Prace

Wyzwanie. Firma doradcza z branży prawnej obsługuje sprawy o dużej liczbie dokumentów dla instytucji finansowych. Każda sprawa zaczyna się od plików PDF i nieustrukturyzowanych dokumentów, które trzeba przeanalizować, zweryfikować i przekształcić w obliczenia oraz formalne raporty. Proces opierał się na wielu ręcznych zadaniach, był trudny do zmierzenia, zajmował dużo czasu i wymagał weryfikacji przez człowieka na każdym etapie.

Moja praca. Odpowiadałem za definicję produktu, architekturę techniczną i budowę platformy. Zaprojektowałem system wyspecjalizowanych agentów, którzy wyodrębniają informacje, przygotowują obliczenia i generują dokumenty. Zadania są wykonywane w tle i zatrzymują się w punktach kontroli, w których człowiek zatwierdza wynik przed przejściem sprawy do kolejnego etapu.

Platforma zarządza również dokumentami, stanem każdej sprawy, różnymi przepływami klientów i identyfikowalnością decyzji. System łączy automatyzację z kompletną aplikacją, z której specjaliści mogą przeglądać i kontrolować pracę AI.

Rezultat. Platforma działa w produkcji przy rzeczywistym obciążeniu klientów. Proces zmienił się z sekwencji ręcznych zadań w śledzalny przepływ, w którym każda sprawa ma widoczny stan, wyniki AI mogą być zweryfikowane, a decyzje są rejestrowane. Skróciło to ręczną pracę z tygodni do godzin bez przekazywania systemowi ostatecznej decyzji.

Technologie. Google ADK, Gemini, React, FastAPI, Firestore, Cloud Storage, Cloud Run i asynchroniczne przetwarzanie z użyciem kolejek.

Wyzwanie. Firma edukacyjna oferuje narzędzia do nauki gry w pokera i posiada tysiące kursów, filmów, transkrypcji, dokumentów, obrazów i notatek zawierających wysoce specjalistyczną wiedzę. Treści były rozproszone między różnymi formatami, dlatego potrzebny był sposób wspierania studentów na podstawie tych materiałów.

Moja praca. Zaprojektowałem architekturę przetwarzania i wyszukiwania wiedzy. System przekształca pliki PDF, obrazy, audio i wideo w kilku etapach AI, które normalizują treść i wyodrębniają metadane właściwe dla domeny, takie jak rodzaj gry, pojęcia, format i poziom trudności.

Na tej podstawie zbudowałem system RAG oparty na agentach, który wykorzystuje fragmentację, wyszukiwanie wektorowe, hybrydowe i słów kluczowych, rozszerzanie zapytań oraz ponowne porządkowanie wyników. Produkt obejmuje czat odpowiadający z cytowaniami materiałów źródłowych, a także narzędzia do zarządzania dokumentami i przeglądania bazy wiedzy.

Rezultat. System działa w produkcji i umożliwia przeszukiwanie multimodalnego korpusu poprzez odpowiedzi powiązane z przygotowanymi treściami. Firma może dodawać i organizować nowe materiały bez ręcznych zmian w aplikacji. Wyszukiwanie i odpowiedzi mają warstwę obserwowalności, która pozwala oceniać jakość, wykrywać błędy i analizować koszty.

Technologie. Gemini, Cohere, PostgreSQL z pgvector, Langfuse, Python, Next.js, Hono, AI SDK i Cloud Run.

Wyzwanie. Dystrybutor farmaceutyczny otrzymuje tysiące dokumentów operacyjnych w ponad 40 różnych typach, w tym zamówienia, dokumentację jakościową i dokumenty transportowe. Informacje trzeba było sprawdzać i ręcznie przepisywać z Freshdesk do SAP, co powodowało błędy, opóźnienia i powtarzalną pracę w zespołach wsparcia, operacji i back office.

Moja praca. Opracowałem system obejmujący cały przepływ dokumentów: odbiór z kanału wsparcia Freshdesk, klasyfikację, ustrukturyzowane wyodrębnianie informacji za pomocą AI dla każdego typu dokumentu, walidację i wysyłanie wynikowych rekordów do SAP.

Rozwiązanie jest podzielone na moduły dokumentowe z konfigurowalnymi regułami i mapowaniami, które pozwalają dostosować je do różnych dostawców i formatów. Obejmuje również walidację, obsługę błędów i integrację z odpowiedziami SAP, które nie zawsze zachowują się zgodnie z oczekiwaniami.

Rezultat. System działa w produkcji i nadal się rozwija. Przekształca nieustrukturyzowane dokumenty w użyteczne rekordy w SAP, ogranicza ręczne wprowadzanie danych i umożliwia dostosowanie ekstrakcji do nowych formatów lub dostawców. Otwiera również nowy sposób dostępu do danych: informacje dostępne w SAP mogą być przeszukiwane przez agentów AI.

Technologie. Vertex AI z Gemini, Google ADK, Cloud Run, Datastore, Cloud Storage, SAP i CI/CD.

Wyzwanie. Organizacja zarządzająca elektronicznym katalogiem milionów produktów ręcznie weryfikowała klasyfikację i klucze produktów farmaceutycznych. Proces zależał od ludzi, generował opóźnienia i błędy transkrypcji, a wraz ze wzrostem wolumenu danych medycznych przestawał być skalowalny.

Moja praca. Pracowałem nad projektem i rozwojem serwerlessowego systemu agentów AI, który rozdziela widzenie od rozumienia: pierwszy agent transkrybuje z dużą wiernością tekst ze zdjęć produktów, a drugi łączy tę transkrypcję z kontekstem wizualnym, aby wydobyć dane do ścisłego, ustrukturyzowanego schematu. System jest udostępniany jako API w Cloud Run.

Rezultat. Klasyfikacja i walidacja produktów przeszła z procesu ręcznego trwającego godziny do sekund, ze wskaźnikiem poprawności powyżej 95%. Członkowie zespołu przestali wprowadzać dane, a zaczęli walidować ich jakość.

Technologie. Google GenAI (Gemini), Cloud Run, Python i FastAPI oraz ścisła walidacja danych z Pydantic.

Wyzwanie. Asystenci programistyczni dobrze pracują z plikami kodu, ale ich integracja z rzeczywistymi dokumentami Google Docs i Drive jest bardziej zawodna. Duże dokumenty, konwersja do Markdown i zachowanie formatowania wprowadzają błędy do przepływów, które powinny działać autonomicznie.

Moja praca. Utrzymuję rozszerzoną wersję google-docs-skill. Dodałem obsługę Markdown i niezawodne wstawianie dużych dokumentów do Google Docs. Narzędzie może być używane z Claude Code, Gemini CLI, Codex i Cursor.

Rezultat. Jest to publiczne narzędzie używane w rzeczywistych przepływach z agentami. Pozwala asystentom AI czytać, przekształcać i tworzyć dokumenty Google Workspace bez ręcznych kroków przy każdej operacji.

Technologie. API Google Docs i Drive, TypeScript, Markdown i skille dla asystentów AI.

Praca dyplomowa o uczeniu maszynowym zastosowanym do alokacji portfela. Zaimplementowałem i porównałem modele LSTM, CNN-LSTM, LightGBM, XGBoost, random forest, stacking i ARIMA. Zbudowałem przepływ wyszukiwania hiperparametrów, ewaluacji i backtestingu z użyciem vectorbt i qlib, a także dashboardy w Dash i Plotly do analizy wyników.

Zaimplementowałem od podstaw kilka metod obliczeniowej algebry liniowej: faktoryzację QR metodą Householdera, metodę potęgową, porównania faktoryzacji LU i analizę baz pod wpływem perturbacji. Każdej implementacji towarzyszy raport w LaTeX analizujący jej zachowanie numeryczne.

Zbudowałem kompletny przepływ do pobierania, czyszczenia i analizowania danych analityki internetowej. Projekt łączy notebooki eksploracyjne z aplikacją Streamlit, która umożliwia przeglądanie wyników na interaktywnym dashboardzie.