Днями завершився хакатон AgentForge, який організували технічні команди SoftServe — команда Gen AI лабораторії та відділ Data Science. Після інтенсивного онлайн-етапу відбувся офлайн-фінал у львівському офісі компанії. Хакатон об’єднав розробників, ML-інженерів, Data Science спеціалістів і дослідників, які працюють автономними агентами.
Днями завершився хакатон AgentForge, який організували технічні команди SoftServe — команда Gen AI лабораторії та відділ Data Science. Після інтенсивного онлайн-етапу відбувся офлайн-фінал у львівському офісі компанії. Хакатон об’єднав розробників, ML-інженерів, Data Science спеціалістів і дослідників, які працюють автономними агентами.
За перемогу в хакатоні змагались 35 команд та 6 соло-учасників, які протягом кількох днів розробляли ШІ-агентів, слідуючи кільком вимогам — від технічних особливостей рішень до можливостей їх практичного застосування.
«Хакатон AgentForge став хорошим майданчиком для роботи з автономними системами, які здатні не просто відповідати на запити, а самостійно діяти. Ми побачили багато цікавих ідей та сильних команд, які не побоялися взятися за реальні складні технічні кейси. Учасники зуміли за короткий час організувати роботу команд і представити свої прототипи спільноті та журі», — зазначає Назар Друщак, AI Technical Consultant у SoftServe.
Переможцем хакатону стала команда CognitiveOps++, яка отримала приз в розмірі $5000, презентуючи свій проєкт ADW (Agentic Data Workflow) — це production-ready AI-платформа, яка перетворює бізнес-запит у сертифіковану аналітику без участі великих BI-команд. Мета проєкту — скоротити time-to-insight з тижнів до хвилин. ADW поєднує AI, data engineering та аналітику в єдину керовану платформу для реального бізнес-впливу. Рішення допомагає бізнесу швидше отримувати інсайти з даних, а data-командам — переходити від операційної підтримки до стратегічної ролі.
За словами журі, проєкт вирізнявся практичною цінністю, зрілою архітектурою та чіткою демонстрацією того, як автономні AI-агенти можуть автоматизувати складні data-процеси в реальних бізнес-сценаріях.
Друге місце і $ 3 000 отримала команда No More Tokens з проєктом AI Product Manager Colleague. AI-агент здатен аналізувати «сирі» документи (PDF, специфікації, презентації), розуміти наявну кодову базу та надавати аргументовані відповіді. Він не просто генерує текст, а допомагає оцінити технічну складність, знайти точки дотику в коді та сформулювати чіткі вимоги до продукту. АІ-агент допомагає писати продуктові вимоги та перевіряє, чи код їм відповідає. Команда намагалася автоматизувати складну та хаотичну частину процесу — узгодження технічної та нетехнічних команд.
Команда Shalena Bdzhilka здобула третє місце і виграла $2 000 зі своїм проєктом Machine Learning & Data Analytics Agent. Команда створила інструмент для структурування ML-експериментів. Система використовує кілька спеціалізованих агентів, що працюють разом, щоб пояснювати результати, підтримувати порядок у процесах і допомагати користувачам вирішувати ML-задачі.
