Projekty w praktyce

Projekt w trakcie realizacji, nastawiony na praktyczną architekturę lokalnego systemu RAG.

System składa się z centralnego serwera AI wyposażonego w kartę NVIDIA RTX 4000 Ada oraz lekkich terminali Raspberry Pi. Serwer realizuje lokalną inferencję LLM, wyszukiwanie RAG i sterowanie przepływem agenta za pomocą LangGraph. Raspberry Pi pełnią funkcję cienkich interfejsów użytkownika.

Warstwa monitoringu oparta na Prometheusie i Grafanie obserwuje infrastrukturę, GPU, dostępność terminali oraz wydajność poszczególnych etapów przetwarzania. MLflow służy do śledzenia eksperymentów, wersji konfiguracji RAG, trace’ów agenta i metryk jakości odpowiedzi.

Rola: Architektura on-premise, lokalne modele, małe węzły i testy infrastruktury

Zbudowałem demonstrator Edge AI, który może działać bez ekranu, rozpoznaje obiekty i głosowo opisuje co 'widzi' oraz odczytuje drukowany tekst po polsku. Urządzenie działa lokalnie na Jetson Nano 4 GB i nie wymaga dostępu do internetu; kamera dostarcza obraz, YOLOv5n z TensorRT wykrywa i zlicza obiekty, OpenCV z Tesseract odpowiadają za OCR, a Piper zamienia wyniki na mowę.

W testach YOLO działa sprawnie — zwykle poprawnie znajduje obiekty i podaje liczbę ich wystąpień. Większym wyzwaniem okazał się OCR. Jego jakość wyraźnie spada, gdy nie można jednoznacznie ustalić granic kartki, tekst jest nieostry albo papier jest prześwietlony. Wtedy Tesseract zwraca błędny tekst, a Piper poprawnie go odczytuje, lecz rezultat może nawet nie brzmieć jak język polski.

Projekt nauczył mnie, że w systemach wizyjnych sam model to tylko część rozwiązania. Równie ważne są jakość wejścia, geometria obrazu, diagnostyka, zarządzanie ograniczonymi zasobami oraz bezpieczne zachowanie przy niepewnym wyniku.

Rola: Edge AI, integracja modeli, OCR, synteza mowy i testy na urządzeniu

Dlaczego światło pozornie zwalnia w szkle?
Z dużym wsparciem ChatGPT 5.5 zbudowałem kompaktowy eksperyment numeryczny 2D, który łączy solver falowy oparty na różnicach skończonych z modelem polaryzacji Lorentza. Przebieg kontrolny w próżni i przebieg z materiałem zmieniają intuicyjną animację w mierzalne porównanie: pole pobudza ośrodek, polaryzacja powstaje tylko w warstwie, a impuls zarejestrowany za nią jest przesunięty i odkształcony. Projekt eksportuje animację `E/P`, parametry oraz dane CSV, wyraźnie oddzielając wartość edukacyjną od pełnej dokładności elektromagnetycznej.

Rola: Model edukacyjny, symulacja 2D, narracja i wizualizacja zjawiska

Zbudowałem kompaktowy lab NLP do inspekcji embeddingów kontekstowych, porównania wyjść ELMo i BERT oraz lepszego zrozumienia attention w Transformerze przez małe, uruchamialne skrypty.
Embeddingi kontekstowe często są używane jako gotowe reprezentacje, ale ich działanie bywa traktowane jak czarna skrzynka. Chciałem sprawdzić, co modele takie jak ELMo i BERT faktycznie zwracają, czym różnią się reprezentacje tokenowe od zdaniowych i jak to samo słowo zmienia swój wektor zależnie od kontekstu.

Rola: Eksperyment NLP, analiza wyników i przygotowanie mini laboratorium

Drugie laboratorium edukacyjne, tym razem skupione na analizie matematycznej, wykresach i intuicji zmian. Calculus Lab to interaktywna aplikacja edukacyjna, która tłumaczy podstawowe pojęcia analizy matematycznej przez wizualizacje, eksperyment i krótkie wyjaśnienia. Moduły obejmują granice, pochodne, całki, optymalizacje oraz gradient descent. Oprócz utworzenia takiego laboratorium matematycznego celem było sprawdzenie jak model GPT poradzi sobie z zachowaniem spójnego z poprzednim UI/UX tworząc nową aplikację na podstawie pierwszego laboratorium z algebry.

Rola: Developer nadzorujący treść, UI/UX i implementację wspieraną przez Codex

Interaktywne laboratorium do nauki algebry liniowej i intuicji geometrycznej, budowane z pomocą Codex. i modelu GPT 5.4. Projekt przede wszystkim polegał na sprawdzeniu czy jako doświadczony developer backendu zbuduję działającą aplikację w technologii której zupełnie nie znam (React), ile zajmie to czasu i czy wystarczy wiedza domenowa, żeby stworzyć działającą aplikację realizującą wszystkie założenia. Vector Lab pokazuje, ze workflow z AI może wyjść poza proste generowanie komponentów UI. W projekcie powstała kompletna struktura aplikacji edukacyjnej: specyfikacje modułów, decyzje architektoniczne, warstwa matematyczna, sceny 2D/3D, testy oraz dokumentacja procesu.

Rola: Developer nadzorujący treść, UI/UX i implementację wspieraną przez Codex

AI Coding Assistant to lokalne narzędzie RAG do pracy z istniejącym kodem. Aplikacja indeksuje repozytorium, rozbija kod na symbole, generuje techniczne opisy funkcji i klas, zapisuje je jako embeddingi w bazie wektorowej, a następnie pozwala wyszukiwać fragmenty kodu językiem naturalnym. Projekt powstał w 2025 roku jako praktyczna odpowiedź na problem szybkiego odnajdywania logiki biznesowej w większej aplikacji bez ręcznego przeklikiwania się przez dziesiątki plików.

Rola: Architektura RAG, lokalny model, indeksowanie repozytorium i interfejs testowy

Starszy projekt edukacyjny, rozpoczety w 2023 roku związany z NEAT (NeuroEvolution of Augmenting Topologies), klasyfikacją tekstu i Pythonowym multiprocessing.
Był to jeden z moich pierwszych projektów związanych z AI, w którym nie odtwarzałem po prostu istniejącego tutoriala ani znanego rozwiązania. Chciałem zrobić coś inaczej, po swojemu: przetestować własny pomysł i sprawdzić, co się stanie po zastosowaniu algorytmu ewolucyjnego do klasyfikacji tekstu. To przejście do projektowania własnych eksperymentów zachęciło mnie do kolejnych projektów i prac o bardziej badawczym charakterze.

Rola: Eksperyment edukacyjny, neuroewolucja, klasyfikacja tekstu i multiprocessing