Rekaman rapat minangka aset kawruh sing durung dimanfaatake kanthi optimal. Rekaman kasebut angel digoleki, mbutuhake wektu akeh kanggo dideleng maneh, lan kasebar ing drive saben tim, mula wawasan sing migunani kerep ora digatekake.
Sajrone hackathon sedina, tim sing dumadi saka telung wong nggawe Callombia. Callombia minangka platform internal sing kanthi otomatis nggawe transkrip, menehi tag, ngringkes, lan motong rekaman panggilan dadi gudang kode sing bisa digoleki kaya YouTube lan diakses saka kantor ing saindenging donya.
Solusi sing sakabehe digawe nganggo Codex iki nggunakake panelusuran semantik adhedhasar embedding OpenAI lan cosine similarity kanggo nemokake bagean sing relevan sanajan tembung kunci persise ora digunakake, kanthi chatbot RAG lan sistem notifikasi minangka lapisan tambahan.
Pakaryan sing biyen mbutuhake pirang-pirang minggu bisa rampung sajrone pitung jam. Iki nuduhake yen pangembangan sing wiwitane dirancang kanggo AI, kanthi agen pamrograman kaya Codex, bisa nyepetake siklus pangembangan produk kanthi drastis lan ngasilake nilai bisnis nyata saka hackathon internal.
Yen sampeyan kaya aku, mesthi arang duwe wektu (utawa cukup fokus) kanggo ngrungokake maneh rekaman rapat. Biasane amarga kita kudu ngubek-ubek drive tim sing ora tumata, ngliwati obrolan ringan sing ora pati migunani, lan nyoba tenan ngrungokake sinambi ngirim email lan pesen.
Nanging, mbokmenawa ora kudu kaya mangkono? Apa kita bisa nggawe sarana sing ngowahi rekaman rapat kanthi sakabehe? Kuwi gagasan sing ndhasari proyek Hackathon anyar kita.
Mung sajrone sedina, 50 anggota tim engineering, delivery, lan operasional kita ngrampungake maneka masalah saka saindenging bisnis, wiwit nggedhekake operasi rekrutmen, nyederhanakake panyusunan SoW, mangerteni kahanan proyek, nggawe prototipe langsung, nganti nemokake wawasan ing rekaman rapat.
Ing hackathon adhedhasar Codex iki, kita nggawe Callombia. Callombia iku YouTube-ne bisnis kita, sing ngowahi saben panggilan dadi aset aktif sing bisa digoleki. Saben panggilan kanthi otomatis digawekake transkrip, diwenehi tag, lan diringkes sadurunge dipotong dadi klip adhedhasar tema, banjur dilebokake menyang gudang kode sing dikelompokake miturut kanal (klien) lan topik (bidang spesialisasi AI). Kanthi mangkono, saben anggota tim saka London, Edinburgh, Singapura, lan Australia bisa langsung ngakses bagean panggilan sing dibutuhake.
Antarmuka pangguna sing wis akrab lan selaras karo merek nggampangake panemuan konten, dene panelusuran semantik (lan mesthi wae chatbot AI RAG) mbantu wong nemokake apa sing digoleki kanthi persis. Sistem notifikasi uga ngidini kolega kita lengganan topik tartamtu lan nampa kabar nalika ana klip anyar sing relevan kanggo dheweke.
Nanging sing nyenengake saka Callombia dudu produke, utawa hadiah £2k amarga menang Hackathon (rada pamer), nanging kasunyatan manawa kabeh iki bisa digawe mung sajrone pitung jam dening rong engineer lan siji delivery lead. Setaun kepungkur, iki durung bisa ditindakake. Kemajuan agen pamrograman wis nyepetake kanthi drastis kabeh proses pangembangan produk, lan Hackathon iki dadi papan uji sing apik kanggo mangerteni wates-wates kemampuane sing ora rata. Dadi, kepriye carane kita nggunakake Codex?
Tinimbang mung nulis akeh syarat, kita miwiti kanthi nyritakake pandangan bebarengan (minangka prompt) ngenani ruang masalah lan visi Callombia. Kanthi sengaja ora menehi katrangan rinci, kita ngidini model ngrampungake pakaryan lan mikir kanthi kreatif:
Sawise rembugan bolak-balik suwene 10 menit, kita nguripake Plan Mode kanggo ngucutake syarat lan dadi pandhuan kanggo bagean teknis pangembangan. Plan Mode rasane kaya mangsuli pitakon saka kanca sing njengkelake, nanging migunani, amarga wis mikirake saben skenario sing bisa kedadeyan. Sawise nyepakati bab kayata jumlah video, panelusuran semantik utawa tembung kunci, lan arsitektur sing bakal digunakake, sistem kasebut nggawe berkas markdown sing banjur dadi dhasar proyek.
Sawise duwe rencana, langkah sabanjure yaiku nggawe komponen inti supaya Callombia bisa tenan digunakake. Tegese, kita kudu nggawe pipeline saka rekaman panggilan dadi aset sing bisa digoleki:
Ngimpor video lan transkrip,
Mbagi dadi bagean-bagean penting,
Nambahi ringkesan lan tag,
Nyedhiyakake liwat API sing bisa digunakake frontend.
Ed luwih fokus ngowahi rekaman mentah lan data transkrip dadi format sing bisa digunakake, dene Nico luwih fokus marang lapisan panemuan supaya bagean-bagean kasebut gampang ditemokake. Kanthi Codex, kalorone bisa nyiyapake model data, skrip ekstraksi, lan infrastruktur backend luwih cepet tinimbang yen ditindakake kanthi manual. Asile luwih saka mung transkrip sing ditempelake ing video. Kita entuk bagean-bagean penting: sesi Tesco, kabar anyar babagan strategi, rembugan rekrutmen, utawa 90 detik tartamtu saka panggilan sing pancen pengin ditonton wong.
Lapisan panemuan iki dadi bagean sing paling narik kawigaten. Kita kepengin supaya wong bisa ngetik tembung kaya “financial performance,” “Tesco roadmap,” utawa “conversation evals,” banjur langsung diarahake menyang klip sing paling relevan, sanajan tembung-tembung kasebut ora tau diucapake persis. Kanggo nindakake iki, kita nggawe potongan sing dilengkapi stempel wektu, ringkesan, teks transkrip, lan metadata. Kanthi rancangan arsitektur sing cetha lan akeh pitulungan saka Codex, kita nggabungake topik, ringkesan, lan transkrip dadi siji input, banjur nggunakake model text-embedding-3-small saka OpenAI kanggo ngasilake embedding saben potongan. Embedding kasebut disimpen ing basis data, banjur kita nggunakake cosine similarity kanggo mbandhingake kueri pangguna karo saben potongan. Kanthi mangkono, kita entuk lapisan panemuan semantik, dudu mung panelusuran tembung kunci prasaja.
Cara iki akurat banget lan menehi kesan “ajaib” marang produk nalika demo hackathon. Ing wektu sing padha, kita ngerti pendekatan iki ora bakal bisa terus dikembangake tanpa wates yen jumlah video saya akeh, amarga mbandhingake saben kueri karo saben potongan pungkasane bakal dadi larang banget. Langkah sabanjure sing lumrah yaiku nggunakake strategi panemuan sing luwih efisien, kayata Hierarchical Navigable Small World, kanggo nyuda jumlah pambandhingan lan njaga latensi tetep rendah nalika korpus saya gedhe. Sawise fitur iki bisa digunakake, Callombia wiwit katon ora mung kaya pustaka media, nanging luwih kaya sistem kawruh.
Kaya hackathon sing apik umume, bagean iki uga kudu dibaleni lan disampurnakake: wates potongan awal isih kasar, sawetara stempel wektu kudu dipresisake, sawetara tag kakehan cakupan, lan berkas transkrip karo rekaman ora mesthi selaras kanthi rapi. Nanging, ing kono uga nilai sejatine katon. Codex ngidini kita nyempurnakake sistem kanthi cepet, tanpa mandheg suwe ing persiyapan lan pakaryan ulang. Ing pungkasan, kita duwe backend sing bisa ndhukung klip, cuplikan, lan panelusuran semantik sing tenan migunani. Ing wektu kuwi, Callombia wiwit krasa kaya produk nyata, ora mung demo hackathon.
Nalika Ed lan Nico nggawe lapisan impor lan kecerdasan, aku nggawe frontend. Kanthi nggunakake cithakan full-stack, aku bisa nyiyapake versi kapisan situs web kanthi cepet tanpa nulis kode sakecik-kecike. Sawise njaluk supaya situs web dibukak sacara lokal ing browser, aku menehi umpan balik prasaja awujud poin-poin kanggo nyempurnakake desain nganti cocog karo sing dakkarepake.
Sawise kira-kira sejam rembugan bolak-balik, aku entuk asil sing cukup nyenengake, senajan ora duwe pengalaman ing UI utawa desain. Sanajan produk pungkasane mesthi durung sampurna, iki versi kapisan sing cukup apik lan bisa mbantu wong mangerteni produke.
Supaya ing pungkasan dina ana asil sing nyata, kita mbagi pakaryan ing antarane anggota tim. Mesthi wae, sawise sawetara jam makarya kanthi rada mandiri, kita kabeh duwe branch lokal dhewe-dhewe kanthi akeh konflik.
Tinimbang ngentekake wektu sing pancen ora kita duweni kanggo mriksa lan ngrampungake konflik kanthi tliti, kita mutusake supaya Codex bebas nangani gudang kode lan ndandani konflik kasebut dhewe. Sanajan saiki kita ora nyaranake cara iki kanggo pangembangan piranti lunak kelas perusahaan, efektivitase ing lingkungan berisiko rendah pancen nggumunake lan ngirit wektu kita nganti pirang-pirang jam.
Bagean pungkasan hackathon yaiku ngrekam demo Callombia kanggo para juri. Naluri kita sejatine pengin mbukak Loom kanggo ngrekam, nanging kita mikir iki bisa dadi ujian nyata kanggo Codex lan rada ngluwihi kemampuan sing saiki diduweni. Dadi… Kita nulis prompt, menehi pranala menyang situs web Callombia, nambahake rekaman swaraku ing platform pangembang OpenAI, banjur njaluk supaya ngrampungake liyane.
Upaya kapisan pancen nyengsemake—Codex wis nulis naskah demo, ngrekam layar, nambahake sulih swaraku, lan meh kabeh cocog karo panjaluk. Siji-sijine perkara sing durung langsung gawe kita wareg yaiku sinkronisasi sulih swara karo rekaman demo, mula kita njaluk mangkene: “MANDATORY: align the voiceover exactly with what is being shown in the demo. There was misalignment (e.g. on the chat page). Triple check alignment of voiceover and the screen-recorded demo at the end. Match it up through whichever means possible.”
Kanggo nanggapi panjaluk kasebut, Codex mbagi sulih swara lan rekaman dadi bagean-bagean cilik, banjur ngrampungake tugas kasebut meh tanpa cacat pas sadurunge jam 17.30 lan wektune ngrayakake nganggo bir lan pizza.
Kita ngerti yen Callombia ngrampungake masalah sing diadhepi meh kabeh bisnis. Melu saben panggilan ing perusahaan sing tuwuh kanthi cepet iku angel, nanging serpihan kawruh sing dibagekake sajrone panggilan kasebut aji banget. Saiki kita mung kudu nggawa menyang Produksi.
Nanging, ana piwulang sing luwih gedhe babagan dadi AI-native lan paedahe nggabungake keahlian engineering lan produk kanggo ngrampungake masalah bebarengan. Kanthi metu saka siklus kerja biasane, kolaborasi antarane tim, lan nindakake kabeh ing lingkungan sing rada kompetitif, kita ngasilake sawetara solusi sing bisa dilebokake menyang produksi sawise didandani sethithik. Yen ditindakake kanthi rutin, kita bisa mesthekake yen proses internal kita padha lancare karo solusi sing digawe kanggo pelanggan.