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

Projekt edge AI z dwoma trybami: mówi, co widzi przez YOLO, oraz czyta tekst z kartki przez OpenCV i Tesseract.

Etap 1: Udane uruchomienie na zestawie prototypowym
Etap 2: Lepsze wykrywanie strony z tekstem

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

Dlaczego światło pozornie zwalnia w szkle?
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