Nowe produkty i MVP
Ustalenie pierwszego zakresu, architektury i technicznego startu. Budowa pierwszej działającej wersji produktu, w tym natywnej aplikacji Android albo rozwiązania wieloplatformowego na Android i iOS.
Deesoft
Aplikacje, automatyzacja i narzędzia AI
Pomagam tworzyć nowe produkty i rozwijać istniejące: aplikacje mobilne na Android i iOS, narzędzia i automatyzacje w Pythonie oraz rozwiązania wykorzystujące AI/ML. Mogę pomóc przy pierwszym zakresie MVP, integracji, diagnozie albo etapowej modernizacji istniejącego systemu.
Napisz o projekcie
Napisz krótko, na jakim etapie jest projekt i czego potrzebujesz.
Zakres
W jakich pracach mogę pomóc
Rozwój, integracje i modernizacja
Nowe funkcje i poprawki w istniejącym kodzie, integracje z API, projektowanie modułów i kontraktów oraz porządkowanie architektury. Także etapowe migracje do Compose i coroutines, aktualizacje zależności, buildy, testy i diagnoza trudnych błędów.
Narzędzia, automatyzacja i AI
Skrypty i narzędzia w Pythonie, integracje danych i API, automatyzacja powtarzalnych procesów oraz rozwiązania wykorzystujące AI/ML. Zakres może obejmować prototyp, pipeline przetwarzania danych, ewaluację modeli albo narzędzie wspierające konkretny proces.
Jak pracuję
Jak zwykle zaczynam
- 01
Ustalam stan projektu
Czy to nowy produkt, istniejący kod, problem techniczny, automatyzacja, integracja czy etap MVP.
- 02
Dopytuję o brakujące fakty
Zakres, repozytorium, logi, API, projekt UI, termin i po czym poznać, że etap jest zamknięty.
- 03
Proponuję pierwszy sensowny krok
Przegląd kodu, diagnoza, niewielka poprawka, plan MVP, prototyp techniczny albo niewielki etap prac.
- 04
Zamykam konkretny etap
Efektem etapu może być działająca zmiana, diagnoza, plan dalszych prac albo techniczny prototyp. Później mogę zostać przy projekcie: przeglądy kodu i PR, decyzje architektoniczne, wsparcie wydań.
Technicznie
Najczęstszy zakres techniczny
- Android, Kotlin, Jetpack Compose
- KMP i Compose Multiplatform - Android i iOS
- Flutter i Dart - Android i iOS
- Architektura aplikacji, modularyzacja, Koin, ViewModel, StateFlow
- REST API i integracje backendowe
- Gradle, buildy, zależności, testy, stabilizacja
- Dane lokalne, synchronizacja, SQLDelight, SQLite
- Python: narzędzia, automatyzacja i AI/ML
Praktyka
Wybrane projekty i zakresy pracy
Dwa przykłady pracy przy aplikacjach produkcyjnych oraz dwa projekty własne.
Android - modernizacja etapowa
Modernizacja aplikacji dla sieci retail
Przykład dotyczy aplikacji back-office używanej przez pracowników sklepów stacjonarnych dużej sieci retail. Aplikacja wspiera codzienne operacje sklepu i ściśle współpracuje ze skanerem RFID, łącząc działania wykonywane na urządzeniu mobilnym ze skanowaniem produktów. Modernizacja obejmuje migrację interfejsu z XML do Jetpack Compose ekran po ekranie oraz zastępowanie strumieni RxJava przez coroutines i Flow. Równolegle porządkowany jest stan UI wokół ViewModel i StateFlow oraz architektura obejmująca dziesiątki modułów Gradle.
Android i iOS - rozwój wieloplatformowy
Multiplatform w aplikacjach sieci retail
Zakres obejmuje wewnętrzne aplikacje wspierające pracowników sklepów oraz aplikacje skierowane do klientów dużej sieci retail. W produkcji wykorzystywane są dwa podejścia wieloplatformowe: KMP z Compose Multiplatform oraz Flutter, oba na Androida i iOS. W istniejącym kodzie Kotlin rozwiązania KMP są wprowadzane etapami przez wydzielanie wspólnej logiki, współdzielenie interfejsu w wybranych obszarach i integrację nowych modułów z kodem natywnym. Granica współdzielenia jest dobierana osobno dla każdego obszaru aplikacji.
Projekt własny
Radar: wyszukiwarka zamówień publicznych
Radar to wyszukiwarka agregująca ogłoszenia z kilku niezależnych źródeł. Pipeline AI działa etapowo: pobiera materiał źródłowy, wyciąga ustrukturyzowane pola, weryfikuje cytaty i uzupełnia niekompletne dane. Każde pole zawiera dokładny fragment źródła, a rekord jest zapisywany dopiero po poprawnym przejściu całej walidacji. Wzbogacanie uzupełnia wyłącznie puste pola. Jakość jest mierzona na złotych zbiorach przez testy odtwarzające cały pipeline i twarde progi akceptacji. Koszt każdego wywołania modelu jest rejestrowany, a tryb batch i dobór modeli pomagają kontrolować budżet.
Projekt własny
Agenci ML/RL do gier karcianych
Projekty obejmują agentów AI do trzech gier karcianych: Pan, Tysiąc i Kierki. Dla Pana i Kierek powstały własne środowiska treningowe, a do RLCard została dodana kompletna implementacja trzyosobowego Tysiąca. Zakres eksperymentów obejmuje self-play PPO, Deep Monte Carlo i MCTS. Modele są oceniane w automatycznych turniejach z ratingiem Elo oraz eksportowane z PyTorch przez ONNX do TensorFlow Lite z kontrolą zgodności wyników.
Kontakt