפיתוח מתקשים לבצע חפיפה לעובדים חדשים, צוותי האבטחה מתקשים לבצע סקרי סיכונים (Security Reviews) על בסיס מידע עדכני, ואין תמונת מצב אמיתית של זרימת המידע וההגנות הקיימות במוצר. התוצאה היא "קופסה שחורה" שקשה לתחזק וקשה עוד יותר לאבטח.

פיתרון

פיתוח מערכת מבוססת סוכני AI (Autonomous Agents) המשתלבת בתהליכי הפיתוח וה-SSDLC הארגוניים, ומייצרת תיעוד חי, דינמי ומדויק באופן אוטומטי. המערכת תבצע "הנדסה לאחור" (Reverse Engineering) לוגית: היא תסרוק את הקוד (Repository), את קבצי הקונפיגורציה של התשתיות (IaC), את הלוגים של תהליכי ה-CI/CD ואת מסמכי התכנון הגולמיים (כגון כרטיסי Jira או עמודי Confluence). על בסיס מידע זה, הסוכנים ימלאו באופן אוטומטי תבניות תיעוד תקניות, הכוללות: תרשימי ארכיטקטורה עדכניים, מיפוי זרימת נתונים (Data Flow Diagrams), רשימת נכסים ורכיבי צד-שלישי, ובקרות אבטחה המוטמעות בקוד. התוצר הוא "ספר מוצר" שמתעדכן בכל גרסה (Documentation as Code).

רמזים

1. סוכנים מתמחים (Multi-Agent System): יצירת סוכן "ארכיטקט" שמנתח מבנה, סוכן "אבטחה" שמזהה בקרות והצפנות, וסוכן "אינטגרציה" שמחבר את המידע למסמך אחד. 2. ניתוח סטטי ודינמי: שימוש ב-AI לא רק לקריאת טקסט, אלא להבנת הלוגיקה של הקוד (Code Understanding) וזיהוי קשרים בין מיקרו-שירותים. 3. עדכון גרסאות (Diff Analysis): המערכת צריכה לדעת לנתח את ה-Diff בין גרסאות ולעדכן רק את הסעיפים הרלוונטיים בתיעוד, תוך סימון השינויים. 4. פרטיות ואבטחה (Privacy Preserving AI): הקפדה שהקוד הארגוני לא ידלוף למודלים ציבוריים (שימוש ב-Local LLMs או Enterprise APIs). 5. אינטגרציה ל-SSDLC: התיעוד צריך להיות חלק מתהליך ה-Build, כך שכישלון בייצור תיעוד עדכני יתריע למפתחים. 6. ויזואליזציה: יצירה אוטומטית של דיאגרמות (למשל ב-Mermaid.js או PlantUML) מתוך ניתוח הקוד.

כלים

1. מודלי שפה לקוד: StarCoder, CodeLlama, GPT-4 Turbo (עם הקשר רחב) או מודלים רלוונטים אחרים מ-Hugging Face. 2. ספריות לניתוח קוד: Tree-sitter, LangChain (לניהול הקשר וסוכנים). 3. כלי Documentation-as-Code: MkDocs, Sphinx, Hugo. 4. כלי דיאגרמות מקוד: Mermaid.js, Graphviz. 5. פלטפורמות CI/CD: Jenkins, GitLab CI, GitHub Actions.

זכויות יוצרים: לחברה אין צורך בזכויות יוצרים

רלוונטי בעיקר למחלקות: תוכנה ומדמ"ח תעו"נ כריית מידע מנהל עסקים חשבונאות

Cellebrite
מחולל בדיקות אבטחה אוטומטי מבוסס GenAI

בעיה

ארגונים רבים מתמודדים עם מחסור בחוקרי אבטחה (Security Researchers) וצוותי אבטחה מצומצמים. במצב זה, ארכיטקטי האבטחה נאלצים להעביר משימות של אימות ולידציה (Security Validation) לצוותי הפיתוח והבדיקות. לצוותים אלו, לרוב, אין את הרקע הטכני העמוק או את ה"חשיבה ההתקפית" הנדרשת לביצוע בדיקות אבטחה מורכבות. נוצר פער משמעותי: ארכיטקט האבטחה מגדיר דרישה ברמה גבוהה (למשל: "לוודא עמידות ל-SQL Injection"), אך המפתחים זקוקים לצעדים קונקרטיים וסקריפטים ברורים כדי לבדוק זאת בפועל. פער זה יוצר צוואר בקבוק, גורם לבדיקות ליפול בין הכיסאות או להתבצע באופן שטחי, ומעלה את הסיכון לחדירת פרצות אבטחה למוצר.

פיתרון

פיתוח מערכת מבוססת GenAI שתשמש כ"שכבת תרגום" חכמה בין דרישות אבטחה מופשטות לבין תוכניות בדיקה (Test Plans) מעשיות. המערכת תקבל כקלט דרישת אבטחה בשפה חופשית (למשל: "בדוק את ה-API Endpoint הזה עבור פרצות הרשאות") או אפילו תנתח קטעי קוד. באמצעות מנוע LLM, המערכת תייצר באופן אוטומטי תוכנית בדיקות אבטחה מפורטת. התוכנית תכלול צעדים מדויקים לביצוע, פקודות ספציפיות להרצה (כמו פקודות curl, קטעי Python), דוגמאות ל-Payloads זדוניים, ותיאור ברור של התוצאות הצפויות (Expected Results) במקרה של הצלחה או כישלון של הבדיקה. המטרה היא להעצים את צוותי הפיתוח ולאפשר להם לבצע בדיקות אבטחה בסיסיות עד בינוניות באופן עצמאי ויעיל.

רמזים

1. מומלץ לאפשר למערכת להתממשק עם מודלי שפה הרצים באופן מקומי (Local LLMs) באמצעות כלים כמו Ollama. זאת כדי לשמור על סודיות ופרטיות קוד המקור של הארגון ולהימנע משליחתו לשירותי ענן חיצוניים. 2. ניתן לבחון את קוד הבסיס ודוגמאות הפעולה שסופקו במאגר ה-GitHub של האתגר כדי להבין את ארכיטקטורת הבסיס ולקבל כיוון התחלתי. 3. יש לשים דגש על איכות הפלט: הצעדים חייבים להיות ברורים, מדויקים, וקלים לביצוע עבור מפתח שאינו איש אבטחה. 4. כדאי לחשוב על ממשק משתמש נוח. לדוגמה: תוסף (Extension) לסביבת פיתוח כמו VSCode, שיאפשר למפתחים לבקש ולקבל תוכניות בדיקה ישירות מה-IDE. 5. יש להתייחס גם ליכולת האוטומציה – לא רק לייצר את הצעדים, אלא אולי גם לייצר סקריפט בדיקה שלם שהמפתח יוכל להריץ בלחיצת כפתור.

כלים

* Python * Ollama (להרצת מודלים מקומיים) * VSCode (כסביבת פיתוח או כפלטפורמה לתוסף) * אופציונלי: מפתחות API למודלי ענן (כגון OpenAI, Google Gemini, Anthropic Claude) לצורך השוואה או יכולות מורחבות. * מאגר GitHub של האתגר (לעיון בקוד בסיס): https://github.com/Liramic/GenAI-Automated-Security-Test-Creator/tree/main

זכויות יוצרים: לחברה אין צורך בזכויות יוצרים

רלוונטי בעיקר למחלקות: תוכנה ומדמ"ח תעו"נ כריית מידע מנהל עסקים חשבונאות

Mobileye
מנטור AI חכם לחניכה ואונבורדינג אוטונומי

בעיה

תהליך ההכשרה (Ramp Up) של עובדים חדשים גוזל משאבים יקרים ומעמיס על עובדים ותיקים שנדרשים לחנוך אותם. חומרי הדרכה סטטיים מתיישנים במהירות, ומנטורים אנושיים מהווים צוואר בקבוק בארגונים בצמיחה. קיים קושי לוודא את רמת ההבנה של העובד בזמן אמת ולהתאים לו תוכנית לימודים אישית. ללא מענה רציף ומותאם, זמן ההגעה לפרודוקטיביות מתארך, ונוצרים פערי ידע קריטיים שפוגעים באיכות התוצרים ובסיפוק העובד.

פיתרון

פיתוח מנטור AI המשתלב בסביבת העבודה ומבצע חניכה דינמית. המערכת תנתח הסברים מתומצתים של מנהלים (קול/טקסט) בשילוב עם קוד המקור והדרישות, ותייצר מסלול למידה מותאם אישית. הפתרון יכלול מנגנון אימות הבנה אינטראקטיבי, תמיכה שוטפת במשימות העובד ועדכון אוטומטי של תוכנית הלימודים על בסיס שינויים במאגר הקוד (Repository). המטרה היא צמצום מעורבות הוותיקים למינימום תוך הבטחת רמת מקצועיות גבוהה ומהירה של העובד החדש.

רמזים

1. הקשר רב-שכבתי: שילוב ידע מקוד המקור, תיעוד קיים ושיחות מנהלים להבנה מלאה של המערכת. 2. אימות ידע פרואקטיבי: שילוב שאלות או משימות קוד קצרות לווידוא הבנה לפני מעבר לשלב הבא. 3. אדפטיביות: בניית מסלול למידה המשתנה לפי קצב ההתקדמות וזיהוי פערי ידע ספציפיים. 4. סנכרון עם הקוד: מנגנון המזהה שינויים משמעותיים ב-Git ומעדכן את דגשי הלמידה באופן אוטונומי.

כלים

1. מודלי שפה מתקדמים (LLMs) כגון GPT-4, Claude או Gemini. 2. ארכיטקטורת RAG לחיבור המודל למאגרי המידע והקוד הארגוניים. 3. ממשקי פיתוח (IDE Extensions) ב-VS Code או אינטגרציה עם Cursor API. 4. כלי תמלול (Speech-to-Text) לעיבוד הסברים קוליים של מנהלים. 5. בסיסי נתונים וקטוריים (Vector DB) לניהול שליפת מידע רלוונטי.

זכויות יוצרים: החברה מעוניינת לחלוק זכויות יוצרים עם המפתחים - לאחר ההאקתון החברה והמשתתפים שיבחרו באתגר יסדירו תנאים משלימים

רלוונטי בעיקר למחלקות: תוכנה ומדמ"ח ביו-אינפורמטיקה אלקטרו-אופטיקה תעו"נ כריית מידע מנהל עסקים חשבונאות

Intel
פיתוח התקן AIoT חכם מבוסס בקר ESP32

בעיה

בעולם האינטרנט של הדברים (IoT), רוב ההתקנים הקיימים פועלים כמערכות איסוף נתונים פסיביות או כמבצעי פעולות פשוטות וקבועות מראש. קיים פער משמעותי ביכולת להנגיש עוצמת מחשוב של בינה מלאכותית (AI) בתוך חפצים יומיומיים בצורה אינטואיטיבית וזולה. האתגר הוא להפוך "חומרה טיפשה" למערכת לומדת ומגיבה, המסוגלת לעבד מידע מהעולם הפיזי, לתקשר עם מודלי בינה מלאכותית בענן, ולהחזיר למשתמש ערך ממשי בזמן אמת דרך ממשקי פלט פשוטים כמו מסך קטן, נוריות או חיווי קולי.

פיתרון

עליכם לתכנן ולפתח אב-טיפוס של התקן פיזי המבוסס על בקר ESP32, המשלב קלט מחיישנים או לחצנים עם יכולות AI חיצוניות דרך ממשקי API. על המערכת לבצע תהליך שלם: קליטת אירוע בעולם האמיתי, שליחת המידע לעיבוד בינה מלאכותית (כגון ניתוח טקסט, זיהוי קולי או קבלת החלטות לוגית), והצגת התוצאה למשתמש באמצעות רכיבי הפלט שברשותכם (מסך OLED, לדים, זמזם). הפתרון נדרש להיות יצירתי, ישים ובעל ערך מוסף למשתמש קצה בתחומי הנגישות, היעילות או איכות החיים.

רמזים

1. חיבוריות: השתמשו ביכולות ה-WiFi של הבקר כדי לבצע קריאות HTTP POST/GET למודלים כמו GPT או Gemini. 2. משוב משתמש: כיצד ניתן להשתמש בלדים ובזמזם כדי לספק אינדיקציה על מצב השאילתה (ממתין לתשובה, שגיאת תקשורת, הצלחה)? 3. אופטימיזציה: זכרו כי הזיכרון של הבקר מוגבל; העבירו לענן רק את המידע ההכרחי. 4. ממשק: חשבו על דרך יצירתית להזנת נתונים - האם לחצן בודד יכול לשמש להפעלה של מספר פקודות AI שונות (לחיצה קצרה/ארוכה)? 5. נגישות: האם המכשיר יכול לסייע לאנשים עם מוגבלות?

כלים

1. חומרה: בקר ESP32, מסך OLED קטן (I2C), לחצנים, לדים, זמזם פייזו. 2. סביבת פיתוח: Arduino IDE, MicroPython או VS Code עם PlatformIO. 3. ספריות: WiFi.h, HTTPClient.h, ArduinoJson (לטיפול בתגובות מה-API). 4. ממשקי AI: OpenAI API, Google Gemini API, או שירותי Hugging Face. 5. משאבים נוספים: * קוד בסיס ללחצן: https://github.com/avisalmon/single_button * מדריכי וידאו ל-ESP32: https://youtube.com/playlist?list=PL0zMMCdiaE56wAuAqmGXPQlCa_2BCWRi6

זכויות יוצרים: לחברה אין צורך בזכויות יוצרים

רלוונטי בעיקר למחלקות: תוכנה ומדמ"ח ביו-אינפורמטיקה אלקטרו-אופטיקה תעו"נ כריית מידע מנהל עסקים חשבונאות סיעוד

המרכז הרפואי שערי צדק והחוג לפיסיקה יישומית
חיזוי חומרת מסטואידיטיס בילדים מנתוני קבלה

בעיה

מסטואידיטיס היא דלקת זיהומית של עצם המסטואיד, המהווה סיבוך שכיח של דלקת אוזן תיכונה בילדים. האתגר הקליני המרכזי הוא זיהוי מוקדם של מקרים המועדים לסיבוכים קשים הדורשים התערבות כירורגית (ניתוח), לעומת מקרים קלים שניתן לפתור באמצעות טיפול אנטיביוטי שמרני. כיום, ההחלטה על אופי הטיפול מתבססת על הערכה אנושית ועשויה להוביל לניתוחים מיותרים מחד, או לעיכוב בטיפול פולשני קריטי מאידך, דבר המסכן את המטופל בסיבוכים תוך-גולגולתיים.

פיתרון

פיתוח מודל חיזוי מבוסס בינה מלאכותית המדרג את רמת הסיכון לסיבוך קליני כבר בשלב הקבלה למיון. המודל ינתח נתונים משולבים הכוללים בדיקות דם (ספירה, מדדי דלקת), נתונים דמוגרפיים ובדיקות תפקודיות ראשוניות. המערכת נדרשת לספק סיווג בינארי (טיפול שמרני מול צורך בניתוח) או סקלת סיכון רציפה, שתשמש ככלי עזר תומך החלטה עבור הרופאים המטפלים, במטרה לשפר את דיוק האבחנה ולייעל את הקצאת המשאבים בבית החולים. לצורך קבלת גישה לנתוני הסריקות, המשתתפות ידרשו לחתום על הסכם סודיות (NDA).

רמזים

1. ביצוע הנדסת מאפיינים (Feature Engineering) למדדי דלקת ספציפיים כמו CRP ושקיעת דם ביחס לגיל המטופל. 2. טיפול בחוסר איזון במערך הנתונים (Imbalanced Data), שכן מספר המקרים הדורשים ניתוח קטן משמעותית מהמקרים המטופלים שמרנית. 3. בחינת מודלים של למידה ממוחשבת קלאסית (Random Forest, XGBoost) לצד רשתות נוירונים פשוטות. 4. מתן חשיבות גבוהה לפרשנות המודל (Explainability) – הרופא צריך להבין אילו ערכים בבדיקות הדם הובילו לחיזוי של מקרה חמור.

כלים

1. שפת Python ככלי מרכזי לניתוח נתונים ובניית מודלים. 2. ספריות למידה ממוחשבת: Scikit-learn, XGBoost, CatBoost. 3. ספריות לטיפול בנתונים וסטטיסטיקה: Pandas, NumPy, SciPy. 4. כלים לפרשנות מודלים: SHAP או LIME. 5. סביבת עבודה: Jupyter Notebook או Google Colab. 6. גישה למסד נתונים הכולל כ-600 מקרי בוחן מאושרים (בכפוף לחתימה על NDA במידת הצורך).

זכויות יוצרים: החברה מעוניינת לשמור על כל זכויות היוצרים

רלוונטי בעיקר למחלקות: סיעוד תוכנה ומדמ"ח ביו-אינפורמטיקה אלקטרו-אופטיקה תעו"נ כריית מידע מנהל עסקים

a-count.io
ניהול חכם ואוטומטי של משאבי ענן ורישוי בארגון

בעיה

ארגונים מודרניים משתמשים בעשרות שירותי SaaS ומשאבי ענן, מה שיוצר "ערפל ניהולי" בשני מישורים קריטיים: אבטחת מידע והתייעלות כלכלית. קשה מאוד לזהות בזמן אמת חשבונות בסיכון, גישות מיותרות או בזבוז כספי על רישיונות ומשאבים שאינם בשימוש. כיום, הוספת כלי חדש לניטור דורשת פיתוח ידני של ממשקי API, והמידע על השימוש בפועל מפוזר במערכות שונות (SSO, Proxy, EDR) ללא סנכרון. בנוסף, חסרה יכולת השוואה חכמה לאלטרנטיבות בשוק המבוססת על ביצועים ומחיר בזמן אמת.

פיתרון

פיתוח והטמעת שכבת בינה מלאכותית (AI) רוחבית למערכת Audit קיימת. הפתרון יכלול: 1. ממשק שיחה (LLM) המבין את נתוני הארגון ומשיב על שאלות סטטוס מורכבות. 2. מנוע אוטונומי לחיבור שירותים חדשים (כגון Salesforce) ע"י למידת ה-API שלהם ויצירת אינטגרציה עצמאית. 3. סורק דינמי המנתח לוגים ממערכות אבטחה (Proxy, MDM וכו') לגילוי Shadow IT ורמת שימוש בפועל. 4. מערכת המלצות חכמה המשווה בין הכלים הקיימים לאלטרנטיבות בשוק על בסיס Benchmarks של איכות ומחיר.

רמזים

1. שימוש בטכנולוגיית RAG (Retrieval-Augmented Generation) כדי לאפשר ל-AI לענות על שאלות מבוססות דאטה ארגוני ספציפי. 2. חקירת מודלי קוד (Code LLMs) המסוגלים לייצר פונקציות התחברות ל-API על בסיס דוקומנטציה טכנית. 3. הצלבת נתונים בין לוגים של מערכות SSO (כמו Okta) לבין נתוני הרישוי בפועל כדי למצוא פערים. 4. שימוש באלגוריתמי סיווג ודירוג לצורך השוואת מוצרים דומים בשוק (למשל: השוואת Slack מול Microsoft Teams מבחינת עלות מול תועלת).

כלים

1. שפות תכנות: Python (Pandas, NumPy) לניתוח נתונים, Node.js למערכת ה-Front. 2. בינה מלאכותית: OpenAI API, Anthropic Claude או מודלים מקומיים (Llama 3) לעיבוד שפה וקוד. 3. תשתית: AWS/Azure/GCP + Private Cloud, עבודה עם בסיסי נתונים SQL (Postgres) ו-NoSQL. 4. אינטגרציות: עבודה עם ממשקי API של ספקי ענן (Microsoft Graph, Google Workspace Admin). 5. ספריות עיבוד לוגים: ELK Stack או שירותי ניתוח לוגים מנוהלים.

זכויות יוצרים: החברה מעוניינת לשמור על כל זכויות היוצרים

רלוונטי בעיקר למחלקות: תוכנה ומדמ"ח אלקטרוניקה תעו"נ כריית מידע מנהל עסקים חשבונאות

FinTrap
מערכת חכמה לזיהוי הלבנת הון וניתוח פיננסי

בעיה

הלבנת הון היא אחת הבעיות המורכבות בעולם הפיננסי, כאשר עבריינים משתמשים בשיטות מתוחכמות להסוואת מקור הכספים בתוך דוחות כספיים שנראים לגיטימיים. אנליסטים פיננסיים משקיעים זמן רב בניתוח ידני של דוחות לפי שיטות הערכת שווי מסורתיות כמו DCF (היוון תזרימי מזומנים), אך לעיתים קרובות מפספסים את התמונה המלאה. הבעיה היא היעדר אינטגרציה בין הנתונים היבשים בדוח הכספי לבין מידע חיצוני קריטי (כגון רקע בעלי החברה, חדשות ברשת, והשוואה למתחרים), מה שמונע זיהוי של אנומליות המעידות על פעילות פלילית.

פיתרון

פיתוח מערכת ממוחשבת לניתוח דוחות כספיים המשלבת הערכת שווי מעמיקה עם מודיעין עסקי. המערכת תבצע ניתוח אוטומטי שלב-אחר-שלב לפי שיטת ה-DCF כדי לקבוע את שווי החברה הריאלי. מעבר לחישוב המתמטי, הפתרון יכלול שכבת העשרה יצירתית: סריקת מקורות גלויים באינטרנט (OSINT) לאיסוף מידע על בעלי החברה וניתוח סנטימנט חדשותי. המערכת תשמור את הנתונים הנצברים כדי ליצור בסיס נתונים להשוואה (Benchmark), ותדע להתריע על פערים חשודים בין הדיווחים לבין השווי הכלכלי הריאלי או המוניטין של המעורבים.

רמזים

1. השתמשו במודל הפיננסי הבסיסי הקיים ב-GitHub (לינק למטה) כנקודת מוצא לחישובי ה-DCF. 2. חשבו כיצד ניתן לזהות חריגות: אם חברה מדווחת על רווחיות הגבוהה ב-500 אחוז מהממוצע הענפי שנצבר בבסיס הנתונים שלכם, זהו דגל אדום. 3. שלבו יכולות NLP לסריקת שמות בעלי המניות בגוגל ובמאגרי מידע משפטיים כדי למצוא אזכורים שליליים. 4. ככל שהמערכת תצבור יותר דוחות (DATA), כך יכולת ההשוואה והזיהוי של דפוסים חריגים תשתפר – תכננו את מסד הנתונים בהתאם. 5. הציגו את רמת הסיכון בצורה ויזואלית וברורה למשתמש.

כלים

1. GitHub Base Model: https://github.com/Charlie-Hill/Financial-Models 2. Python (Pandas, NumPy) לחישובים פיננסיים. 3. ספריות NLP (כגון spaCy או BeautifulSoup) לניתוח טקסט וסריקת רשת. 4. מסדי נתונים (SQL/NoSQL) לשמירת היסטוריית דוחות להשוואה. 5. APIs פיננסיים (כגון Yahoo Finance) להשוואת נתוני שוק. 6. כלי ויזואליזציה (Streamlit/React) להצגת תזרים המזומנים ודירוג הסיכון.

זכויות יוצרים: החברה מעוניינת לחלוק זכויות יוצרים עם המפתחים - לאחר ההאקתון החברה והמשתתפים שיבחרו באתגר יסדירו תנאים משלימים

רלוונטי בעיקר למחלקות: תוכנה ומדמ"ח תעו"נ כריית מידע מנהל עסקים חשבונאות

PEACH
מחולל דפי נחיתה פרסונליים וחכמים לתרומות

בעיה

עמותות וארגונים המגייסים תרומות שולחים לרוב דפי נחיתה גנריים לרשימות תפוצה רחבות. גישת "מידה אחת מתאימה לכולם" פוגעת אנושות באחוזי ההמרה ובמקסום ההכנסות משתי סיבות עיקריות: 1. חוסר רלוונטיות בתוכן: המסר השיווקי מתעלם ממניעי התורם (למשל, תורם המונע מנתונים מול תורם המונע מרגש). 2. אי-התאמה בסכומי התרומה (Ask String): דפי הנחיתה מציגים כפתורי תרומה עם סכומים קבועים (למשל: 50, 100, 200 ש"ח). קיבעון זה גורם לנזק כפול: הצגת סכום ברירת-מחדל נמוך מידי לתורם אמיד (High Net Worth) גורמת לאובדן הכנסה פוטנציאלית ("השארת כסף על השולחן"), בעוד שהצגת סכום התחלתי גבוה מידי לתורם בעל יכולת נמוכה יותר עלולה להרתיע אותו ולגרום לנטישת הדף ולביטול התרומה כליל. כיום חסרה טכנולוגיה שתדע להתאים דינמית את גובה הבקשה לפרופיל הכלכלי של התורם.

פיתרון

פיתוח מערכת המקבלת רשימת תפוצה (מיילים), ומייצרת באופן אוטומטי דף קמפיין ייחודי לכל נמען ("Hyper-Personalized Page"). המערכת תבצע תהליך העשרת דאטה (Data Enrichment) לאיסוף מידע פומבי על התורם, ותפעיל מנוע AI שיבצע שתי התאמות בזמן אמת: 1. התאמת תוכן ועיצוב: ג'ינרוט טקסט ותמונות (באמצעות כלי Generative UI כמו Lovable) המדברים בשפה ובתחומי העניין של התורם. 2. התאמת סרגל התרומה (Smart Ask Strategy): אלגוריתם שיעריך את היכולת הכלכלית של התורם (על בסיס טייטל, מקום עבודה, אזור מגורים וכו') ויעדכן את סכומי הכפתורים ב-Iframe הסליקה (למשל, Peach). כך, מנכ"ל בכיר יראה אפשרויות של 500/1000/5000 ש"ח, בעוד סטודנט יראה 18/36/72 ש"ח.

רמזים

1. הערכת יכולת כלכלית (Wealth Scoring): כיצד ניתן לגזור הערכה גסה של יכולת כלכלית מנתונים פומביים? (למשל: הצלבת Job Title מלינקדאין עם טבלאות שכר ממוצעות, או דירוג סוציו-אקונומי של אזור המגורים אם ידוע). 2. בניית ה-URL: כיצד להעביר את הפרמטרים (סכום התחלתי, שם, סגנון) בצורה מאובטחת ב-URL או באמצעות מזהה ייחודי (UUID) שמפעיל את ה-UI הדינמי בעת הטעינה. 3. פסיכולוגיה של תמחור: שימוש בטכניקות כמו "עוגן" (Anchoring) – כיצד הסכום האמצעי המוצג משפיע על הבחירה, וכיצד ה-AI יכול לבחור את העוגן האופטימלי לכל תורם. 4. אינטגרציה לסליקה: כיצד לשלוט דינמית בערכים המוצגים בתוך ה-Iframe של חברת הסליקה (Peach) באמצעות הזרקת קוד או שימוש ב-API שלהם.

כלים

1. Generative UI: Lovable, V0.dev, React. 2. Data Enrichment: Apollo.io API, Clearbit, Proxycurl (לחילוץ מידע מלינקדאין). 3. AI/LLM: OpenAI GPT-4o, Claude 3.5 Sonnet (לניתוח פרופיל וקביעת אסטרטגיית מחיר). 4. Payment Gateway: Peach Payments API / Documentation. 5. Backend: Python/Node.js (לניהול הלוגיקה והערכת ה-Scoring).

זכויות יוצרים: החברה מעוניינת לקבל זכויות שימוש אבל אין לה צורך בזכויות יוצרים - לאחר ההאקתון החברה והמשתתפים שיבחרו באתגר יסדירו תנאים משלימים

רלוונטי בעיקר למחלקות: תוכנה ומדמ"ח תעו"נ כריית מידע מנהל עסקים חשבונאות

קהילת ביחד למאה
סוכן AI דינמי לניהול משא ומתן ופתרון סכסוכים

בעיה

סכסוכים ומשא ומתן הם חלק בלתי נפרד מחיי היום יום בתחומי שכירות, חוזים, שירות לקוחות וספקים. לרוב, הכשל נובע ממידע חסר, אינטרסים נסתרים, חוסר אמון או שפה מסלימה. פרומפט סטטי אינו מספיק משום שמשא ומתן הוא תהליך דינמי ומשתנה הדורש עדכון אסטרטגיה בזמן אמת. האתגר מוצע מטעם קהילת ביחד למאה במטרה להעניק לסטודנטים פרויקט משמעותי לקורות החיים, שיגדיל את כישוריהם ואת סיכויי הקבלה לעבודה בראיונות בתעשייה.

פיתרון

פיתוח אבטיפוס של סוכן AI דינמי המלווה תהליך גישור או משא ומתן. המערכת תאפשר פתיחת מקרה בקלות (דרך WhatsApp או לינק), הזמנת צד שני (אדם או סוכן LLM) וניהול דיאלוג מונחה. על הסוכן לזהות אינטרסים, לאתר פערי מידע, לשאול שאלות מכוונות, להציע מתווי פשרה ולעצור לקבלת אישור לפני החלטות רגישות. הפלט יכול להיות כלי עזר למגשר אנושי או זירת "AI נגד AI" לבחינת פתרונות אופטימליים.

רמזים

1. התמקדו בבניית תהליך רב-שלבי: איסוף מידע, ניתוח, שיחה וסיכום. 2. יישום Dynamic Preference Elicitation: הסוכן שואל שאלות רק כשהמידע חסר משמעותי להחלטה. 3. כיוון משפטי: שילוב RAG על בסיס חוקים וחוזים רלוונטיים. 4. היבט אתי: הבטחת ניטרליות ושימוש בשפה מגשרת למניעת הסלמה. 5. ארכיטקטורה: שימוש בניהול מצב (State Management) כדי לעקוב אחר התפתחות הטיעונים לאורך זמן.

כלים

1. מודלי שפה: OpenAI API, Claude, Gemini, Llama. 2. ממשקי תקשורת: WhatsApp API, Twilio, Telegram Bot. 3. שפות תכנות: Python, JavaScript, TypeScript. 4. ספריות ושלדות עבודה: LangChain, LangGraph, AutoGen, CrewAI. 5. בסיסי נתונים ו-RAG: Pinecone, FAISS, Chroma, Supabase Vector. 6. ממשק משתמש: Streamlit, Gradio, React, Next.js.

זכויות יוצרים: לחברה אין צורך בזכויות יוצרים

רלוונטי בעיקר למחלקות: תוכנה ומדמ"ח ביו-אינפורמטיקה אלקטרו-אופטיקה תעו"נ כריית מידע מנהל עסקים חשבונאות

רם ק.ר.מ
ניהול חכם של מערך מלווים והסעות לילדי החינוך המיוחד

בעיה

מערך ההסעות לילדים בעלי צרכים מיוחדים מתנהל כיום באופן ידני ומבוזר, המבוסס על רישומי נייר, שיחות טלפון וקבצים נפרדים. מצב זה מייצר חוסר ודאות משמעותי עבור הורים והנהלה, שאינם יכולים לדעת בזמן אמת את מיקום הרכב, זמני הגעה משוערים או האם הילד עלה להסעה בבטחה. בנוסף, תכנון מסלולים ידני אינו נותן מענה לשינויים דינמיים, מה שמוביל למסלולים ארוכים מהנדרש, איחורים חוזרים ועומס רגשי ופיזי על הילדים הנמצאים זמן ממושך בדרכים.

פיתרון

פיתוח אב-טיפוס למערכת ניטור ובקרה חכמה ההופכת את רכב ההסעה ליחידה מנוטרת. המערכת תתבסס על אפליקציה למלווה/נהג או רכיב חומרה המשלב GPS, ותציג דשבורד מרכזי להנהלה וממשק ייעודי להורים. הפתרון יכלול מנגנון דיווח חי על עליית/ירידת תלמידים, תצוגת מיקום בזמן אמת על מפה, חישוב זמני הגעה משוערים (ETA) על בסיס עומסי תנועה, ואלגוריתם בסיסי לאופטימיזציה של סדר התחנות לצמצום משך הנסיעה הכולל.

רמזים

1. שימוש בנתוני GPS מהסמארטפון של המלווה כחלופה זולה לרכיב חומרה ייעודי. 2. הטמעת לוגיקה לזיהוי חריגות: שליחת התראה אוטומטית רק במקרה של סטייה מהמסלול או עצירה ממושכת חריגה. 3. תכנון מנגנון "Check-in" מהיר למלווה המאשר את נוכחות הילד בלחיצת כפתור אחת. 4. שילוב שירותי מפות לחישוב זמני הגעה ריאליים להורים המבוססים על מצב התנועה הנוכחי. 5. שימוש בנתוני דמה (Mock Data) הכוללים כתובות ורשימות תלמידים לצורך הדגמת תרחישי איסוף מורכבים.

כלים

1. פיתוח צד לקוח: Flutter או React Native לאפליקציות מובייל, או React/Angular ל-Web App. 2. צד שרת: Node.js, Python (FastAPI/Flask) או .NET Core. 3. בסיס נתונים: Firebase Realtime Database או MongoDB לניהול מיקום בזמן אמת. 4. ממשקי מפות: Google Maps API או Mapbox לניווט ותצוגת מסלולים. 5. אלגוריתמיקה: ספריות אופטימיזציה כגון Google OR-Tools לפתרון בעיית הניתוב (VRP). 6. שירותי התראות: Firebase Cloud Messaging (FCM) או Twilio לשליחת הודעות דחיפה ו-SMS.

זכויות יוצרים: החברה מעוניינת לשמור על כל זכויות היוצרים

רלוונטי בעיקר למחלקות: תוכנה ומדמ"ח ביו-אינפורמטיקה אלקטרו-אופטיקה תעו"נ כריית מידע מנהל עסקים חשבונאות

אתגר עצמאי
Web2Agent: הפיכת כל אתר לכלי בינה מלאכותית

בעיה

סוכני בינה מלאכותית פועלים בצורה מיטבית כאשר עומדים לרשותם ממשקי API או CLI רשמיים. עם זאת, רוב אתרי האינטרנט אינם מספקים גישה כזו. כתוצאה מכך, פעולות שמשתמש אנושי מבצע בקלות דרך הדפדפן (כמו מילוי טפסים או הורדת דוחות) דורשות פיתוח ידני מורכב, כתיבת סקריפטים שבירים או אינטגרציות ייעודיות הנוטות להישבר בכל עדכון עיצובי של האתר, דבר המגביל את יכולת האוטומציה וההרחבה של סוכנים חכמים במרחב הדיגיטלי.

פיתרון

בניית מערכת המאפשרת לסוכן חכם לתפעל אתרים רגילים ישירות דרך ממשק המשתמש הוויזואלי שלהם. המערכת תחקור את האתר עצמאי, תזהה רכיבים ופעולות מרכזיות, ותתרגם אותם לכדי יכולות חוזרות וקבועות לשימוש. עליה לייצר שכבת פקודות דינמית המאפשרת לסוכן לבצע משימות מעשיות כמו מילוי טפסים, הפקת דוחות, יצירת רשומות וחיפוש מידע בכל אתר נתון, ללא תלות בקיומו של ממשק רשמי ובאופן שיקטין את שבירות התהליך./

רמזים

1. שילוב בין סוכנים לראיית ממוחשבת או ניתוח מבני לצורך השגת מטרות מוגדרות ישירות בדפדפן. 2. מיפוי דינמי של מבנה האתר וזרימות עבודה כדי לאפשר לסוכן להבין אילו פעולות זמינות בכל מסך. 3. שימוש במודלי שפה גדולים לצורך הבנה סמנטית של כפתורים ותפריטים, ומניעת שבירת התהליך כשהעיצוב משתנה. 4. בניית ארכיטקטורה הממירה אלמנטים גרפיים ויזואליים לפקודות קצה הניתנות להפעלה חוזרת על ידי הסוכן.

כלים

1. כלי אוטומציית דפדפן: Playwright או Puppeteer לניתוח מבנה הדף ותפעול ממשקים בזמן אמת. 2. סביבות פיתוח ושפות: Python או Node.js. 3. כלי ניהול ותזמור סוכנים: LangChain, CrewAI או AutoGen. 4. ספריות לבניית ממשקי שורת פקודה דינמיים: Commander.js או Typer. 5. מודלי שפה גדולים לצורך ניתוח והבנת רכיבי הממשק.

48 שעות של עבודה קשה וכיף בלתי נגמר

איך זה יעבוד?

נרשמים

וממלאים טופס קצר

משתבצים

מקימים או מצטרפים לקבוצה ובוחרים אתגר *לאחר סגירת ההרשמה ישלח טופס עדכון פרטי קבוצה

מתכוננים

בסדנאות הכנה

מבצעים

את המשימות באופן קבוצתי

לתשובות על שאלות נפוצות

סטודנטיות - לחצו כאן להרשמה

נרשמתן להאקתון? יאללה מתחילים

הצטרפו לקבוצת הווטסאפ ותכירו משתתפות נוספות איתן תוכלו להקים קבוצה ולקבל עדכונים לקראת האירוע

להצטרפות לקבוצת הווטסאפ לחצו כאן

מאגר משתתפות/קבוצות

כניסה להאקתון

פרטי וגובה הפרסים יעודכנו בהקדם

פרס ראשון

3000₪

פרס שני

2000₪

פרס שלישי

1500₪

מימוש כספי הזכייה לטובת קידום המיזם יגדיל את הפרס ל:

6000₪

4000₪

3000₪

לו"ז

יום ראשון 03/05 לוסטיג

מפגש עבודה 1 (רשות)

יום ראשון 10/05 לוסטיג

מפגש עבודה 2 (רשות)

יום שלישי 05/05 טל

מפגש עבודה 1 (רשות)

יום רביעי 20/05 טל

מפגש עבודה 2 (רשות)

יום רביעי 27/05

מתחילים בכל הכח

יום חמישי 28/05

קפה שחור חזק

יום שישי 29/05

שיפוט והכרזה על זוכות

הלו"ז המלא יופיע בקרוב

סדנאות הכנה

מידע על הסדנאות יתפרסם לקראת ההאקתון

סדנאות הכנה

להפוך רעיונות למוצרים מוגמרים באמצעות AI

ערן יומטוביאן, Director at Schreiber LevTech Entrepreneurship Center

יום ראשון | 27/4 18:30-21:00

יום ראשון | 11/5 17:00-19:30

חומרה חכמה – יצירת פרויקטים עם ESP ורכיבים אלקטרוניים

ד"ר אבי טרייסטמן, Computer Science Lecturer at Lev Academic Center

יום שלישי | 6/5 19:00-22:00

איך מנצחים האקתון

עם ניסיון שנאסף מהשתתפות, מנטורינג והפקה בעשרות האקתונים בסדנה הזו תקבלו את כל הטיפים והשיטות שיעזרו לכן לנצח האקתון. הסדנה תתחיל בחצי שעה של שו"ת על ההאקתון!

ערן יומטוביאן, Director at Schreiber LevTech Entrepreneurship Center

יום ראשון | 11/5 20:00-22:00

יום רביעי | 14/5 18:30-21:30

להפוך רעיונות למוצרים מוגמרים באמצעות AI - לוסטיג

ערן יומטוביאן, Director at Schreiber LevTech Entrepreneurship Center

יום ראשון | 11/5 17:00-19:30

איך מנצחים האקתון - טל/תבונה

ערן יומטוביאן, Director at Schreiber LevTech Entrepreneurship Center

יום רביעי | 14/5 18:30-21:30

פיתוח ב-Full Stack

ינון בלוך, CTO at SpotReality

יום שלישי | 28/05 19:00-22:00

הטמעה בענן ודוקרים

אליה בלוך, CTO at BonData

יום שלישי | 04/06 19:00-22:00

GPT וחברים

אלכס לואיס, Team Leader at C41 Corps

יום ראשון | 28/05 19:00-22:00

פיתוח עם AI בלי לכתוב קוד

בניית פרויקט מלא מאפס באמצעות שימוש בבינה מלאכותית בלבד!

מתן פחימה, חוקר ומפתח בינה מלאכותית, nRich

יום רביעי | 19/06 19:30-22:00

שופטים

Adi Gozes

מקימים או מצטרפים לקבוצה ובוחרים אתגר
*לאחר סגירת ההרשמה ישלח טופס עדכון פרטי קבוצה