Data Science & AI
Budowanie poprzez eksperymentowanie
Rozwijam swoje umiejętności w Data Science, Machine Learning, AI i Software Engineering, zamieniając pytania i pomysły w działające projekty.
Lubię projekty, które zaczynają się od prostego pytania i stopniowo stają się czymś bardziej interesującym — czy chodzi o odkrywanie nieoczekiwanych zależności w danych, nauczenie aplikacji rozumienia języka naturalnego, czy znalezienie lepszego sposobu interakcji z modelem.
To portfolio jest zbiorem tych eksperymentów.
Wyróżnione projekty
Half Marathon Predictor
Czy model Machine Learning może zrozumieć biegacza bez tradycyjnego formularza?
Ten projekt rozpoczął się od prostego pomysłu: zamiast prosić użytkownika o wypełnienie kilku pól, pozwolić mu opisać siebie w naturalny sposób.
Interesująca część zaczyna się później. LLM interpretuje opis, podczas gdy osobny model Machine Learning odpowiada za właściwą predykcję.
Voice Recall
Co, gdyby Twoje notatki można było przeszukiwać na podstawie tego, co miałeś na myśli, a nie dokładnych słów, których użyłeś?
Voice Recall zamienia notatki głosowe w przeszukiwalną bazę wiedzy.
Projekt bada inny sposób interakcji z własnymi informacjami: zamiast pamiętać dokładne zdanie, które zostało zapisane, możesz wyszukać stojącą za nim ideę.
Offer Generator
Jak wygląda mała aplikacja biznesowa, gdy logika biznesowa staje się centrum projektu?
Offer Generator rozpoczął się od praktycznego problemu: tworzenie ofert dla klientów powinno być proste dla użytkownika, ale zasady stojące za tymi ofertami powinny pozostać przejrzyste i niezawodne.
Projekt stał się okazją do sprawdzenia, jak struktura oprogramowania może odzwierciedlać sposób działania rzeczywistego procesu biznesowego.
CVTailor
Czy AI może pomóc dopasować CV, nie dając LLM pełnej kontroli nad końcowym dokumentem?
CVTailor bada granicę pomiędzy generatywnym AI a deterministycznym oprogramowaniem.
AI pomaga przygotować treść, podczas gdy aplikacja pozostaje odpowiedzialna za sposób konstruowania końcowego dokumentu.
Więcej projektów, więcej pytań
Wyróżnione projekty pokazują kierunek, w którym obecnie zmierzam, ale wcześniejsze projekty również stanowią ważną część tej historii.
Analiza danych
Zanim poprosisz model o znalezienie zależności, najpierw musisz nauczyć się znajdować je samodzielnie.
Projekty Titanic i Iris były ćwiczeniami w analizowaniu danych z różnych perspektyw — zadawaniu pytań, wizualizowaniu zależności i uczeniu się, jak przekładać obserwacje na wnioski.
Machine Learning
Find Friends pokazuje, jak Machine Learning może grupować ludzi na podstawie podobieństw, które nie zawsze są od razu widoczne.
Był to jeden z moich kroków od analizowania danych w kierunku budowania modeli, które potrafią odkrywać znajdującą się w nich strukturę.
AI Engineering
ChatLab pokazuje inną stronę aplikacji wykorzystujących AI: co dzieje się, gdy model językowy staje się częścią kompletnej aplikacji, a nie tylko oknem chatbota?
Wraz z Half Marathon Predictor, Voice Recall i CVTailor reprezentuje moje rosnące zainteresowanie budowaniem użytecznych systemów wykorzystujących AI.
Half Marathon Predictor · Voice Recall · CVTailor · ChatLab
Software Engineering
Offer Generator reprezentuje kolejną część tej samej drogi: naukę tego, że działająca aplikacja to coś więcej niż model czy interfejs użytkownika.
Sposób organizacji kodu, miejsce przechowywania reguł biznesowych oraz sposób testowania zachowania mogą być równie ważne jak sama funkcjonalność.
Co łączy te projekty?
Projekty te mogą wyglądać zupełnie różnie na pierwszy rzut oka.
Jeden dotyczy biegania.
Drugi pomaga porządkować notatki głosowe.
Kolejny służy do tworzenia ofert biznesowych.
Mimo tych różnic wszystkie opierają się na podobnym podejściu:
chcę brać chaotyczny lub trudny problem biznesowy i zamieniać go w rozwiązanie, które upraszcza pipeline, oszczędza czas i ułatwia zrozumienie procesu.
To kierunek, w którym chcę się dalej rozwijać — od analizy danych, przez Machine Learning i AI, aż po budowanie kompletnych aplikacji wykorzystujących te technologie.