Первый в России хакатон для киноиндустрии: как Wink и Codenrock запустили ИИ-соревнование с 1200+ участниками

Wink AI Challenge — ИИ-соревнование для киноиндустрии, где участники разрабатывали прототипы сервисов для работы со сценариями и медиапроизводством. Мероприятие прошло на Codenrock: участники анализировали документы, разрабатывали ИИ-инструменты и готовили решения для препродакшена. 

Коротко о событии:

• Цель: собрать сильную техническую аудиторию вокруг практических задач на базе искусственного интеллекта для кинопроизводства. 
• Формат: онлайн-хакатон с несколькими треками и офлайн-финалом для самых сильных команд. 
• Что сделали: организовали проведение на платформе, выстроили коммуникацию с участниками, сопровождали команды по ходу соревнования и провели финальное награждение.
• Результат: 1295 регистраций, 370 команд и 94 прототипа. 

Wink AI Challenge: главное

На первом в России хакатоне о практическом применении ИИ в кинопроизводстве команды создавали решения, способные анализировать сценарии, собирать превизы и определять возрастной рейтинг сцен.

Итоги хакатона:

• 1295 участников зарегистрировались.
• 370 команд сформировано.
• 94 решения разработано.
• 14 финалистов представили проекты экспертам.
• 9 победителей разделили призовой фонд 1 125 000 рублей.

Об организаторах

Wink — один из крупнейших онлайн-кинотеатров на рынке. Он занимает третье место по количеству платящих пользователей. Сервис является совместным предприятием Национальной Медиа Группы и ПАО «Ростелеком».

Эксперты соревнования: 

• Антон Володькин — генеральный директор Wink, продюсер («Слово пацана. Кровь на асфальте», «Фишер», «Дети перемен» и другие).
• Артём Орлов — директор направления инноваций и ИИ Wink.
• Евгения Мельникова — директор по маркетингу Wink.
• Галина Стрижевская — основатель Gala Production, продюсер («Слово пацана. Кровь на асфальте», франшиза «Ёлки», «Нина» и другие).
• Владислав Момджян — медиаменеджер, создатель и руководитель сервиса автоматизации кинопроизводства FilmToolz.
• Захар Чавкин — креативный продюсер Wink.
• Максим Аджави — продюсер, руководитель отдела контроля и аналитики НМГ Студия.

Подготовка задач

Эксперты Codenrock совместно с командой организаторов подготовили задания Wink AI Challenge на стыке киноиндустрии, обработки естественного языка и генеративных моделей. Цель — перевести производственные процессы, связанные с работой над сценариями, в формат инженерных кейсов для участников соревнования.

В основу хакатона легли три направления: автоматическое структурирование сценария, интеллектуальная превизуализация сцен и  проверка возрастного рейтинга. Все задачи были посвящены стадии препродакшена — незаметной для зрителя, но важной для съёмочной команды. Исправлять ошибки, допущенные на этапе подготовки, сложно и дорого, поэтому было важно отразить эти требования в заданиях. 

Команда платформы отвечала за полный цикл методологической подготовки задач:

• Проанализировала рабочие процессы продюсеров, ассистентов режиссёра, художников-постановщиков, сценаристов.
• Определила ключевые метрики качества для каждой задачи.
• Разработала технические ограничения, соответствующие условиям онлайн-хакатона.
• Подготовила эталонные материалы и датасеты: образцы текстов и таблиц, примеры и графиков съёмок, шаблоны раскадровок и юридические нормы возрастной классификации.

Во всех трёх кейсах команда платформы стремилась сохранить реалистичность постановки задачи: участники работают с полнометражными сценариями объёмом до 120 страниц, поддержкой разных кодировок, жёсткими ограничениями по времени обработки, отказом от внешних API и лимитами на объём используемых моделей. 

Для каждого задания эксперты Codenrock продумали чёткую систему проверки:

• Разработали детализированные критерии оценки, разделённые на отборочный и финальный этапы.
• Определили обязательные элементы демонстрации, включая обработку реальных документов, время выполнения и экспорт результатов.
• Подготовили требования к сдаваемым материалам: открытые репозитории с полным кодом, видеодемонстрации, презентации и выходные данные.

Методологи платформы помогли подготовить данные для передачи участникам. Команды работали с неразмеченным сценариями реальных фильмов и сериалов. Также для первого трека эксперты предоставили заполненные препродакшн-таблицы к выданным сценариям в качестве референсов, от которых участники могли отталкиваться при подготовке своих решений.

Инфраструктура платформы

Wink AI Challenge прошёл на платформе Codenrock, которая обеспечила полную инфраструктуру для проведения ИИ-хакатона: публикацию задач, размещение материалов, приём проектов и сопроводительных файлов, а также передачу работ экспертам для оценки.

Платформа была адаптирована под специфику соревнования: работу с объёмными сценарными документами и разработку автономных ИИ-сервисов. Благодаря этому участники могли сосредоточиться на создании решений, не тратя время на организационные и технические настройки.

Платформа обеспечила:

• Работу с исходными сценариями в форматах PDF и DOCX.
• Возможность проверки решений и отбора лучших проектов для финального этапа.
• Централизованный сбор результатов: исходного кода, видео, презентаций, выходных таблиц, отчётов и визуальных материалов.

На одной площадке участники получали всё необходимое для работы: описание трека, бизнес-контекст, технические ограничения, критерии оценки, вспомогательные материалы и требования к итоговой демонстрации. Это помогло командам изучить условия, распределить задачи внутри команды и сразу ориентироваться на ожидаемый продукт.

С самого начала конкурсанты понимали, в каком формате должно быть представлено финальное решение и какие требования будут важны для экспертов от Wink. В зависимости от трека команды загружали структурированные таблицы сцен, раскадровки, аналитические отчёты с возрастным рейтингом, презентации и демо-видео. Такой формат позволил организаторам централизованно собрать все материалы. Эксперты могли оценивать проекты с точки зрения технической глубины, качества реализации и практической применимости прототипов.

Участники работали в Yandex Cloud, где им были предоставлены вычислительные ресурсы. В зависимости от трека команды получали одну из двух моделей видеокарт на определённое количество часов. Управлять мощностями можно было через Telegram-бота, разработанного экспертами Codenrock специально для хакатона. Участники могли включать и выключать видеокарты, смотреть остаток лимита и менять некоторые параметры без необходимости получать доступ к личному кабинету в Yandex Cloud. 

Трек 1. Платформа автоматического разбора и структурирования сценариев

Производство фильма начинается с препродакшена. В основе любого кино лежит сценарий, и именно на его основе команда готовит реквизит, подбирает актёров, составляет график съёмок и планирует бюджет. Как бы подробно ни был описан сценарий,  ассистентам режиссёра и продюсерам необходимо «посчитать» его — превратить в смену. Команда тщательно анализирует документ и выделяет из него ключевые сущности: локации, персонажей, массовку, реквизит и спецэффекты. Эксперты Wink предложили участникам повысить качество этого процесса с помощью ИИ. 

Решаемая проблема 

Ручная обработка сценария — это долгий и монотонный труд, требующий внимания и концентрации. Он часто сопровождается ошибками из-за неоднозначных формулировок, опечаток или человеческого фактора. Каждая неточность, допущенная на этапе препродакшена, негативно повлияет на съёмочный процесс: нарушит график, приведёт к дополнительным расходам или срыву сроков. 

Без применения ИИ довольно сложно автоматически вычленить из сценария реквизит, упоминания транспорта, трюков, костюмов и других деталей, так как они не всегда прописаны в явном виде. Без использования ИИ мы можем обрабатывать прямые упоминания объектов, например: «Иван берёт чайник и наливает воду в кружку» — реквизит: чайник, кружка. Но остаётся сложной задача распознавания косвенных упоминаний. Именно такие скрытые контексты теряются при автоматическом парсинге и не поддаются простой автоматизации.

Владислав Момджян, медиаменеджер, создатель и руководитель сервиса автоматизации кинопроизводства FilmToolz, эксперт соревнования 

Задача соревнования

Участникам было необходимо разработать сервис, который принимает русскоязычный сценарий в формате PDF или DOCX и сегментирует его. Система должна распознавать номера и границы сцен, извлекать ключевые производственные элементы и корректно привязывать их к конкретной сцене. Из полученных данных решение формирует структурированную таблицу. Важно было предоставить пользователю выбор уровня детализации: например, провести только базовый анализ и распознать локации и персонажей, или расширенный по всем категориям сущностей. 

Решение должно работать автономно, без обращения к внешним API, и обрабатывать средний сценарий не более чем за 5 минут. 

Поэтому участникам соревнования предстояло решить комплексную задачу. С одной стороны, требовалась высокая точность анализа текста: система должна была корректно интерпретировать описания вроде «толпа на площади» или «машина уезжает», устойчиво работать с опечатками и неоднозначностями. С другой — важно было обеспечить удобство использования: простую и понятную загрузку сценариев, отображение прогресса, фильтрации и поиска по таблице.

Ожидаемый результат

Решение задачи позволит снизить объём ручного труда на этапе препродакшена. Платформа автоматического разбора и структурирования сценариев позволит:

• Подготовить таблицу со всеми ключевыми элементами съёмочного процесса для режиссёра, продюсера, художника и других специалистов. 
• Минимизировать риск пропуска важных деталей, таких как реквизит или спецэффекты.
• Ускорить формирование препродакшн-документации.

Критерии оценки 

Эксперты оценивали проекты участников в два этапа. Во время отборочного тура соревнования учитывались:

• Функциональная полнота: насколько точно система сегментирует сценарий на сцены и извлекает ключевые элементы — локации, персонажей, реквизит, спецэффекты и другие производственные данные.
• Удобство использования: интуитивность интерфейса, простота загрузки файлов, наглядность результатов, возможность редактирования, фильтрации и экспорта таблицы.

На финальном этапе победители определялись по таким критериям:

• Практическая применимость: насколько решение соответствует потребностям кинопроизводства, учитывает неоднозначности текста и позволяет использовать результаты без дополнительной ручной правки.
• Качество презентации: ясность объяснения подхода, понимание бизнес-задачи и убедительность демонстрации на реальных примерах.

Трек 2. Интеллектуальный сервис превизуализации сценариев

После утверждения сценария и его разбора начинается следующий важный этап подготовки фильма — превизуализация. Именно она помогает заранее наметить, как сцена будет выглядеть на экране: где находятся герои, как выстроен кадр, какие объекты попадают в фокус и какое настроение должна передавать картинка. Обычно для этого создают раскадровки, эскизы и ключевые кадры. Но такая работа требует времени. Команда Wink предложила участникам сократить этот путь с помощью ИИ.

Решаемая проблема

Превизуализация по-прежнему остаётся одним из самых трудоёмких этапов препродакшена. Чтобы превратить текст сцены в визуальный образ, необходимо вручную интерпретировать сценарий: выделить локацию, персонажей, реквизит, атмосферу, а затем перевести всё это в язык композиции, света и мизансцены. Процесс требует участия режиссёра, художника, оператора и нередко нескольких итераций обсуждения. Любая правка в исходном тексте фильма или изменение художественного решения запускает работу заново. Это замедляет подготовку проекта, усложняет взаимодействие между командами и ограничивает возможность быстро сравнивать разные подходы. 

Превизуализация позволяет увидеть ошибки и исправить их ещё до начала самого дорогого этапа — съёмок. Это особенно важно, потому что время на площадке всегда ограничено. Генеративные модели решают проблему «чистого листа». Они помогают на ранних этапах визуализировать настроение сцены, подобрать ракурс и цветовую палитру. При этом важно, чтобы талант художника соединялся с насмотренностью ИИ-моделей: машина предлагает варианты, а человек направляет и дорабатывает их, вкладывая в результат замысел и эмоцию.

Артём Орлов, директор направления инноваций и ИИ Wink, эксперт соревнования

Задача соревнования

Участникам предстояло разработать интеллектуальную систему превизуализации, которая преобразует текстовые сцены в раскадровки. Решение должно точно распознавать ключевые объекты — персонажей, локации, объекты, атмосферу и стилистику — и на их основе формировать визуальное представление эпизода, поддерживая разные художественные стили.

Важно было предусмотреть разные сценарии использования. Пользователь должен был иметь возможность получать результат с разной степенью детализации: от быстрых чёрно-белых эскизов для предварительного согласования до более проработанных цветных кадров с анимацией. Важный критерий — возможность уточнять промпт, добавлять промежуточные изображения и последовательно дорабатывать визуальный ряд сцены.

Ожидаемый результат

Решение этой задачи позволит ускорить этап превизуализации и сделать его более управляемым. Интеллектуальный сервис позволит:

• Быстро переводить текст сцены в визуальные образы.
• Упростить согласование художественных решений между режиссёром, оператором и художником-постановщиком.
• Сократить число ручных итераций при подготовке визуальной концепции.
• Обеспечить безопасную работу со сценариями без использования внешних облачных сервисов.

Критерии оценки

Проекты проходили два этапа оценки. Во время отборочного тура эксперты учитывали такие факторы:

• Функциональная полнота: насколько точно система сегментирует сценарий на сцены, распознаёт ключевые элементы эпизода и формирует визуальные материалы разного уровня детализации. 
• Удобство использования: интуитивность интерфейса, простота загрузки сценария и настроек генерации, наглядность предпросмотра, наличие инструментов экспорта раскадровки или отдельных кадров.

Критерии финального этапа:

• Практическая применимость: насколько решение соответствует настоящим задачам кинопроизводства, помогает ускорить превизуализацию и поддерживает быстрые итерации визуальных концепций.
• Качество результата: насколько точно система передаёт содержание сцены, выдерживает композицию, детали, пропорции и общий художественный тон.
• Качество презентации: ясность подачи, понимание индустриальной задачи и убедительность демонстрации решения на реальных примерах.

Трек 3. Автоматическая проверка возрастной категории по сценарию

На этапе разработки сценария важно заранее понимать, какой возрастной рейтинг получит будущий фильм. От этого зависят дистрибуция, эфирные и прокатные слоты, доступность проекта на стриминговых платформах и его соответствие ожиданиям целевой аудитории. Текст приходится внимательно просматривать, отмечать потенциально рискованные фрагменты и соотносить их с требованиями возрастной классификации. Команда Wink предположила, что уменьшить количество ошибок и сделать процесс надежнее можно с помощью ИИ. 

Решаемая проблема

Отдельные сцены, реплики или описания могут существенно повлиять на итоговый рейтинг и, как следствие, на дальнейшую судьбу проекта. Ручная проверка требует времени, внимания к деталям и хорошего знания нормативной базы. Если спорные фрагменты обнаруживаются слишком поздно, это приводит к дополнительным правкам, задержкам и лишним затратам уже на следующих этапах производства.

Рейтинг фиксируется в документах ещё до начала съёмок, поэтому важно заранее убедиться, что сценарий соответствует заявленным ограничениям, чтобы, например, не заключить договор на фильм 12+, когда по содержанию он скорее тянет на 18+. Оценка также помогает продюсерам на этапе первичного отбора сценариев. Определение возрастного рейтинга даёт понимание объёма потенциального рынка: чем ниже рейтинг, тем шире аудитория и выше шансы вернуть вложенные в производство средства.

Галина Стрижевская, основатель Gala Production, продюсер («Слово пацана. Кровь на асфальте», франшиза «Ёлки», «Нина» и другие), эксперт соревнования

Дополнительная сложность в том, что сценарий нужно оценивать по степени выраженности чувствительных тем. Насилие, ненормативная лексика, эротический контент, упоминания алкоголя или наркотиков, пугающие сцены — всё это требует интерпретации в контексте возрастной маркировки. Недостаточно просто найти эти элементы — нужно объяснить сценаристу, почему они влияют на рейтинг, чтобы он мог принять верное редакторское решение.

Задача соревнования

Участникам предстояло разработать сервис, который автоматически анализирует русскоязычный текст и присваивает ему корректный возрастной рейтинг: 0+, 6+, 12+, 16+ или 18+. Система должна была сегментировать сценарий на сцены и реплики, выявлять элементы, влияющие на возрастную категорию, и определять итоговую маркировку на основе наиболее значимых факторов.

Задача сервиса — отмечать конкретные элементы, которые повышают возрастную категорию, классифицировать их по типам риска и формировать понятные пояснения для сценариста и продюсера. Для каждого проблемного фрагмента нужно было предусмотреть аннотацию с указанием причины, положения в документе и рекомендаций по корректировке.

Модель должна определять рейтинг фильма в соответствии с требованиями закона № 436-ФЗ «О защите детей от информации, причиняющей вред их здоровью и развитию» и нормами Возрастной классификации информационной продукции в России (Russian Age Rating System, RARS). 

Ожидаемый результат

Решение этой задачи позволит сделать работу со сценариями более предсказуемой уже на раннем этапе. Сервис поможет:

• Определять возрастной рейтинг будущего фильма на основе анализа текста, готовить необходимые правки.
• Снижать риск изменений на этапе производства, которые ведут к задержкам и дополнительным расходам.
• Формировать понятный аналитический отчёт, который можно использовать как рабочий инструмент внутри команды.

Критерии оценки

Во время отборочного этапа соревнования оценивались:

• Функциональная полнота: насколько корректно система выявляет отдельные категории, влияющие на маркировку, и правильно агрегирует их в итоговый возрастной рейтинг.
• Интерфейс и отчёты: насколько наглядно решение визуализирует проблемные фрагменты, показывает распределение по категориям, поддерживает удобную навигацию по сценарию и формирует содержательный итоговый отчёт.

На финальном этапе победители определялись по таким критериям:

• Бизнес-ценность: точность совпадения автоматически определённого рейтинга с ручной экспертной оценкой и надёжность работы на сценариях разного типа.
• Качество презентации: ясность объяснения проблемы, понимание нормативных требований и убедительность демонстрации сервиса на реальном сценарии.

Маркетинговая кампания

Для продвижения Wink AI Challenge команда Codenrock подготовила маркетинговую кампанию, ориентированную на ML-специалистов, бэкенд-разработчиков, ИИ-инженеров и студентов технических направлений. В основе коммуникации было понятное позиционирование: хакатон как возможность поработать с задачами киноиндустрии и создать проект на стыке NLP, генеративных моделей и работы со сценарными документами.

Команда Codenrock разработала дизайн мероприятия, запустила лендинг и страницу соревнования на платформе, а также занималась подготовкой маркетинговых материалов. Продвижение велось по нескольким каналам:

• Email-рассылки по базе Codenrock — более 100 000 человек. 
• Публикации в профильных ИТ и ИИ-сообществах и СМИ — охвачено более миллиона специалистов.
• Контент, который помогал командам лучше понять предметную область и специфику задач хакатона: техническая статья о полном ML-маршруте в киноиндустрии, интервью с экспертами и обучающий курс.
• Короткие ролики для VK Клипов и TikTok, юмористические и информационные. 

Отдельной частью кампании стал митап для участников. Специалисты Codenrock помогли настроить и организовать встречу, на которой авторы задач подробно рассказали о треках и ответили на вопросы. Такой формат помог быстрее погрузить участников в тему и поддержать вовлечение.

С первых дней регистрации коммуникация с участниками велась через Telegram и email-рассылки — привычные для аудитории хакатонов каналы. Через них команды получали новости о ходе соревнования, напоминания о ключевых этапах, анонсы митапов и чекпоинтов. Кураторы Codenrock отвечали на вопросы, помогали разобраться в материалах и требованиях к сдаче решений.

Как прошло соревнование

Онлайн-этап Wink AI Challenge состоялся на платформе Codenrock. После старта соревнования участники получили доступ к задачам и начали готовить прототипы по своим трекам. Работа заняла более 2 недель: с 31 октября по 17 ноября 2025 года. 

Когда приём работ завершился, все решения были автоматически переданы жюри на проверку, чтобы они могли  определить лучшие команды. 94 решения оценивали эксперты Wink: двухэтапное голосование заняло двое суток. По итогу были выбраны 14 лучших проектов — двое представителей из каждой команды получили приглашение в Москву, а организатор оплатил им дорогу и проживание. 

Финал Wink AI Challenge прошёл 29 ноября в БЦ Comcity в формате встречи с экспертами — команды могли пообщаться с организаторами и показать им свои проекты. Мероприятие стартовало с короткого кофе-брейка, после чего участники презентовали свои сервисы: эксперты задавали уточняющие вопросы, а затем выставляли баллы. По итогам питчинга 9 команд разделили призовой фонд 1 125 000 рублей. 

В конце все посетители мероприятия были приглашены на фуршет, чтобы пообщаться в неформальной обстановке. 

Победители трека «Платформа автоматического разбора и структурирования сценариев»

Команда «Лабубы» представила «Ассистента сценариста» — ИИ-сервис для подготовки съёмочной документации. В основе решения — собственный конвейер обработки сценария: система распознаёт структуру сцен, извлекает производственные сущности и собирает их в единый датасет, пригодный для немедленного использования. Команда также реализовала пользовательский интерфейс, серверную часть, экспорт в CSV/XLSX и производительный режим обработки на базе Qwen3-4B с параллельным запуском запросов.

Команда MISIS X MISIS X MISIS разработала сервис для автоматического разбора русскоязычных сценариев и подготовки структурированных данных по сценам. Решение сочетает алгоритмическую предобработку текста и локальную LLM-модель, за счёт чего извлекает ключевые параметры сцены и формирует готовый результат для дальнейшей работы. Дополнительно участники реализовали пользовательский интерфейс, хранение истории загрузок и выгрузку обработанных материалов.

Команда I-CUBE создала «Конструктор КПП сценария» — сервис для анализа сценариев с настраиваемой логикой обработки. Решение позволяет выбирать LLM-модель, тип итоговой таблицы и состав столбцов, а также просматривать, редактировать и выгружать результат в удобном формате. Проект оформлен как прикладная платформа с пользовательским интерфейсом, бэкенд-частью и поддержкой нескольких моделей, что делает его гибким инструментом для реальной работы со сценариями.

Победители трека «Интеллектуальный сервис превизуализации сценариев»

Команда Microbo представила сервис для интеллектуального разбора сценария и автоматической раскадровки с последующей генерацией визуализаций. Решение анализирует сценарий по сценам, персонажам и локациям, формирует шот-листы и покадровое описание, а затем позволяет генерировать изображения для отдельных кадров и управлять этим процессом через интерфейс и систему стадий согласования. В основе продукта — мультиагентная архитектура с набором специализированных сервисов, которые отвечают за анализ сценария, работу с персонажами, визуализацию и хранение рабочего пространства, что превращает решение в полноценный инструмент для подготовки превизуализации.

Команда Real разработала интеллектуальный сервис превизуализации сценариев, который превращает текст в согласованный набор кадров и визуальных материалов. Решение объединяет сегментацию сцен, извлечение ключевых сущностей, автоматическую сборку библиотеки персонажей и локаций, пакетную генерацию кадров в выбранном стиле и последующее редактирование результатов текстовыми командами. Участники также продумали анализ сценария, контроль версий и доработки изображений.

Решение команды ML Horizons — сервис для превизуализации сценариев, который совмещает разбор текста и генерацию изображений в едином приложении. Решение сегментирует сценарий на сцены и отдельные кадры, извлекает из заголовков ключевые параметры, а затем позволяет на их основе генерировать и редактировать изображения с выбором стиля, уровня детализации и собственных референсов. Участники сделали интерфейс с проектами и историей работы и полноценный технологический контур на Python, Flask, SQLite и Docker.

Победители трека «Автоматическая проверка возрастной категории по сценарию»

Команда Pelmeska создала сервис для автоматического анализа возрастных рейтингов сценариев в новом треке хакатона. Решение сочетает быстрый rule-based разбор и LLM-анализ, выявляет проблемные фрагменты, определяет возрастные ограничения, показывает нарушения по категориям и визуализирует результаты в виде отчётов и таймлайна по документу. Участники также реализовали полноценную систему с веб-интерфейсом, API, двумя режимами анализа и гибридной архитектурой.

Команда SoloTech разработала систему автоматической проверки возрастного рейтинга сценариев. Решение сочетает rule-based анализ, ML-модели и локальную LLM, чтобы не только присваивать итоговую категорию, но и показывать проблемные сцены, типы нарушений и обоснование рейтинга. Участники сделали веб-интерфейс с загрузкой сценария, ручной корректировкой сцен, пересчётом рейтинга и экспортом детального отчёта.

Команда «ИИ под ключ | Сахалин #1» презентовала в финале сервис для автоматического определения возрастного рейтинга сценариев с пояснением решений на уровне отдельных сцен. В основе решения — гибридный пайплайн, который сочетает эвристический анализ, LLM-оценку и векторный поиск по размеченным примерам, чтобы выявлять рискованные эпизоды, формировать обоснование и собирать юридически значимый отчёт. Участники предусмотрели ручную корректировку результатов и гибридное развертывание, превратив проверку сценариев на соответствие российским нормам в прикладной инструмент для юристов, редакторов и OTT-платформ.

Отзывы участников

Такие конкурсы помогают нарабатывать навыки разработки: можно зарекомендовать себя как специалиста и получить хороший опыт участия в проектах.

Мне понравились полнота и качество проработки заданий, интересные серии чекпоинтов и ответы на вопросы по существу. Отдельно отмечу работу команды на финальном этапе — всё было организовано чётко и на высоком уровне. Спасибо!

Спасибо за возможность поучаствовать в хакатоне: мы узнали много нового и интересного о мире киноиндустрии и применении технологий. Отдельно хочется поблагодарить куратора — он всегда был на связи и помогал с любыми вопросами. 

Отзывы организаторов

Получилось здорово, но неожиданно. Некоторые вещи развернулись в новые пространства, о которых мы даже не думали. Участникам удалось создать пусть пока не произведение искусства, но что-то интересное и полезное для киноиндустрии.

Антон Володькин, генеральный директор Wink

Благодаря чекпоинтам и обратной связи от экспертов участники теперь знают, что находится «за кадром». Такие хакатоны — уникальная возможность поработать над практическими задачами, которые действительно нужны и не решены. Команды показали, как с помощью новых технологий сделать киноиндустрию лучше. 

Команда Codenrock