Notemae

Die Beschreibung besagt, dass Notemae eine zweisprachige (englisch und indonesisch) Web-App mit vier verbundenen Erlebnissen ist:

1. Ein Duftkatalog, den man durchsuchen und filtern kann.
2. Ein Dupe-Guide, der um drei Schritte aufgebaut ist: das Originalparfüm auswählen, einen Ähnlichkeitswert lesen, der aus gemeinsamen Katalognoten und nicht aus Werbeaussagen berechnet wird, und dann Kandidaten nebeneinander vergleichen.
3. Ein KI-Berater, der Anfragen in Alltagssprache akzeptiert und sie in typisierte Präferenzprofile umwandelt, wobei Empfehlungen über Server-Sent-Events zurückgegeben werden.
4. Ein System, das so konzipiert ist, nie Produkte zu erfinden, sondern nur vorhandene Einträge in einem PostgreSQL-Katalog neu zu ordnen und zu erklären.

Es wird als redaktionelles Erlebnis beschrieben und nutzt Technologien wie React 19 + TypeScript, Express SSR, Go-Backend, Python FastAPI-Agent, Qwen LLM über DashScope, pgvector für Vektorretrieval und Docker Compose für die Bereitstellung.

Schlussfolgerung Das System scheint ein Hybrid aus deterministischer Logik und LLM-basiertem Reranking zu sein, bei dem Einschränkungen vor der Modellnutzung durchgesetzt werden und Erklärungen nur aus vorhandenen Katalogdaten stammen.

Die Beschreibung besagt, dass Notemae das Ziel verfolgt, ein "Ratgeber zu sein, der wie ein Freund zuhört, der tief in der Duftwelt steckt, aber nur aus einem echten Katalog antwortet, den er einem zeigen kann." zu sein.

Es positioniert sich als:

• Ein persönlicher Duftberater.
• Eine redaktionelle, zweisprachige Web-App.
• Ein Dupe-Guide, der Ähnlichkeitswerte auf Basis gemeinsamer Noten und nicht von Marketingaussagen verwendet.
• Ein fundierter KI-Assistent, der nie Produkte oder Leistungsansprüche erfindet.

Die Autoren weisen auch darauf hin, dass sie von der Schwierigkeit inspiriert waren, Düfte online zu kaufen, und die Lücke zwischen menschlicher Sprache und Duftkatalogdaten überbrücken wollten.

Schlussfolgerung Das Produkt entwickelte sich aus einer einfachen Idee (Überbrückung von Sprachbarrieren) zu einem Full-Stack-System mit KI-, Katalog- und Benutzeroberflächenkomponenten. Es spiegelt den Versuch wider, ein vertrauenswürdiges, datengestütztes Empfehlungswerkzeug zu schaffen.

Die Beschreibung definiert den Zielkunden oder das Ideal Customer Profile (ICP) nicht eindeutig.

Es wird impliziert, dass die Nutzer Personen sind, die nach Duftempfehlungen suchen, basierend auf:

• Persönlichkeitsmerkmalen
• Klimabedingungen
• Anlässen
• Budgetbeschränkungen

Es gibt jedoch keine explizite Segmentierung oder Personendefinition jenseits allgemeiner Beschreibungen wie „jemand, der online ein Parfum kaufen möchte“.

Schlussfolgerung Nutzer gehören wahrscheinlich zu einem Nischenmarkt von Duftbegeisterten oder gelegentlichen Käufern, die personalisierte Beratung suchen.

Es liegen keine Belege für das Geschäftsmodell oder die Preisstrategie vor.

Die Beschreibung erwähnt nicht:

• Einnahmequellen
• Monetarisierungspläne
• Abonnementstufen
• Bezahlte Funktionen
• Lizenzmodelle
• Handelspartnerschaften

Schlussfolgerung Angesichts des Hackathon-Kontexts und des Fehlens von Traction-Belegen ist unklar, ob Notemae als Freemium-Service, Marktplatz oder B2B-Werkzeug für Händler betrieben werden soll.

Das Projekt umfasst eine detaillierte technische Architektur:

• Frontend: React 19 + TypeScript SPA, ausgeliefert von Express mit SSR.
• Backend: Go-basierte Clean Architecture mit pgx und Standard-Bibliothek HTTP-Stack.
• Recommendation Agent: Python + FastAPI-Service mit Qwen-Reranking, Borda-Zählung und Diversitätskontrolle.
• Retrieval Engine: PostgreSQL 16 mit pgvector für Vektorsuche.
• Ingestion Pipeline: Geplanter Worker, der von genehmigten Quellen (z. B. Open Beauty Facts) zieht, normalisiert und durch Qwen angereichert wird.
• Deployment: Docker Compose-Einrichtung.

Wichtige Engineering-Entscheidungen:

• Backend von FastAPI nach Go umgeschrieben, mit Byte-für-Byte-Parität.
• Deterministische Constraint-Durchsetzung vor LLM-Aufrufen verwendet.
• Evaluation-Harness für stochastischen Reranker erstellt.
• SSR implementiert, ohne die JSX-Transformation zu stören.

Schlussfolgerung Das System zeigt eine hohe Engineering-Reife für ein Hackathon-Projekt. Es demonstriert sorgfältige Aufmerksamkeit für Korrektheit, Skalierbarkeit und Wartbarkeit.

Es gibt keine Belege für Traction oder Nutzerakzeptanz jenseits der Hackathon-Einreichung.

Die Beschreibung besagt:

• Dies wurde beim OpenAI 2026 Hackathon eingereicht.
• Es liegen keine Umsatz-, Kunden- oder Nutzungsdaten vor.
• Die Autoren erwähnen Ergebnisse von Offline-A/B-Tests, präsentieren aber keine Produktionsmetriken.

Schlussfolgerung Dies ist ein Prototyp oder ein Proof-of-Concept, der für einen Wettbewerb entwickelt wurde. Es gibt zu diesem Zeitpunkt keine Hinweise auf eine Produkt-Markt-Passung oder kommerzielle Tragfähigkeit.

Die Beschreibung enthält keine Informationen zu Wettbewerbern oder zur Marktpositionierung im Vergleich zu anderen Akteuren im Bereich Duftstoffe oder Körperpflege.

Es werden keine Verweise gemacht auf:

• Bestehende Plattformen für Duftstoffempfehlungen
• Ähnliche KI-gestützte Einkaufswerkzeuge
• Integrationen mit Einzelhändlern oder Marktplätzen
• Branchenbenchmarks oder Preismodelle

Schlussfolgerung Notemae scheint ein neuer Marktteilnehmer in der Nische der personalisierten Duftstoffberatung zu sein, der potenziell Nutzer anspricht, die Schwierigkeiten mit der Online-Auswahl von Duftstoffen haben. Die Einzigartigkeit liegt in seinem fundierten KI-Ansatz und der zweisprachigen Unterstützung.

Aus der selbstberichteten Beschreibung sind mehrere Risiken und offene Fragen ersichtlich:

1. Keine Traction oder Einnahmen: Das Projekt wird als Hackathon-Einreichung beschrieben, ohne Hinweise auf eine Nutzung in der realen Welt.
2. Begrenzter Umfang: Es wurde nur von einem Teammitglied (2 Personen) entwickelt, was auf eine begrenzte Skalierbarkeit oder langfristige Verpflichtung hindeutet.
3. Unbewiesene kommerzielle Tragfähigkeit: Es wurde kein Geschäftsmodell oder keine Monetarisierungsstrategie erörtert.
4. Hohe technische Komplexität ohne Validierung: Obwohl die Architektur beeindruckend ist, gibt es keine Hinweise darauf, dass sie in der Produktion im großen Maßstab funktioniert.
5. Abhängigkeit von externen Datenquellen: Die Abhängigkeit von Open Beauty Facts und lizenzierten Feeds kann die Vollständigkeit des Katalogs einschränken oder Qualitätsprobleme verursachen.
6. Fehlendes Signal für Produkt-Markt-Passung: Es gibt keine Anzeichen dafür, dass Nutzer über Tests hinaus tatsächlich mit dem System interagieren.

1. Was ist der aktuelle Status des Produkts? Ist es live oder befindet es sich noch in der Prototypenphase?
2. Wie viele Nutzer verwenden Notemae derzeit und wie hoch ist ihr Engagement?
3. Haben Sie außerhalb des Hackathons irgendwelche Nutzerforschung oder Usability-Tests durchgeführt?
4. Was sind Ihre Pläne für die Monetarisierung und Skalierung des Geschäfts?
5. Gibt es rechtliche oder lizenzrechtliche Probleme mit den verwendeten Datenquellen (z. B. Open Beauty Facts)?
6. Wie planen Sie, den Duftstoffkatalog zu erweitern, insbesondere für unterrepräsentierte Regionen oder Nischenkategorien?
7. Was ist die langfristige Roadmap über die aktuellen Funktionen hinaus?
8. Können Sie mehr darüber teilen, wie das KI-Modell trainiert und validiert wurde?