Wybrane prace, zwięźle i ostrożnie opisane tam, gdzie projekty są prywatne.
System ograniczający ręczne uzgadnianie pracy w zespołach księgowych. Łączy parsowanie arkuszy, deterministyczne dopasowania, interfejs przeglądu i przegląd wspierany przez LLM, aby oddzielać jasne dopasowania, przypadki niejednoznaczne i pytania do klienta. Cel: szybszy, audytowalny przegląd bez ukrywania dowodów.
Złożony system agentów, wyszukiwania wiedzy i przetwarzania dokumentów dla biznesu edukacyjnego z dużą ilością specjalistycznych materiałów. Oparty o Next.js, API w Node, joby przetwarzania w Pythonie, wyszukiwanie wektorowe, embeddingi, reranking i streaming odpowiedzi LLM. Celem nie był tylko interfejs czatu, ale utrzymywalny sposób zamiany wiedzy wewnętrznej w przeszukiwalne doświadczenie nauki.
Aplikacja produkcyjna do koordynacji akt, dokumentów, statusów, przeglądu przez człowieka i przekazań w intensywnym dokumentowo procesie prawnym. Oparta o React, FastAPI, asynchroniczne workery, storage, kolejki oraz ekstrakcję/przegląd wspierany przez LLM. Wartość polegała na zmianie ręcznego procesu w operację śledzalną, mierzalną i znacznie szybszą, bez ujawniania szczegółów domeny.
Produkt w rozwoju dla zespołów operacyjnych przechodzących z rozproszonych arkuszy do czytelniejszego, możliwego do przeglądu i eksportu interfejsu pracy. Oparty o React/TypeScript, komponenty mapowe, import/eksport arkuszy, raporty PDF i staranne zarządzanie stanem. Nacisk kładzie na codzienną użyteczność, kontrolę ograniczeń i ograniczenie ręcznej koordynacji, bez ujawniania szczegółów domeny.
Produkcyjny pipeline do odbierania dokumentów operacyjnych, ekstrakcji danych strukturalnych z użyciem GenAI, walidacji wyników i wysyłania ich do SAP. Najważniejsza nie była sama klasyfikacja, ale zamiana nieuporządkowanych dokumentów w użyteczne rekordy biznesowe: mniej ręcznego wprowadzania, mniej błędów i mniej tarcia między wsparciem, operacjami i back office.
Zestaw szybko rozwijanych systemów z obszaru analityki biznesowej, przepływów głosowych, produktów danych i generowania treści. Wspólny wzorzec to zamiana niejasnych potrzeb w działające demo lub system gotowy do przekazania, z architekturą, wdrożeniem i dokumentacją wystarczającą do dalszego użycia.
Narzędzia open-source wokół asystentów programowania AI i przepływów dokumentowych, w tym praktyczne ulepszenia dla edycji opartej na Markdownie oraz wstawiania większych dokumentów. Małe, użytkowe projekty, nastawione na zmniejszanie tarcia w realnych workflow wspieranych przez agentów.
Projektowanie vaultów i systemów kontekstu, które zamieniają notatki, spotkania, projekty i decyzje w użyteczne bazy wiedzy dla ludzi oraz agentów AI. To nie tylko porządkowanie Markdowna: to struktura, konwencje, graf, wyszukiwanie i pamięć operacyjna.
Praca magisterska/kursowa z obliczeniowej algebry liniowej: metody macierzowe, dekompozycje, stabilność numeryczna i modelowanie stosowane. Szczególnie istotna jako infrastruktura matematyczna dla optymalizacji, ML i systemów danych.
Praca magisterska/kursowa z numerycznych i obliczeniowych technik dla równań różniczkowych. Łączy matematykę stosowaną, symulację, aproksymację numeryczną i obliczenia naukowe.
Projekty robotyczne w C++ i praca algorytmiczna wokół problemów percepcji/kontroli. Istotne, bo pokazuje komfort z niższopoziomową inżynierią i systemami z ograniczeniami fizycznymi.
Projekty kursowe z przetwarzania obrazów i metod wizji komputerowej. Dobra baza dla ekstrakcji z dokumentów/obrazów oraz systemów multimodalnych AI.
Praca akademicka z optymalizacji matematycznej: modelowanie funkcji celu, ograniczeń, metod numerycznych i problemów decyzyjnych. Dobra baza dla późniejszych systemów planowania operacyjnego.
Projekty kursowe z modelowania probabilistycznego, niepewności, rozkładów prior/posterior i inferencji statystycznej. Najważniejszy sygnał to myślenie pod niepewnością, nie traktowanie wyników modeli jako faktów absolutnych.
Praca stosowana z modelowania: uczenie nadzorowane, ewaluacja, selekcja modeli i kompromisy statystyczne. Most między podstawami matematycznymi a praktycznym ML.
Projekty implementacji i eksperymentów z sieciami neuronowymi, pętlami treningowymi, ewaluacją i praktycznymi detalami, które sprawiają, że system ML działa poza samymi wzorami.
Małe własne środowisko Gymnasium wokół Snake, jako praktyczne ćwiczenie RL: projekt środowiska, reward shaping, pętla gry i eksperymenty z agentami.