Аким на 5 часов

Учебный AI-симулятор управления городским бюджетом.

100 условных единиц → 5 решений → последствия для районов → AI-разбор → пересмотр решения.

Пользователь выбирает городские инициативы, распределяет ограниченный бюджет и получает Astana Quality of Life Score: итоговую оценку сценария с изменениями показателей районов, сохраняющимися проблемами и объяснением компромиссов.

Например, перенос одной школы из Есиля в Нуру при одинаковых расходах повышает Score с 53,83 до 55,07 и уменьшает число критических показателей с двух до одного. При этом средняя оценка города немного снижается — симулятор помогает понять, почему итог всё равно улучшился.

Статус: реализован локальный MVP с интерфейсом, математической моделью, серверной валидацией и OpenAI-интеграцией. Зафиксированные проверки: 285 Python-тестов и 12 браузерных тестов. Живые AI-разборы сценариев A/B проверены отдельно; сведения о версиях и границах проверок приведены ниже.

Перед финальной сдачей остаётся закрыть расхождение в правиле направлений и провести полную репетицию защиты.

Запуск · Контрольные сценарии · Питч и ответы жюри · API-контракт

Документы для разработки

Документ	Что содержит
Спецификация	Сценарий пользователя, исходные данные, правила, формула и критерии готовности
API-контракт	Запросы, ответы, ошибки и полные JSON-примеры
Архитектура	Компоненты приложения и границы их ответственности
Backend	Реализация математической модели и серверных проверок
Frontend	Интерфейс, обработка состояний и демонстрационный режим
AI-интеграция	Настройка OpenAI, ошибки, ограничения и живая приёмка
Проверка исходных данных	Независимая сверка датасета и математических эталонов
Независимая приёмка	Окружение, команды, результаты тестов и проверка настоящего интерфейса
Материалы защиты	План шести слайдов, речь, минутное демо и ответы на вопросы жюри

Документы backend/frontend содержат описание ранних этапов. Упоминания отсутствующего /api/analyze в них относятся к состоянию до AI-интеграции. Актуальная настройка AI находится в этом README и docs/ai.md.

Версии текущей реализации:

• API-контракт — 2.0;
• исходные данные — city-v1;
• правила — five-directions-v1.

Проблема и пользователь

Транспорт, озеленение, социальная инфраструктура, безопасность и городские сервисы конкурируют за один бюджет. Решение может улучшить среднее значение по городу, но оставить критические потребности отдельного района нерешёнными.

Симулятор позволяет исследовать такие ситуации в коротком воспроизводимом упражнении: выбрать меры, увидеть последствия, прочитать объяснение и проверить другую комбинацию.

Основная учебная аудитория — студенты и слушатели программ городского управления, урбанистики и экономики. Преподаватель может использовать приложение для обсуждения бюджетных решений; управленец или аналитик — для знакомства с учебной моделью компромиссов.

Польза текущего продукта:

• одинаковые исходные условия позволяют сопоставлять решения;
• ограничения проверяются автоматически;
• последствия видны по отдельным районам и показателям;
• AI объясняет конкретный рассчитанный сценарий;
• повторная попытка позволяет проверить собственную гипотезу.

Границы применения: данные синтетические, стоимости и эффекты условные. Astana Quality of Life Score — учебный индекс, а не официальный показатель или прогноз развития Астаны. Образовательная эффективность, спрос и готовность организаций использовать продукт пока не подтверждены исследованием.

Основной сценарий

1. Открыть исходные показатели пяти районов и базовый Score 52,56.
2. Выбрать ровно пять мероприятий и районы для локальных мер.
3. Проверить стоимость и остаток бюджета 100.
4. Получить понятную причину отказа, если набор нарушает правила.
5. Рассчитать итоговый Score, изменения районов и критические показатели.
6. Получить AI-разбор сильных сторон, рисков и основного компромисса.
7. Изменить решение и повторить расчёт.

При изменении выбора предыдущий результат помечается как устаревший. Запоздалый ответ старой попытки не подменяет результат новой.

Объём MVP

P0 — обязательный результат

• Полный синтетический датасет: пять районов, десять показателей, четырнадцать мероприятий.
• Единый бюджет и ровно пять решений.
• Серверные проверки стоимости, повторов, районов и несовместимостей.
• Детерминированный расчёт эффектов, лагов, синергий и Score.
• Отображение исходного и итогового состояния районов.
• AI-разбор рассчитанного сценария.
• Отдельная живая проверка AI для A/B.
• Сохранение числового результата при недоступности AI.
• Независимые математические и API-тесты.
• Проверенный запуск в чистом окружении.
• Текст питча, сценарий демо и ответы жюри.
• Закрыть расхождение между исходным и реализованным правилом направлений.
• Подготовить окончательные слайды и провести полную репетицию с хронометражем.
• Повторить проверку AI на ноутбуке и в сети, используемых для защиты.

После готового P0

Следующие улучшения по мере подтверждения их пользы:

• сравнение текущей и предыдущей попытки;
• предложение альтернативного набора с предварительной серверной проверкой его допустимости и результата;
• более удобная настройка локального запуска;
• расширение проверки смысловой точности AI-разборов.

Эти возможности не заявляются как уже реализованные.

За пределами пяти часов

Аккаунты, рейтинг команд, кабинет преподавателя, история занятий, GIS-карта, случайные события, экспорт презентаций и дополнительные учебные кейсы.

Данные и правила

Источник модели — предоставленный для задачи документ «Датасет районов». Машиночитаемые данные находятся в:

• data/districts.json — районы, исходные показатели, веса и доли населения;
• data/measures.json — мероприятия, цены, эффекты, лаги, конфликты и синергии.

Сервер проверяет целостность данных при запуске и использует неизменяемую конфигурацию. Каждая попытка рассчитывается от исходного состояния: эффекты предыдущих запросов не накапливаются.

Параметр	Значение
Бюджет	100 условных единиц для всех пользователей
Районы	Есиль, Алматы, Сарыарка, Байконур, Нура
Направления	Транспорт, экология/озеленение, соцсфера, безопасность, сервисы
Показатели	10; от 0 до 100, больше — лучше
Каталог	14 мероприятий
Горизонт	8 кварталов
Число решений	Ровно 5
Остаток бюджета	Отображается, бонуса к Score не даёт

Сервер применяет следующие правила:

1. Стоимость набора не превышает 100.
2. Выбрано ровно пять мероприятий.
3. Каждое мероприятие встречается не более одного раза.
4. Для районной меры указан существующий район.
5. Для городской меры район отсутствует или равен null; эффект действует на все районы.
6. В текущей версии выбрана ровно одна мера каждого из пяти направлений.
7. Несовместимые мероприятия запрещены.
8. Порядок решений не влияет на результат.
9. Невалидный набор возвращает причину отказа без Score.

Известное расхождение требований. Исходный документ допускает не более двух мероприятий одного направления. Текущие API и интерфейс реализуют более строгое правило: по одной мере каждого из пяти направлений.

Поэтому исходные примеры стоимостью 95 и 61, содержащие по две меры одного направления, сейчас отклоняются с CATEGORY_COVERAGE. Перед окончательной сдачей необходимо подтвердить допустимость ужесточения у организаторов либо согласованно обновить правила, интерфейс, контракт и тесты. Полное соответствие исходному правилу пока не заявляется.

Несовместимости и синергии

Несовместимые меры	Ограничение
M1 и M3	Запрещены вместе независимо от района
M4 и M7	Запрещены в одном районе
M5 и M13	Запрещены в одном районе

Пара с синергией	Фиксированный бонус
M1 + M2	T1 +2 в районе M1
M10 + M12	B1 +2 в районе M10
M5 + M6	E2 +2 в районе M5

Бонусы синергий не масштабируются лагом. При текущем правиле категорий пары M1+M2 и M5+M6 недоступны через API; они сохранены в исходной модели и проверяются отдельно на уровне расчётных функций.

Расчёт Score

Расчёт выполняется Python-кодом по фиксированной модели:

realized_effect = full_effect × (8 − lag) / 8

new_indicator =
    clip(initial_indicator + sum(realized_effects) + synergies, 0, 100)

district_score = sum(weight × new_indicator)

city_average = sum(population_share × district_score)

critical_count =
    число пар «район × показатель» со значением строго меньше 40

Score = 0.7 × city_average + 0.3 × min(district_score) − critical_count

Формула учитывает средний результат города, положение слабейшего района и количество критических дефицитов.

Показатель	T1	T2	E1	E2	S1	S2	B1	B2	C1	C2
Вес	0.10	0.10	0.09	0.11	0.11	0.11	0.09	0.09	0.10	0.10

Район	Доля населения	Исходная оценка
Есиль	0.27	62.99
Алматы	0.24	57.06
Сарыарка	0.20	54.65
Байконур	0.13	56.63
Нура	0.16	49.18

Базовое среднее — 56.8624, слабейший район — Нура, критических показателей — 2.

Базовый Score: 52.55768, отображение в интерфейсе — 52,56.

Особенности расчёта:

• ограничение показателей диапазоном 0–100 применяется один раз, после суммирования эффектов и синергий;
• значение ровно 40 не является критическим;
• промежуточные результаты не округляются;
• итоговый Score дополнительно не ограничивается диапазоном 0–100;
• интерфейс округляет числа только для отображения;
• транспортные и экологические показатели уже приведены к шкале «больше — лучше» и повторно не инвертируются.

Архитектура и роль AI

Backend: Python, FastAPI, Pydantic, httpx.
Frontend: HTML, CSS и JavaScript без обязательных внешних CDN.
Данные: версионируемые JSON-файлы.

Один FastAPI-процесс обслуживает интерфейс и API. Для локального MVP не требуются база данных и авторизация.

Выбор пользователя
        │
        ▼
/api/simulate → проверка правил → Python-расчёт → числа в интерфейсе
        │
        └─ после успешного расчёта:
           /api/analyze → повторная проверка и расчёт
                        → OpenAI → проверка ответа → объяснение

Python отвечает за числа: стоимость, допустимость набора, эффекты, изменения показателей и Score. Клиент передаёт только ID выбранных мероприятий и районов.

AI отвечает за интерпретацию: итог, сильные стороны, сохраняющиеся проблемы, компромисс и вопрос для следующей попытки. AI получает результат текущего расчёта; история попыток и автоматический поиск оптимального сценария не реализованы.

Используется OpenAI Responses API со Structured Outputs. Модель задаётся через AI_MODEL; значения по умолчанию нет. Для зафиксированной живой приёмки использована gpt-4.1.

Сервер проверяет:

• структуру и допустимые поля ответа;
• ограничения длины;
• существование ссылок на факты в результате расчёта;
• корректность формата ответа провайдера.

Числовые поля итогового ответа формируются сервером. AI не может заменить Score собственным числом.

Проверка структуры и ссылок не гарантирует правильную интерпретацию. Ключевые выводы живых A/B проверены вручную; качество на широком наборе сценариев ещё предстоит оценить.

При отказе, timeout или некорректном ответе AI интерфейс сохраняет рассчитанные показатели и показывает статус недоступности. Общий предел ожидания по умолчанию — 12 секунд, автоматических повторов нет.

API и состояние реализации

Метод	Путь	Назначение
GET	/api/config	Бюджет, районы, каталог, правила, версии и базовый Score
POST	/api/simulate	Валидация и расчёт сценария
POST	/api/analyze	Повторная проверка и расчёт, затем AI-разбор
GET	/health	Проверка доступности приложения

Оба POST принимают один формат:

{
  "selections": [
    {"measure_id": "M1", "district_id": "esil"},
    {"measure_id": "M4", "district_id": "saryarka"},
    {"measure_id": "M7", "district_id": "nura"},
    {"measure_id": "M10", "district_id": "esil"},
    {"measure_id": "M12", "district_id": null}
  ]
}

Ответ /api/simulate содержит SimulationResult: версии, нормализованные решения, стоимость, остаток, Score до/после, районные изменения, критические показатели, эффекты и синергии.

Невалидный запрос получает HTTP 422:

{
  "detail": [
    {
      "code": "BUDGET_EXCEEDED",
      "message": "Стоимость решений 107 превышает бюджет 100 на 7 единиц.",
      "path": ["selections"],
      "context": {
        "budget": 100,
        "total_cost": 107,
        "over_by": 7
      }
    }
  ]
}

Возвращается одна первая ошибка. Score отсутствует, провайдер AI не вызывается.

Недоступность AI для допустимого набора возвращается отдельно: HTTP 200, status="unavailable", причина в unavailable_reason. Математический результат при этом сохраняется.

Полные схемы и порядок проверок описаны в API-контракте.

Структура

app/
  main.py                 # HTTP API, запуск, загрузка конфигурации
  models.py               # Схемы запросов и ответов
  validator.py            # Правила допустимости и ошибки
  simulation.py           # Математическая модель
  ai.py                   # OpenAI, проверка ответа, обработка сбоев
  prompts/
    analyst.txt           # Инструкции AI-аналитику
data/
  districts.json          # Районы, показатели, веса, население
  measures.json           # Каталог, стоимость, лаги, правила
static/
  index.html
  styles.css
  app.js
  demo/                   # Явно обозначенные примеры контракта
tests/
  test_api.py
  test_simulation.py
  test_validation_order.py
  test_dataset_startup.py
  test_source_data.py
  test_qa_measure_effects.py
  test_ai.py
  test_analyze_api.py
  frontend.cjs
examples/
  scenario_a.json
  scenario_b.json
docs/
  spec.md
  api-contract.md
  architecture.md
  ai.md
  pitch.md
  ...
README.md
requirements.txt
.env.example
.gitignore

Запуск и конфигурация

Для воспроизведения на Windows рекомендуется Python 3.12: чистая установка проверена с CPython 3.12.14. AI-адаптер использует возможности Python 3.11 и новее.

Нужен современный браузер. Node.js требуется только для дополнительных браузерных тестов, но не для запуска приложения.

Получение проекта

При первом запуске:

git clone --branch main https://github.com/BAITC-Hacks/hack-ffe55ead-brainblitz.git
cd hack-ffe55ead-brainblitz

Для приватного репозитория необходим доступ через GitHub. Следующие команды выполняются из корня проекта.

Windows — установка и запуск без AI

В PowerShell:

python -m venv .venv
.\.venv\Scripts\python.exe -m pip install -r requirements.txt
.\.venv\Scripts\python.exe -m pip check

$env:AI_ENABLED = 'false'
.\.venv\Scripts\python.exe -m uvicorn app.main:app --host 127.0.0.1 --port 8000

macOS / Linux — установка и запуск без AI

В bash или zsh:

python3 -m venv .venv
.venv/bin/python -m pip install -r requirements.txt
.venv/bin/python -m pip check

AI_ENABLED=false .venv/bin/python -m uvicorn app.main:app --host 127.0.0.1 --port 8000

После запуска:

• Приложение — интерфейс с реальными расчётами.
• Документация API — интерактивные запросы.
• Конфигурация — исходные данные и правила.
• Проверка сервера — {"status":"ok"}.

Открывайте приложение без ?demo=1. Сервер одновременно обслуживает frontend и backend; отдельная сборка интерфейса не нужна. Остановка сервера — Ctrl+C.

Без AI доступны все математические расчёты. Успешный /health подтверждает работу приложения, но не доступ к OpenAI.

Подключение AI

Для живого разбора нужны API-ключ и точный ID модели, доступной этому ключу.

Переменная	Назначение
AI_ENABLED	true включает AI, false явно отключает; по умолчанию true
AI_API_KEY	Секретный ключ, доступный только backend
AI_MODEL	Обязательный ID модели; значения по умолчанию нет
AI_BASE_URL	По умолчанию https://api.openai.com/v1
AI_TIMEOUT_SECONDS	Общий предел ожидания; по умолчанию 12

Настройки читаются при запуске сервера. После их изменения сервер нужно перезапустить. Файл .env автоматически не загружается.

На Windows остановите предыдущий сервер и выполните в том же PowerShell:

$env:AI_ENABLED = 'true'
$env:AI_MODEL = 'gpt-4.1'
$env:AI_BASE_URL = 'https://api.openai.com/v1'
$env:AI_TIMEOUT_SECONDS = '12'

$aiSecret = Read-Host 'OpenAI API key' -AsSecureString
$aiKeyPointer = [Runtime.InteropServices.Marshal]::SecureStringToBSTR($aiSecret)

try {
    $env:AI_API_KEY =
        [Runtime.InteropServices.Marshal]::PtrToStringBSTR($aiKeyPointer)
} finally {
    [Runtime.InteropServices.Marshal]::ZeroFreeBSTR($aiKeyPointer)
    $aiSecret.Dispose()
    Remove-Variable aiSecret, aiKeyPointer
}

.\.venv\Scripts\python.exe -m uvicorn app.main:app --host 127.0.0.1 --port 8000

gpt-4.1 использовалась в зафиксированной приёмке. Доступ к ней необходимо проверить для своего ключа.

На macOS / Linux создайте локальный .env по образцу .env.example, заполните AI_API_KEY, AI_MODEL и установите AI_ENABLED=true. Затем загрузите свой файл в том же терминале:

set -a
source .env
set +a

.venv/bin/python -m uvicorn app.main:app --host 127.0.0.1 --port 8000

source выполняет содержимое файла как команды оболочки: используйте только собственный доверенный .env.

Ключи не передаются браузеру и не должны попадать в Git. .env исключён из репозитория. После git pull настройки другого участника команды автоматически не появляются.

Адаптер использует /responses и Structured Outputs. Совместимости провайдера только с Chat Completions недостаточно. Подробности — в инструкции AI.

Если AI не работает

Симптом	Что проверить
not_configured	Установлены ли AI_API_KEY и AI_MODEL в окружении процесса сервера; перезапущен ли сервер
disabled	Значение AI_ENABLED; для живого разбора требуется true
provider_error	Ключ, доступ к модели, адрес API и соединение
rate_limited	Доступную квоту и лимиты провайдера
timeout	Доступность провайдера и установленное время ожидания
invalid_response	Совместимость модели и результат проверки структуры/ссылок
HTTP 404 на /api/analyze	Версию локального кода и процесс, запущенный на выбранном порту

Режим ?demo=1 использует заранее подготовленные примеры контракта. Полный демонстрационный ответ доступен для B; этот режим не подтверждает работу backend или живого AI.

Контрольные сценарии

Готовые запросы: сценарий A и сценарий B.

Направление / показатель	Сценарий A	Сценарий B
Транспорт	M1, Есиль	M1, Есиль
Экология	M4, Сарыарка	M4, Сарыарка
Соцсфера	M7, Есиль	M7, Нура
Безопасность	M10, Есиль	M10, Есиль
Сервисы	M12, город	M12, город
Стоимость	83	83
Остаток	17	17
Score	53.8250475	55.0703475
Отображение Score	53,83	55,07
Критические показатели после мер	2	1
S1 Нуры после мер	38	48
S2 Нуры после мер	35	35

Изменяется только район школы M7. При переходе A → B:

• средняя оценка города снижается с 58.485425 до 58.364425;
• минимальная районная оценка растёт с 49.6175 до 50.7175;
• число критических показателей уменьшается с двух до одного;
• итоговый Score повышается на 1.2453 при той же стоимости.

Дефицит по S1 в Нуре выходит из критической зоны, но критический S2 сохраняется. Сценарий B демонстрирует компромисс и не объявляется оптимальным.

Дополнительные контрольные наборы:

Проверка	Набор	Ожидаемый результат
Ровно 100	M3 Нура, M6 город, M7 Нура, M10 Есиль, M12 город	Успешный расчёт, остаток 0
Перерасход 107	M3 Нура, M5 Сарыарка, M7 Нура, M10 Есиль, M14 город	422, BUDGET_EXCEEDED
Конфликт участка	В B перенести M4 в Нуру	422, INCOMPATIBLE_MEASURES

Проверки и воспроизводимость

В Windows:

.\.venv\Scripts\python.exe -m pytest -q
.\.venv\Scripts\python.exe -m pip check

В macOS / Linux:

.venv/bin/python -m pytest -q
.venv/bin/python -m pip check

Зафиксированные результаты проверки версии 9b768d4 от 23 сентября 2026 года:

Проверка	Результат	Что подтверждает
Python-тесты	285 passed, 1 warning	Данные, расчёты, валидацию, API и обработку AI-ответов
Браузерные тесты	12 passed	Поведение интерфейса с подменёнными API-ответами
Зависимости	No broken requirements found	Совместимость установленных зависимостей

Предупреждение Starlette относится к будущему переходу TestClient с httpx на httpx2. Оно не скрывается и не стало причиной падения тестов.

Python-тесты проверяют:

• точные исходные данные, стоимости, лаги и эффекты;
• базу и A/B с абсолютным допуском 1e-8;
• бюджет 100/107, количество, повторы, категории, ID и районы;
• несовместимости, синергии и отрицательные эффекты;
• применение clip после всех изменений;
• границу критичности 40;
• все 120 перестановок решений одного сценария;
• неизменность данных между запросами;
• полные ответы API и точную структуру ошибок 422;
• отказ запуска при повреждённом датасете;
• AI timeout, отказ, неверный формат и ссылки;
• сохранение математического результата при сбое AI.

AI-тесты подменяют транспорт провайдера и не требуют платных запросов.

Для браузерного набора нужны Node.js, Playwright и поддерживаемый Chromium-браузер:

node tests/frontend.cjs

Настройка браузера и зависимостей описана в документации frontend. Эти тесты не заменяют проверку настоящего взаимодействия браузера, FastAPI и OpenAI.

Отдельно проведены проверки настоящего интерфейса с backend и ручная живая приёмка A/B на gpt-4.1. В зафиксированных AI-запросах получены status=ok и времена 3,57 с / 2,62 с. Это результаты двух конкретных запросов, а не гарантия доступности, скорости или качества будущих ответов.

Отчёты: данные и математика, независимая приёмка, живая AI-приёмка.

После изменения кода, правил, модели или промпта соответствующие проверки нужно повторить.

Demo на 60 секунд

Перед выступлением запустите приложение на презентационном ноутбуке, проверьте AI и откройте интерфейс без ?demo=1.

Время	Действие	Что показать
0–10 сек.	Объяснить исходную проблему	Бюджет 100; критические S1=38 и S2=35 в Нуре
10–25 сек.	Загрузить пример и рассчитать A	Стоимость 83, Score 53,83, две критические пары
25–35 сек.	Показать AI-разбор и изменить район M7	Перенос школы из Есиля в Нуру
35–50 сек.	Рассчитать B	Стоимость 83, Score 55,07, одна критическая пара
50–60 сек.	Объяснить компромисс	S1 улучшился, S2 остаётся критическим; почему изменился Score

Сравнение A/B объясняет выступающий. Приложение показывает текущую попытку относительно исходного города и пока не хранит историю результатов.

Если AI недоступен, продолжайте по числовым карточкам. Резервную запись предыдущего успешного запуска показывайте с явной подписью; она не считается живым ответом.

Полный сценарий защиты рассчитан на шесть слайдов и 2 минуты 40 секунд, включая минутное демо. Это текст для подготовки презентации. Готовность слайдов, резервного видео и соблюдение времени нужно подтвердить репетицией. Фактический регламент выступления определяется организаторами.

Командная работа и готовность

Роль	Ответственность
Frontend / UX	Выбор решений, бюджет, отображение результата, состояния ошибок и ожидания
Backend / AI	Валидация, формула, API, интеграция OpenAI и обработка сбоев
Data / QA / Docs / Pitch	Датасет, независимые эталоны, тесты, воспроизводимость, документация и защита

Порядок завершения проекта:

1. Закрыть вопрос правила направлений.
2. Синхронизировать реализацию, контракт, тесты и материалы защиты.
3. Проверить установку, расчёты A/B и AI на презентационном ноутбуке.
4. Подготовить слайды и подписанный резерв демонстрации.
5. Провести полную репетицию с кликами и вопросами.
6. Зафиксировать финальный коммит и проверить доступность материалов для жюри.

Код проекта рассчитан на локальное конкурсное использование. Публичный deployment, нагрузочная проверка и защита общего AI-бюджета не входят в подтверждённые возможности текущего MVP.

Соответствие критериям хакатона

Критерий	Вес	Что реализовано и чем подтверждается
Соответствие задаче и работоспособность	25	Бюджет, пять решений, меняющиеся показатели и Score, AI-разбор; демонстрация A/B и обработка недопустимых наборов. Расхождение в правиле категорий отмечено отдельно
Техническая реализация	25	Детерминированная модель, серверная валидация, неизменяемые данные, согласованный API, отдельный AI-адаптер и сохранение чисел при его отказе
README и воспроизводимость	25	Закреплённые зависимости, команды запуска и тестирования, конфигурация AI, JSON-примеры, эталоны и отчёты проверок
Ценность и применимость	15	Понятный учебный сценарий: исследование компромисса между средним результатом, слабейшим районом и критическими дефицитами
Потенциал развития и оригинальность	10	Цикл «выбор → последствия → объяснение → пересмотр» и план проверки образовательной пользы с преподавателем

Таблица связывает реализованные возможности с критериями оценки. Она не является прогнозом баллов жюри.

Практический вклад проекта — готовый сценарий эксперимента с едиными данными, обязательными ограничениями и воспроизводимым расчётом. Пользователь может проверить изменение своего решения без ручного переноса таблиц и подготовки отдельного запроса к AI.

После хакатона

Первый шаг — пилотное занятие с преподавателем и небольшой группой пользователей.

План проверки пользы:

• предложить сопоставимые задания до и после упражнения;
• оценить, насколько участники объясняют средний результат, положение слабейшего района и критические проблемы;
• собрать трудности использования и ошибки понимания;
• отдельно сравнить работу с AI-разбором и без него.

После подтверждения пользы можно развивать историю попыток, задания преподавателя, новые учебные кейсы и проверенные рекомендации альтернатив.

Для публичного сервиса дополнительно потребуются управление доступом, ограничения AI-запросов, контроль расходов, мониторинг и нагрузочная проверка. Интеграция реальных городских данных потребует отдельной проверки их качества, прав использования и обоснованности модели.

Потенциальные заказчики — образовательные программы и организации, проводящие обучение городскому управлению. Это гипотеза развития; внедрения и платящие клиенты пока не заявляются.

Команда HackAlem

Abdulla · Nurasyl · Nurdaulet

«Аким на пять часов» — учебный эксперимент, в котором решение можно проверить и защитить.