Mihail Glovinsky
Zaproponuj Mihail pracę nad swoim kolejnym zleceniem.
Prywatna wiadomość
Zaproponuj zlecenie
Kijów,
Ukraina
4 godziny 40 minut temu
gotowy do podjęcia pracy
Zakończono 11 Sejfów
4 miesiące 19 dni temu
9 zleceniodawców
zamieszczono 1 ofertę
w Serwisie 7 lat
Ranking
Poziom znajomości języków obcych
Українська: native
Русский: native
English: średniozaawansowany
Umiejętności i kwalifikacje
Programowanie
-
AI i uczenie maszynowe
od 99 PLN za godzinę
-
Parsowanie danych
od 99 PLN za godzinę
-
Tworzenie chatbota
od 99 PLN za godzinę
Design i sztuka
-
AI graphic
od 99 PLN za godzinę
Usługi
-
AI consult
od 99 PLN za godzinę
-
Praca z klientami
od 99 PLN za godzinę
Portfolio
- Wszystkie prace 33
- Administracja systemem i siecią 1
- Bazy danych i SQL 2
- E-mail marketing 1
- Usługi księgowe 1
- Parsowanie danych 1
- Wyszukiwanie i zbieranie informacji 2
- Praca z klientami 1
- AI i uczenie maszynowe 15
- Tworzenie chatbota 6
- AI consult 1
- AI video 1
-
Modele AI na zamówienie — od szkolenia do uruchomienia na własnym serwerze
Nauczyć się tworzyć własne modele AI pod konkretne zadanie i ton — aby klient mógł mieć swoje AI, a nie polegać tylko na ogólnych usługach typu ChatGPT. Końcowy produkt — zestaw działających, kompaktowych modeli, które działają na prywatnym serwerze obok automatyzacji, bez opłat za każde wiadomości dla zewnętrznych dostawców.
Kluczowe wymagania:
… Zero kosztów: cały proces w 100% na darmowych narzędziach, bez płatnych usług chmurowych
Uczciwe porównanie: przetestować trzy rozmiary modeli i znaleźć najlepszy balans jakości i ceny
Łatwość: modele muszą być wystarczająco małe, aby działały nawet na słabym starym laptopie
Gotowość do integracji: modele w formacie, który łączy się bezpośrednio z automatyzacjami n8n
Stabilność: obejść techniczne ograniczenia darmowych platform do nauki
Jak to działa:
Idea polegała na tym, aby móc zaproponować klientowi jego własny wytrenowany model — a nie tylko połączenie z cudzą usługą — i zrobić to całkowicie na darmowych narzędziach.
Nauczyłem się trzech modeli i uczciwie je porównałem: wytrenowałem trzy modele różnej wielkości na tych samych danych i przetestowałem na tych samych pytaniach, aby zobaczyć, który daje najlepsze odpowiedzi za swoje pieniądze. To daje wyraźną podstawę, aby doradzić klientowi odpowiedni model pod jego budżet.
Rozwiązałem trudne ograniczenie platformy: darmowe usługi do nauki mają znany problem, który łamie nowoczesne modele. Znalazłem niezawodny sposób obejścia, który pozwolił wytrenować model tam, gdzie standardowe instrukcje po prostu nie działają.
Dopasowałem odpowiedni rozmiar modelu do ograniczeń: największy model uczyłby się ponad dobę i nie zmieściłby się w darmowym limicie czasu. Przeszedłem na mniejszy model wielojęzyczny — silny w ukraińskim — i skróciłem naukę do kilku godzin bez rzeczywistej utraty jakości.
Zbudowałem powtarzalny proces produkcji: nauka → pakowanie → kompresja → uruchomienie. Ten sam proces jest teraz używany do nauki asystenta AI, który działa bezpośrednio z automatyzacjami n8n.
Udowodniłem, że jakość danych decyduje o wszystkim: przeanalizowałem kilka publicznych zbiorów danych i pokazałem, że słabe odpowiedzi pochodzą z złych danych treningowych, a nie z samego modelu — kluczowy wniosek dla każdego przyszłego projektu z niestandardowym AI.
Wynik:
Działający zestaw niestandardowych modeli AI i proces, który można powtórnie zastosować w rzeczywistych projektach klientów:
Gotowy do użycia model AI, opublikowany online (kompaktowa wersja ~1 GB), działający nawet na starym laptopie
Powtarzalny proces nauki, pakowania i uruchamiania własnych modeli — odpowiedni dla przyszłych projektów klientów
Uczciwe porównanie "jakość vs cena" dla trzech rozmiarów modeli — podstawa do rekomendacji odpowiedniego modelu pod budżet
Gotowość do produkcji: modele są wdrażane na prywatnym serwerze i łączą się bezpośrednio z automatyzacjami n8n przez standardowe API
#n8n #AI #LLM #FineTuning #CustomAI #SelfHosted #MachineLearning #Automatyzacja #NoCode #HuggingFace #Ollama
-
822 PLN Zautomatyzowane generowanie leadów i monitorowanie przetargów
AI i uczenie maszynowe
Cel:
Stworzyć autonomiczny system generowania leadów, który codziennie skanuje rejestr Prozorro w poszukiwaniu dwóch kategorii możliwości: zawartych umów (ciepłe leady — organizacje, które już kupują odpowiedni towar) oraz aktywnych przetargów (gdzie można złożyć ofertę). Końcowy produkt — zorganizowana baza CRM w Airtable z pełnymi danymi kontaktowymi zamawiającego, uczestnikami oraz cenami ofert.
Kluczowe wymagania:
…
Dwa równoległe workflow: izolowane przetwarzanie umów (/contracts) oraz aktywnych przetargów (/tenders?status=active.tendering)
Rozszerzone filtrowanie: 5 kodów CPV + 15 marek znaczników + minimalna kwota 50 000 UAH
Paginacja kursorowa z historycznym backfill: skanowanie Prozorro od 01.01.2025 bez utraty pozycji między uruchomieniami
Szczegółowa struktura CRM: kontakty (EDRPOU, email, telefon), uczestnicy aukcji z cenami, linki do rejestru ofert
Dedupikacja na poziomie Airtable: zapobieganie powtórnym zapisom przy ciągłej pracy
Hybrydowa logika: zamknięte przetargi, które przeszły filtr, automatycznie wzbogacają bazę leadów danymi uczestników do przyszłych kampanii emailowych
Mój wkład:
Zamawiający handluje sprzętem energetycznym (akumulatory, UPS, panele słoneczne) i spędzał godziny dziennie na ręcznym monitorowaniu Prozorro. Zadanie polegało nie tylko na "przesyłaniu przetargów", ale na zbudowaniu gotowego do sprzedaży leja leadów z pełnym rozrachunkiem rynku.
Architektoniczna dekompozycja: zamiast jednego "grubego" flow podzieliłem system na dwa niezależne workflow — dla umów i aktywnych przetargów. Każdy ma własny kursor, harmonogram uruchamiania i tabelę Airtable. To pozwoliło na skalowanie źródeł bez wzajemnych blokad.
Paginacja kursorowa z logiką self-healing: Prozorro zwraca opakowany kursor w formacie {timestamp}.{seq}.{hash}. Zrealizowałem warstwę ochronną, która waliduje kursor przed użyciem i automatycznie przywraca go z ważnej daty, jeśli API zwraca anomalię (na przykład, reset do 2015 roku). Bez interwencji administratora.
Dwustopniowe wzbogacenie danych: dla leadów stworzyłem kaskadę zapytań HTTP — najpierw umowa (nabywca, dostawca, kwota), potem przetarg (uczestnicy, stawki, rejestr ofert). Oddzielny węzeł JavaScript łączy te strumienie i formuje JSON z tablicą uczestników (nazwa, EDRPOU, email, stawka początkowa + końcowa), gotowy do integracji z kampaniami emailowymi.
Dedupikacja przez Airtable Search: przed każdym zapisem flow wykonuje wyszukiwanie po contractID/tenderID, co pozwala na bezpieczne ponowne uruchamianie workflow tyle razy, ile potrzeba, bez tworzenia duplikatów.
Routing zamkniętych przetargów: przetargi, które zakończyły się przed momentem przetwarzania, nie są usuwane — logika IF przekierowuje je do tabeli "Leady" z pełną listą uczestników. W ten sposób zamawiający otrzymuje nie tylko potencjalnych klientów-nabywców, ale także konkurentów-dostawców do analizy rynku.
Wynik:
Działający system, który codziennie wzbogaca CRM zamawiającego bez żadnej interwencji ludzkiej:
2 źródła danych w jednej bazie danych: Airtable z dwiema tabelami ("Leady" i "Aktywne przetargi"), każda z kontaktami, cenami, dokumentami i linkami
Gotowość do email marketingu: zorganizowane dane uczestników (z emailami i telefonami) można bezpośrednio przesyłać do Mailchimp/SendPulse/własnego skryptu
Oszczędność 2-3 godziny/dzień: zamiast ręcznego googlowania zamawiający od razu otrzymuje tabelę z 18 polami
Historyczny zasięg: backfill od 01.01.2025 pozwolił na stworzenie bazy ciepłych leadów przez 16+ miesięcy jeszcze przed uruchomieniem
Stabilność 24/7: system uruchamiany 4 razy dziennie według harmonogramu, z logiką retry na błędy API i samoodtwarzaniem kursora
#n8n #Airtable #LeadGeneration #SalesAutomation #Prozorro #API #WorkflowAutomation #JavaScript #CRM #DataPipeline #BusinessAutomation #NoCode #B2B #GenerowanieLeadów #Automatyzacja
-
547 PLN Zautomatyzowany monitoring codziennych sprzedaży Prom i Rozetka
AI i uczenie maszynowe
Cel: Zautomatyzować zbieranie i konsolidację codziennej analityki finansowej z różnych marketplace'ów (Prom, Umall, Rozetka) przez CRM SalesDrive w Telegramie. Kluczowe wyzwanie: połączyć dane z rozproszonych źródeł (różne formId) i zapewnić dokładność obliczeń zysku i „hitów sprzedaży” w warunkach niestabilnego przesyłania danych systemowych przez API.
Rozwiązanie: Architektura wielowątkowa na n8n (self-hosted na Railway):
… 1. Ekstrakcja danych (Pipeline API SalesDrive)
Pobieranie z wielu źródeł: Zrealizowano oddzielne zapytania HTTP dla gałęzi PROM + UMALL oraz ROZETKA. Użyto specyficznych nagłówków autoryzacji dla każdego źródła.
Filtracja precyzyjna: Ustawiono rygorystyczną filtrację według okien czasowych (00:00:00 – 23:58:59) przez parametry orderTime i createTime, co eliminuje pobieranie „historycznych” zamówień przy ich edytowaniu przez menedżerów.
Walidacja statusu: System automatycznie odrzuca techniczne śmieci i anulowane zgłoszenia (status 32/51), gwarantując, że do raportu trafiają tylko rzeczywiste „przychody”.
2. Silnik analityczny (Logika kodu JS)
Agregator finansowy: Węzeł kodu pełni rolę procesora backendowego: parsuje tablice zamówień, konwertuje dane tekstowe na liczby (parseFloat) i dokonuje sumowania obrotów i czystego zysku w czasie rzeczywistym.
Wykrywanie hitów produktów: Algorytm dynamicznie zlicza liczbę sprzedanych jednostek każdego SKU, określa lidera dnia („Hit sprzedaży”) i wyświetla jego nazwę wraz z liczbą realizacji.
Normalizacja danych: Automatyczna unifikacja nazw produktów i artykułów, nawet jeśli są one nieobecne w poszczególnych obiektach tablicy products.
Wynik:
Projektowanie raportów: Tworzenie rygorystycznego raportu biznesowego w Telegramie z użyciem czcionki monospace dla wygodnego odczytu cyfr i natychmiastowego kopiowania NIP/kwoty jednym dotknięciem.
Kontrola operacyjna: Właściciel otrzymuje pełny obraz sprzedaży w 1 sekundę bez konieczności wchodzenia do CRM i ręcznego budowania filtrów.
Niezawodność: Dzięki hostowaniu na Railway i zoptymalizowanym czasom oczekiwania na połączenie z bazą danych (PostgreSQL), system stabilnie przetwarza zapytania nawet w godzinach szczytu obciążenia na marketplace'ach.
#n8n #SalesDrive #ECommerce #Prom #Rozetka #BusinessIntelligence #Automation #API #Railway
-
493 PLN Architektura synchronizacji: Notion → Reclaim.ai
AI i uczenie maszynowe
Cel: Zautomatyzować planowanie zadań produkcyjnych z Notion do Reclaim.ai przez Google Tasks. Kluczowe wyzwanie: wdrożyć niezawodną deduplikację bez zmiany statusów w Notion i obejść sztywne limity Google API.
Rozwiązanie: Dwupoziomowa architektura na n8n (Railway):
… 1. Zbieranie i Walidacja (Notion Pipeline)
Inteligentna Deduplikacja: System ignoruje powtarzające się wyzwalacze Notion, porównując ID stron z własną bazą (Data Table). To pozwala statusowi PRODUCE pozostać statycznym.
Dynamiczny Okno Czasowe: Filtrowanie zadań w 14-dniowym oknie (REZERWACJA), co wyklucza planowanie archiwalnych zapisów.
Parser Godzin JS: Code Node automatycznie konwertuje wolny wpis godzin w formacie (duration: Xh), zrozumiałym dla algorytmów AI Reclaim.ai.
2. Dostawa i Optymalizacja (Queue Engine)
Zarządzanie Limitem: Wdrożono przetwarzanie wsadowe (Batching) i ponowne próby (Retry), co wyeliminowało błędy 403 Quota Exceeded przy masowych operacjach z Google API.
Asynchroniczny Przepływ: Podział na „Zbieracza” i „Wysyłacza” przez kolejkę statusów (PENDING -> SENT), co gwarantuje 100% dostawę każdego zadania.
Wynik:
Szybkość Synchronizacji: Pojawienie się zadania w kalendarzu w ciągu 1–5 minut.
Stabilność: Pełna automatyzacja bez "ręcznego" wsparcia statusów w Notion.
Skalowalność: Gotowa infrastruktura do skalowania na inne działy firmy.
#n8n #Notion #ReclaimAI #Automatyzacja #Backend #API
-
3290 PLN AI-identyfikator leadów: Bitrix24 + Binotel
AI i uczenie maszynowe
Cel: Opracowanie inteligentnego systemu automatyzacji CRM-marketingu do identyfikacji anonimowych leadów w Bitrix24. Wymóg: zapewnienie automatycznego rozpoznawania klientów poprzez analizę przychodzących połączeń telefonicznych Binotel, minimalizacja kosztów analizy AI poprzez zbiorową deduplikację oraz oczyszczenie bazy z "śmieciowych" kontaktów.
Mój wkład / rozwiązanie: Zaprojektowano wielopoziomową architekturę na self-hosted n8n, która integruje API Bitrix24 z modelami (GPT-4o). Zrealizowano logikę do zachowania kontekstu danych przy skomplikowanych rozgałęzieniach workflow.
… 1. Inteligentny silnik medialny (analiza i identyfikacja):
Multi-Step AI Transcription & Analysis: Wdrożono system ekstrakcji nagrań audio z encji Bitrix Activity. Wykorzystano sieci neuronowe do transkrypcji i analizy semantycznej dialogów w celu wykrycia imion klientów, nazw firm oraz typu zapytania.
Wysoka precyzja filtrowania: Zrealizowano surowe filtrowanie strumienia przychodzącego: ignorowanie połączeń wychodzących (KIERUNEK: 1), odrzucanie rozmów krótszych niż 40 sekund oraz detekcja spamu. Umożliwiło to skoncentrowanie zasobów AI tylko na docelowych leadach przychodzących.
2. Przetwarzanie zbiorcze i integralność danych (optymalizacja):
Standard deduplikacji zbiorczej: Opracowano mechanizm porównywania danych wejściowych z istniejącą bazą danych na zasadzie [Wejście] - [Baza] = [Nowe]. Wykluczyło to ponowne przetwarzanie archiwalnych połączeń (2024–2026) oraz obniżyło koszty API sieci neuronowych.
Odzyskiwanie źródła prawdy (V16): Rozwiązano problem utraty kontekstu (ID aktywności, telefon) przy udanych zapytaniach API do Bitrix24. Stworzono architekturę, w której końcowy węzeł Normalize Data odwołuje się do początkowego stanu iteratora (Process Calls3), gwarantując 100% wypełnienie pól w końcowym logowaniu.
3. Niezawodność i zarządzanie infrastrukturą:
Optymalizacja działania self-hosted instancji n8n do masowego przetwarzania dużych archiwów. Wdrożono strategię oczyszczania danych, wyłączono logowanie udanych uruchomień w celu oszczędności miejsca na dysku oraz zrealizowano automatyczne kompresowanie bazy.
Archiwizacja i hybrydowy tryb w czasie rzeczywistym: System skonfigurowany w trybie hybrydowym: głęboka obróbka historycznych archiwów (głębokość do 2 lat) oraz codzienne monitorowanie nowych kontaktów "na gorąco".
Wynik: Stworzono autonomiczny produkt backendowy do automatycznego wzbogacania danych CRM:
Wzbogacanie danych: Zautomatyzowano identyfikację ponad 80% anonimowych przychodzących połączeń telefonicznych, przekształcając "Połączenie telefoniczne od..." w nazwane kontakty z historią zapytania.
#n8n #Bitrix24 #Binotel #AIAutomation #GPT4 #Backend #CRMIntegration #NoCode #DataEngineering
-
1094 PLN Multimodalna platforma oparta na n8n
AI i uczenie maszynowe
Cel: Stworzenie profesjonalnego narzędzia do generowania wysokiej jakości treści wideo AI (Zwiastuny filmowe) z hybrydowym modelem cenowym. Wymóg: zapewnienie jakości na poziomie Kling/Luma przy optymalnych kosztach, wdrożenie systemu zarządzania saldem oraz automatyzacja postprodukcji (branding).
Mój wkład / rozwiązanie: Opracowano wielopoziomową architekturę na n8n, która integruje zaawansowane modele SOTA (Kling, Veo, Luma) przez API FAL.ai. Wdrożono logikę dynamicznego wyboru modelu w zależności od budżetu użytkownika oraz wymagań technicznych dotyczących wideo (czas trwania, liczba klatek na sekundę).
… 1. Hybrydowy silnik medialny (Optymalizacja jakości i kosztów):
Orkiestracja wielomodelowa: Zrealizowano logikę przełączania między modelami: Kling 1.0 (dla budżetowych generacji ~$0.45), Veo 3.1 (równowaga ceny/jakości ~$1.2) oraz Kling 2.1 Master (jakość VIP). Umożliwiło to klientowi oferowanie elastycznych stawek dla różnych segmentów użytkowników.
Inżynieria i walidacja promptów: Wdrożono system przetwarzania złożonych kinomatycznych promptów. Zautomatyzowano weryfikację parametrów (czas trwania, proporcje obrazu) na etapie wejścia, co zapobiega błędom API (np. walidacja czasu trwania 4s/8s dla modelu Veo) oraz oszczędza środki na nieudanych zapytaniach.
2. System zarządzania stanami i finansami (CRM i saldo):
Atomowy system kredytowy: Zaprojektowano system "wewnętrznej waluty" (salda). Każda generacja pobiera środki tylko po pomyślnym potwierdzeniu od API, co wyklucza straty pieniędzy użytkownika w przypadku awarii technicznych sieci neuronowych.
Równoległość i śledzenie zapytań: Rozwiązano problem duplikacji zapisów podczas długotrwałych operacji (generacja wideo trwa 5-10 minut). Wykorzystano mechanizm identyfikacji przez unikalne identyfikatory transakcji, co zapobiega ponownym uruchomieniom węzłów przy powtarzających się zapytaniach zwrotnych z Telegramu.
3. Workflow Photo-to-Video:
Generacja dualna: Zrealizowano dwa scenariusze pracy: generacja wideo na podstawie przesłanego zdjęcia użytkownika (Custom Input) oraz tworzenie wideo z wcześniej wygenerowanych obrazów AI (Full-AI Loop).
Wynik: Stworzono skalowalny produkt SaaS do generowania wideo AI, gotowy do użytku komercyjnego:
Kontrola kosztów: Koszt generacji 10-sekundowego klipu obniżony do $0.45 przy zachowaniu wysokiej jakości.
Wysoka niezawodność: System stabilnie przetwarza długie kolejki renderowania (przetwarzanie asynchroniczne) bez "zawieszania" workflow.
Gotowość do monetyzacji: Całkowicie gotowa logika CRM, sald i poziomów dostępu (Podstawowy/VIP).
#n8n #GenerativeAI #KlingAI #VideoAutomation #Backend #APIIntegration #SaaSDevelopment #LowCode
-
987 PLN Inteligentny system zarządzania zamówieniami
Tworzenie chatbota
Cel: Opracowanie systemu odpornego na awarie do przyjmowania zamówień (E-commerce Bot) z logiką ochrony przed kolizjami danych. Wymóg: system ma działać jako Maszyna Stanów (automat skończony), dynamicznie dostosowując interfejs do dostępności produktów w bazie oraz zapewniając "czystość" danych wejściowych jeszcze przed etapem przetwarzania przez menedżera.
Mój wkład / rozwiązanie: Zaprojektowano i wdrożono architekturę "Architektura Świadoma Stanu" opartą na n8n, która zarządza cyklem życia użytkownika od logowania do finalizacji transakcji. Zastosowano podejście Low-Code + Custom JS do obejścia ograniczeń standardowych węzłów.
… 1. Architektura "Gatekeeper" (Zarządzanie sesjami):
Silnik logiki i kontrola współbieżności: Zrealizowano rygorystyczny algorytm "Face Control" (Logika Węzła Przełączającego). System sprawdza bazę danych pod kątem istniejących transakcji (statusy "Oczekujące", "Czekanie na płatność") przed rozpoczęciem nowego procesu. To uniemożliwia tworzenie duplikatów i "śmieciowych" zapisów.
Resetowanie sesji i czyszczenie: Wdrożono mechanizm wymuszonego resetowania zawieszonych sesji (force_cancel), co pozwala użytkownikowi samodzielnie rozwiązywać konflikty stanów bez kontaktu z pomocą techniczną.
2. Dynamiczny frontend (UI Telegram):
Interfejs generowany w formacie JSON: Zamiast twardego kodowania przycisków zrealizowano dynamiczne generowanie menu (Węzeł Kod JavaScript). Bot wysyła zapytanie do bazy danych magazynowej (n8n Table/Airtable), otrzymuje aktualny katalog produktów i "w locie" renderuje klawiaturę. To pozwala na dodawanie produktów (/add) bez ponownego uruchamiania bota.
Surowe żądania HTTP: Aby obejść ograniczenia standardowych węzłów n8n i wyeliminować błędy UI, wykorzystano bezpośrednie zapytania POST do Telegram API. To zapewniło stabilną pracę złożonych obiektów reply_markup oraz poprawne przesyłanie danych callback.
3. Integralność danych i walidacja:
Inteligentne parsowanie: Kombinacja wyrażeń regularnych (RegEx) i operatorów warunkowych do walidacji wejścia (na przykład, rozróżnienie kwoty "200" od telefonu "050...").
Blokowanie bazy danych: Wykorzystanie atomowych aktualizacji wierszy według unikalnych ID (a nie według ChatID), co rozwiązało problem nadpisywania danych przy jednoczesnej pracy kilku operatorów lub instancji.
Rezultat: Stworzono autonomiczny system sprzedaży, który nie wymaga nadzoru technicznego:
Baza danych bez konfliktów: Liczba zduplikowanych lub błędnych zamówień została zredukowana do 0 dzięki logice zarządzania stanem.
Skalowalność: Dodawanie nowych pozycji towarowych zajmuje sekundy dzięki komendom administracyjnym, automatycznie aktualizując interfejs u wszystkich użytkowników.
Doświadczenie użytkownika: System sam "prowadzi" klienta, blokując nielogiczne działania i oferując kontekstowe scenariusze wyjścia z błędów.
#n8n #JavaScript #ArchitekturaBackendowa #ZarządzanieStanem #TelegramBotAPI #AutomatyzacjaECommerce #ObsługaBłędów #ProjektowanieBazyDanych
-
1645 PLN System analizy ruchu telekomunikacyjnego z AI-Vision
AI i uczenie maszynowe
Cel: Zautomatyzować krytyczny proces biznesowy firmy telekomunikacyjnej — analizę przychodzących cenników (Rate Sheets) od dostawców ruchu VoIP. Problem polegał na różnorodności formatów: dostawcy przesyłają ceny w Excelu, CSV, PDF, a nawet w postaci obrazków (zrzuty ekranu w komunikatorach). Ręczne przetwarzanie zajmowało godziny, co prowadziło do utraty korzystnych transakcji na dynamicznym rynku. Wymaganie: System musi być "wszechstronny", określać korzystne (BUY) i niekorzystne (SELL) kierunki, porównując je z wewnętrznym rynkowym API, oraz natychmiast powiadamiać menedżerów.
Mój wkład / rozwiązanie: Rozwiązanie zrealizowane na samodzielnie hostowanym n8n, z wykorzystaniem Google Drive, OpenAI (GPT-4o / Turbo) oraz Google Sheets. Architektura zbudowana na zasadzie "Parent-Child" (Rodzic-Dziecko) dla skalowalności i odporności na awarie.
… 1. Workflow "Omni-Channel Ingestion" (Procesy rodzicielskie):
Routing i kolejka: Zrealizowano logikę Smart Queue. System skanuje Google Drive, identyfikuje typ pliku (.xlsx, .csv, .pdf, .png) i przetwarza je pojedynczo (Batch Size: 1) z interwałem 20 minut, aby uniknąć przeciążenia API i limitów.
AI Vision & OCR: Do przetwarzania "nieczytelnych" formatów (PDF/Obrazy) stworzono kaskadę:
CloudConvert: Konwersja wielostronicowych PDF na wysokiej jakości PNG (300 DPI).
GPT-4o Vision: Wykorzystanie modelu multimodalnego do wizualnego odczytu tabel z obrazków, gdzie zwykłe parsery są bezsilne.
Smart CSV Parsing: Dla dużych plików tekstowych zrealizowano algorytm "Chunking" — dzielenie tekstu na pakiety po 40 wierszy do przetwarzania przez lżejszy model GPT-4 Turbo, co znacznie oszczędza budżet klienta.
2. Workflow "Analityczne Jądro" (Workflow Dziecka):
Wzbogacenie danych: Wdrożono złożony algorytm dopasowywania (JavaScript). System normalizuje nazwy krajów (na przykład, poprawia "Dr Congo" na oficjalną nazwę), określa kody MCC/MNC według wewnętrznego katalogu oraz klasyfikuje typ ruchu (Direct/HQ/SS7/Sim) na podstawie metadanych pliku.
Inteligencja rynkowa: Integracja z zewnętrznym API (interconnect.solutions). Każdy wiersz cennika jest sprawdzany w czasie rzeczywistym w celu uzyskania rynkowej mediany.
Silnik logiki: Automatyczne obliczanie marżowości. System przypisuje status BUY (jeśli cena jest niższa od rynku) lub SELL, oraz sortuje oferty od najkorzystniejszych.
3. Niezawodność i UX:
Obsługa błędów: Skonfigurowano globalny przechwytywacz błędów oraz lokalne strategie ponownego próbowania (3 próby) dla niestabilnych zapytań HTTP.
Raportowanie: Ostateczny wynik formułowany jest w postaci interaktywnego raportu HTML w Telegramie z linkami do oryginału oraz przetworzonego pliku, a także Top-15 rekomendacji dla menedżerów.
Wynik: Klient otrzymał w pełni zautomatyzowany dział zakupu ruchu:
Uniwersalność: System przetwarza każdy przychodzący plik, od Excela po zdjęcie ekranu.
Szybkość reakcji: Czas od otrzymania pliku do podjęcia decyzji skrócił się z godzin do minut.
Efekt ekonomiczny: Menedżerowie otrzymują gotowe "sygnały" (Buy Alerts) i nie tracą czasu na ręczne porównywanie tysięcy wierszy.
Stabilność: Dzięki kolejkom i optymalizacji zapytań system działa 24/7 bez awarii API.
#n8n #OpenAI #GPT4o #ComputerVision #Automation #Telecommunications #VoIP #JavaScript #GoogleDriveAPI #DataEngineering #CloudConvert #TelegramBot
-
1234 PLN Cyfrowy współzałożyciel.
AI i uczenie maszynowe
Cel: Stworzenie inteligentnego partnera AI dla właściciela firmy budowlano-deweloperskiej. System miał połączyć offline'ową bazę wiedzy (Obsidian) z mocą chmurowego AI (OpenAI GPT-4o). Kluczowe wymagania:
- RAG (Retrieval-Augmented Generation): Odpowiedzi mają opierać się wyłącznie na wewnętrznych regulaminach i dokumentach firmy.
… - Dwustronna komunikacja: Agent musi nie tylko "czytać" bazę, ale także "pisać" do niej (tworzyć nowe pliki/regulaminy na polecenie w Telegramie).
- Oszczędność zasobów: Inteligentna indeksacja, aby nie przeszukiwać niezmienionych plików.
Mój wkład / rozwiązanie:
Rozwiązanie zbudowane na bazie Self-hosted n8n (Railway), wektorowej bazy danych Supabase oraz chmurowego magazynu Google Drive. Architektura składa się z 3 złożonych workflow:
1. Workflow "Inteligentny Indeksator" (ETL Pipeline):
Google Drive (Rekurencyjne wyszukiwanie): Zrealizowano złożony algorytm wyszukiwania plików (.md, .txt, .pdf) na całym dysku z przeszukiwaniem zagnieżdżonych folderów oraz filtrowaniem "obcych" plików.
Synchronizacja inkrementalna (Oszczędność kosztów): Opracowano logikę porównywania metadanych. Workflow porównuje pliki z dysku z tabelą file_tracker w Supabase (SQL). Do przetwarzania (Embedding) wysyłane są tylko nowe lub zmienione pliki. To oszczędza do 90% tokenów OpenAI.
Wektoryzacja: Tekst dzielony jest na kawałki, przekształcany w wektory (OpenAI Embeddings) i przechowywany w Supabase.
2. Workflow "Mózg" (Agenta AI):
Agent AI (LangChain): Wykorzystuje model GPT-4o z niestandardowym systemowym promptem "Cyfrowego Współzałożyciela".
Pamięć długoterminowa: Podłączono Postgres Chat Memory (w Supabase), co pozwala botowi pamiętać kontekst dialogów bezterminowo.
Narzędzie przechowywania wektorów: Zrealizowano narzędzie wyszukiwania, które wykorzystuje niestandardową funkcję SQL match_documents do znajdowania najbardziej odpowiednich odpowiedzi w bazie wiedzy.
3. Workflow "Ręce" (Narzędzie Generowania Plików):
Autonomiczne tworzenie treści: Agent może wywołać ten sub-workflow do tworzenia nowych dokumentów.
Inteligentne parsowanie (JavaScript): Napisano skrypt-sanitizer, który analizuje odpowiedź AI (nawet jeśli przychodzi w niestandardowym formacie) na filename i content.
Zapis: Plik jest przesyłany na Google Drive, po czym automatycznie synchronizuje się z lokalnym Obsidianem klienta przez Google Drive Desktop.
Wynik:
Klient otrzymał w pełni autonomiczny system zarządzania wiedzą:
"Żywa" Baza: Każda zmiana w notatce Obsidian automatycznie trafia do "mózgu" bota.
Strategiczny partner: Właściciel może konsultować się z botem w sprawie strategii, a bot odpowiada, opierając się na historii i kontekście firmy, a nie na ogólnych frazach.
Automatyzacja rutyny: Bot działa jak sekretarz — tworzy szkice umów, pomysłów i planów bezpośrednio w roboczym folderze właściciela.
Niezawodność: Rozwiązano problemy z czasem oczekiwania serwerów oraz duplikatami danych dzięki optymalizacji SQL i ustawieniom Railway.
#n8n #OpenAI #RAG #Supabase #VectorDatabase #PostgreSQL #Obsidian #KnowledgeManagement #WorkflowAutomation #JavaScript #Railway #SelfHosted #GoogleDriveAPI #AIagent
-
411 PLN AI-analityk leadów z 8 kanałów RSS
AI i uczenie maszynowe
Cel:
Stworzenie autonomicznego asystenta AI do monitorowania i kwalifikacji projektów freelancerskich dla agencji marketingowej (SEO/SMM/PPC). Kluczowym wymaganiem jest agregacja danych z 8+ różnych kanałów RSS, pełna automatyczna deduplikacja projektów w celu oszczędności funduszy oraz inteligentna analiza każdego unikalnego leadu za pomocą OpenAI przed wysłaniem do grupy Telegram klienta.
… Mój wkład:
Projekt miał dwie fundamentalne problemy:
Szum informacyjny: Projekty z programowania (Python, PHP) i designu trafiały do odpowiednich kategorii marketingowych (np. "AI" lub "Boty").
Masowe duplikaty: Ten sam projekt często pojawiał się w 3-4 różnych kanałach RSS jednocześnie, co prowadziło do 3-4 identycznych powiadomień i, co gorsza, do 3-4-krotnej opłaty za analizę w OpenAI.
Mój wkład polegał na zaprojektowaniu złożonej, wieloetapowej architektury "leja" w n8n. Opracowałem "kuloodporny" system deduplikacji, który jest sercem tego workflow. Zamiast prostej filtracji, połączyłem "strumieniową" deduplikację (w ramach jednego uruchomienia) z "pamięcią trwałą" (n8n Data Tables), gwarantując, że żaden projekt nie zostanie przeanalizowany dwa razy, niezależnie od tego, kiedy i skąd pochodzi.
Rozwiązanie:
Ostateczne rozwiązanie to jeden workflow n8n, który działa zgodnie z harmonogramem co 10 minut i składa się z 5 logicznych bloków:
1. Blok Zbierania i Agregacji:
Harmonogram wyzwala 8 równoległych węzłów RSS Read, z których każdy monitoruje swoją kategorię (SEO, SMM, PPC, Lead itp.).
Węzeł Merge (Combine All) zbiera wszystkie 8 strumieni w jedną tablicę projektów.
2. Blok Przygotowania:
Węzeł Set (Edit Fields1) standaryzuje dane i tworzy pole fullText (z title i content) do przyszłej analizy.
3. Blok Deduplikacji (Kluczowy Etap):
Data Table (Get row(s)): Ładuje z "pamięci" (Processed_Leads) pełną listę guid wszystkich projektów, które zostały wcześniej przetworzone.
Merge (Merge_Deduplicate): Używa trybu keepNonMatches. Porównuje strumień nowych projektów (Input 1) z listą starych guid (Input 2) i przepuszcza dalej tylko te projekty, których nie ma w "pamięci".
Remove Duplicates (Node 1): Usuwa duplikaty w ramach bieżącego uruchomienia (na wypadek, gdyby jeden projekt pochodził z 2 kanałów RSS jednocześnie).
Remove Duplicates (Node 2): Dodatkowa kontrola "w locie" w wewnętrznej pamięci n8n, gwarantując 100% unikalność.
4. Blok AI-Analizy i Zapisania:
Message a model (OpenAI): Otrzymuje tylko unikalne projekty. Prompt GPT-4 analizuje fullText i zwraca JSON z oceną (score), przyczyną (reason) oraz znacznikiem "śmieci" (is_trash).
Data Table (Insert row): Natychmiast zapisuje guid właśnie przeanalizowanego projektu w "pamięci" (Processed_Leads), aby nigdy więcej nie przeszedł deduplikacji.
5. Blok Powiadomień:
Code (JavaScript): Węzeł "sanitizer", który oczyszcza title i reason z specjalnych znaków (*, _, [ ]), które mogą zepsuć formatowanie Telegram.
Telegram (2 węzły): Wysyłają idealnie sformatowaną, przeanalizowaną wiadomość z oceną AI do dwóch odbiorców — mnie (do kontroli) oraz do roboczej grupy klienta.
Wynik:
Stworzono całkowicie autonomicznego asystenta AI, który monitoruje 8 źródeł 24/7. Klient otrzymał system, który:
Gwarantuje oszczędność pieniędzy: 100% duplikatów jest filtrowanych przed wysłaniem do OpenAI, zapobiegając zbędnym wydatkom na API.
Oszczędza czas: Klient otrzymuje nie "surowy" strumień, ale już przeanalizowane leady z oceną (score) i krótkim podsumowaniem (summary).
Wysoka trafność: Inteligentny prompt w OpenAI dodatkowo odrzuca "śmieci" (is_trash: true), które przeszły przez RSS.
Niezawodność: Użycie Data Tables jako trwałej "pamięci" gwarantuje, że nawet po ponownym uruchomieniu workflow system nie wyśle starych projektów.
#n8n #OpenAI #GPT4 #WorkflowAutomation #LeadGeneration #RSS #APIIntegration #DataTables #Deduplication #Telegram #JavaScript #Freelance #MarketingAutomation #SEO #PPC #SMM #Automatyzacja #GenerowanieLeadów #Marketing
-
345 PLN Opracowanie bramki płatniczej WayForPay na n8n dla bota Telegram
AI i uczenie maszynowe
Cel:
Stworzenie w pełni autonomicznego systemu zarządzania subskrypcjami dla bota Telegram. Kluczowym wymaganiem jest integracja z ukraińskim serwisem płatniczym WayForPay w celu automatycznego wystawiania faktur i aktywacji dostępu po dokonaniu płatności. System powinien niezawodnie śledzić statusy subskrypcji, aktualizować dane użytkowników w Google Sheets oraz spełniać rygorystyczne wymagania bezpieczeństwa API WayForPay.
Mój wkład:
… Projekt rozpoczął się od fundamentalnego problemu technicznego: standardowe platformy no-code, takie jak Make.com, nie mają wbudowanych narzędzi do generowania i walidacji podpisów kryptograficznych HMAC-MD5, które są niezbędne do pracy z WayForPay. To uniemożliwiało bezpośrednią integrację.
Mój wkład polegał na opracowaniu "od podstaw" nowej architektury na self-hosted n8n, która w pełni rozwiązywała ten problem. Zaprojektowałem niezawodny system dwuskładnikowy, dzieląc logikę tworzenia faktur i przetwarzania płatności na dwa oddzielne, ale ściśle zintegrowane workflow, co zapewniło maksymalną stabilność i łatwość w debugowaniu.
Rozwiązanie:
Ostateczne rozwiązanie składa się z dwóch zoptymalizowanych procesów roboczych w n8n, które zapewniają pełny cykl przetwarzania płatności.
Workflow 1: Tworzenie Faktury
Serce tego procesu stanowi łańcuch węzłów Crypto i Code.
Przygotowanie Żądania: Za pomocą węzła Code dynamicznie formułowane jest idealnie ustrukturyzowane ciało żądania JSON, co gwarantuje poprawność typów danych (liczby, tablice), których wymaga API.
Generowanie Podpisu: Węzeł Crypto tworzy unikalny podpis HMAC-MD5 dla wychodzącego żądania.
Tworzenie Faktury: Ostateczne żądanie HTTP wysyła podpisane żądanie do WayForPay, otrzymując w odpowiedzi unikalny link do płatności (invoiceUrl), który natychmiast jest wysyłany do użytkownika w Telegramie.
Workflow 2: Przetwarzanie i Walidacja Płatności
Ten workflow aktywuje się przez Webhook po pomyślnej płatności klienta.
Parsowanie Danych: Pierwszy węzeł Code okazał się krytycznie ważny dla "rozpakowania" danych, ponieważ WayForPay wysyłał webhook w nieoczekiwanym formacie x-www-form-urlencoded.
Sprawdzanie Bezpieczeństwa: Łańcuch Crypto -> IF wykonuje najważniejszą funkcję — odtwarza podpis HMAC-MD5 z otrzymanych danych i porównuje go z podpisem od WayForPay. Proces kontynuuje się tylko w przypadku pełnego dopasowania i statusu Approved.
Aktualizacja Systemu: W przypadku pomyślnej walidacji, węzeł Google Sheets aktualizuje status subskrypcji użytkownika, ustawia nową datę zakończenia i resetuje liczniki użycia. Użytkownik otrzymuje natychmiastowe powiadomienie w Telegramie.
Zakończenie Transakcji: Ostateczny łańcuch węzłów generuje kolejny podpis i wysyła przez Respond to Webhook poprawną odpowiedź dla WayForPay, potwierdzając pomyślne odebranie webhooka.
Wynik:
Pomyślnie opracowano i wdrożono autonomiczny system płatności, który w pełni zautomatyzował proces zarządzania subskrypcjami w bocie Telegram. Klient otrzymał niezawodny i bezpieczny workflow, który działa 24/7 i gwarantuje:
Niezawodną integrację ze skomplikowanym API serwisu płatniczego WayForPay.
Pełne bezpieczeństwo dzięki kryptograficznej walidacji każdego żądania.
Natychmiastową aktywację subskrypcji i powiadomienia użytkowników bez jakiejkolwiek ręcznej interwencji.
Stabilną pracę dzięki podzielonej architekturze i poprawnej obróbce odpowiedzi.
#n8n #WayForPay #APIIntegration #WorkflowAutomation #Telegram #JavaScript #PaymentGateway #Webhook #HMAC #GoogleSheets #SubscriptionAutomation #BusinessAutomation #Automatyzacja #BramaPłatnicza
-
365 PLN System inteligentnego przydzielania leadów dla CRM oparty na n8n
Bazy danych i SQL
Cel:
Stworzenie w pełni autonomicznego systemu do dystrybucji przychodzących leadów pomiędzy dwoma różnymi systemami CRM (kampaniami) według skomplikowanych zasad biznesowych. Kluczowe wymagania obejmowały: dynamiczne zarządzanie dziennymi limitami dla każdej kampanii, przetwarzanie leadów wyłącznie w określonych godzinach pracy, sekwencyjne wysyłanie z losowym opóźnieniem oraz opracowanie niezawodnego systemu deduplikacji w celu zapobiegania powtórnym kontaktom.
Mój wkład:
… Projekt rozpoczął się od wyzwania: istniejący proces przetwarzania leadów był nieefektywny, nie wspierał dystrybucji według kwot i prowadził do wysyłania duplikatów, co obniżało jakość pracy menedżerów.
Mój wkład polegał na całkowitym przemyśleniu i opracowaniu "od podstaw" nowej, niezawodnej architektury na self-hosted n8n. Przeszedłem od prostej liniowej logiki do bardziej zaawansowanej architektury "przetwarzania wsadowego", co pozwoliło znacznie zwiększyć wydajność i niezawodność systemu.
Rozwiązanie:
Ostateczne rozwiązanie to jedyny, zoptymalizowany proces roboczy w n8n, którego sercem jest niestandardowy węzeł Code w JavaScript. Ten "mózg" systemu wykonuje całą pracę analityczną w jednym przebiegu:
Ładuje kontekst: Wykonuje jeden efektywny zapytanie API do Google Sheets w celu uzyskania wszystkich historycznych informacji, unikając przekroczenia limitów API.
Wykonuje deduplikację: Identyfikuje i filtruje nowe leady, których e-maile były już wcześniej skutecznie przetwarzane.
Rozdziela według limitów: Dynamicznie przypisuje każdemu unikalnemu leadowi kampanię (Campaign A lub Campaign B), śledząc dzienne kwoty.
Po bloku analitycznym włącza się pętla (Loop Over Items), która zapewnia sekwencyjne, indywidualne przetwarzanie każdego leada z realizacją losowego opóźnienia przed finalnym wysłaniem przez HTTP Request.
Wynik:
Z powodzeniem opracowano i wdrożono autonomiczny system, który w pełni zautomatyzował proces dystrybucji leadów. Klient otrzymał niezawodny workflow, który działa 24/7 i gwarantuje:
- Ścisłe przestrzeganie dziennych kwot dla każdej kampanii.
- Całkowite wyeliminowanie duplikatów.
- Optymalne obciążenie API zewnętrznych usług.
#n8n #JavaScript #WorkflowAutomation #BusinessLogic #APIIntegration #GoogleSheets #CRM #Automation #NoCode #LeadDistribution #Debugging #WorkflowArchitecture #BusinessAutomation #Automatyzacja
-
345 PLN Osobisty asystent Telegram do zarządzania zadaniami w Trello
Tworzenie chatbota
Cel:
Opracowanie inteligentnego asystenta Telegram, który całkowicie przejmuje rutynę zarządzania zadaniami w Trello. Kluczowe wymagania: stworzenie "jednego okna" w Telegramie do szybkiego wprowadzania zadań, otrzymywania proaktywnych przypomnień oraz możliwości interakcji z menedżerem zadań za pomocą naturalnego języka, minimalizując potrzebę otwierania Trello.
Mój wkład:
… Głównym wyzwaniem w tym projekcie nie są techniczne ograniczenia API, lecz czynnik ludzki: ciągłe "przełączanie kontekstu" między komunikatorem, w którym odbywa się komunikacja, a menedżerem zadań, co kradnie czas i koncentrację.
Mój wkład polegał na opracowaniu kompleksowego dwukierunkowego systemu opartego na self-hosted n8n, który przekształca Telegram w pełnoprawne centrum dowodzenia dla Trello:
Inteligentne przetwarzanie przychodzących poleceń: Opracowałem proces roboczy, który nasłuchuje wiadomości w Telegramie i za pomocą logicznego węzła Switch natychmiast określa zamiar użytkownika:
Proste zadanie: Jeśli wiadomość jest standardowym zadaniem, jest natychmiast wysyłana przez API do Trello w celu utworzenia nowej karty w określonej liście. Użytkownik otrzymuje natychmiastowe potwierdzenie.
Skomplikowane zapytanie: Jeśli polecenie wymaga analizy lub wygenerowania odpowiedzi (np. "podsumuj moje zadania na dziś"), zapytanie jest przekazywane do modelu OpenAI (ChatGPT) do przetworzenia, po czym strukturalna odpowiedź jest wysyłana do użytkownika.
Proaktywna system przypomnień: Stworzono drugi, niezależny proces, który działa według harmonogramu (Schedule Trigger). Automatycznie:
Raz dziennie łączy się z Trello i zbiera wszystkie karty z określonej listy (np. "Dziś").
Sprawdza, czy w tej liście są zadania.
Jeśli zadania są, formułuje zwięzły raport i wysyła go w Telegramie jako poranne przypomnienie. Gwarantuje to, że żadne ważne zadanie nie zostanie pominięte.
Wynik:
Sukcesywnie uruchomiono osobistego asystenta, który działa 24/7 i znacznie zwiększa osobistą produktywność. Rozwiązanie całkowicie eliminuje potrzebę ręcznego przenoszenia zadań z czatów do Trello i ciągłego sprawdzania tablicy.
Klient otrzymał:
Oszczędność czasu: Dziesiątki rutynowych operacji są teraz wykonywane jedną komendą w Telegramie.
Zwiększenie koncentracji: Zmniejszenie liczby przełączeń między aplikacjami pozwala lepiej skupić się na realizacji zadań.
Niezawodna kontrola: Automatyczne codzienne podsumowania nie pozwalają zapomnieć o priorytetach.
Finalna architektura, zbudowana na n8n, jest niezwykle elastyczna: można łatwo dodać nowe komendy, zintegrować inne usługi (np. Google Calendar) lub zmienić logikę przypomnień bez przebudowy całego systemu.
#n8n #Trello #Telegram #TelegramBot #Automatyzacja #NoCode #WorkflowAutomation #API #APIIntegration #OpenAI #ChatGPT #Produktywność #ZarządzanieZadaniami #Automatyzacja #CzatBot
-
329 PLN System monitorowania przetargów w wielu kanałach
AI i uczenie maszynowe
Cel:
Stworzenie jednego, w pełni zautomatyzowanego strumienia powiadomień w Telegramie, który agreguje istotne przetargi i projekty z dwóch całkowicie różnych źródeł: ukraińskiego portalu rządowego Prozorro oraz międzynarodowego API Banku Światowego.
Kluczowe wymagania:
…
Równoległe przetwarzanie: Jednoczesne monitorowanie krajowych i międzynarodowych źródeł.
Transformacja danych: Przekształcenie złożonych i różnorodnych danych na jednolity, ustandaryzowany format.
Natychmiastowe powiadomienia: Szybka dostawa sformatowanych raportów w Telegramie.
Skalowalność: Architektura gotowa do łatwego podłączenia nowych API w przyszłości.
Mój wkład:
Projekt rozpoczął się od wyzwania: informacje o istotnych przetargach były rozproszone po izolowanych krajowych i międzynarodowych portalach, z których każdy miał unikalną strukturę API, format danych i zasady dostępu. Bezpośrednia agregacja była niemożliwa bez kompleksowego przetwarzania.
Mój wkład polegał na zaprojektowaniu i opracowaniu "od podstaw" jednolitej architektury na self-hosted n8n, która połączyła te różnorodne strumienie danych w jedno potężne narzędzie.
Analiza i integracja różnorodnych API: Przeprowadziłem dogłębną analizę dwóch całkowicie różnych API — Prozorro i Banku Światowego. Obejmuje to badanie dokumentacji, określenie odpowiednich punktów końcowych, parametrów zapytań i, co najważniejsze, — struktury ich odpowiedzi.
Transformacja złożonych danych: API Banku Światowego zwracało dane w skrajnie nietypowej strukturze (obiekt obiektów zamiast tablicy). Aby rozwiązać ten problem, napisałem niestandardowy skrypt w JavaScript w węźle Code, który analizował tę strukturę, normalizował ją i przekształcał na ustandaryzowany format, gotowy do dalszego przetwarzania.
Budowa równoległego workflow: Opracowałem jednolity proces roboczy, który uruchamia się zgodnie z harmonogramem i wykonuje dwie równoległe gałęzie dla każdego źródła. System zarządza pełnym cyklem:
Automatyczne pozyskiwanie list przetargów i projektów.
Iteracyjne przetwarzanie: Pozyskiwanie szczegółowych informacji dla każdego wpisu osobno.
Dynamiczne formatowanie danych w czytelne wiadomości za pomocą węzła Code.
Łączenie strumieni przez węzeł Merge w celu stworzenia jednolitej kolejki powiadomień.
Wynik:
Stworzono w pełni autonomiczny "radar" do śledzenia przetargów, działający 24/7.
Jedyny kanał informacyjny: Klient otrzymuje powiadomienia z ukraińskich i międzynarodowych źródeł w jednym czacie Telegram.
Oszczędność czasu: System w pełni automatyzuje ręczny proces monitorowania kilku stron.
Wysoka skalowalność: Architektura z równoległymi gałęziami i węzłem Merge pozwala na łatwe dodawanie nowych źródeł (np. TED, UNGM) bez konieczności przebudowywania całej logiki.
Niezawodność: Rozwiązanie działa na własnym egzemplarzu n8n, co gwarantuje pełną kontrolę, bezpieczeństwo i brak zewnętrznych ograniczeń.
#n8n #API #APIIntegration #Automation #Prozorro #WorldBank #Telegram #TelegramBot #NoCode #JavaScript #WorkflowAutomation #DataParsing #BusinessAutomation #Automatyzacja #ChatBot
-
2056 PLN Projekt: AI-asystent do analizy spotkań zespołowych
AI i uczenie maszynowe
Cel:
Stworzenie kompleksowego systemu AI do automatycznej obróbki nagrań audio z zebrań zespołowych. Kluczowe wymagania to przekształcenie niestrukturalnych rozmów w strukturalne, gotowe do analizy dane; stworzenie wielopoziomowych podsumowań dla różnych ról (Właściciel, Lider Zespołu, BizDev); oraz opracowanie interaktywnego asystenta AI do natychmiastowego dostępu do korporacyjnej bazy wiedzy przez Telegram.
Mój wkład:
… Projekt rozpoczął się od wyzwania: kluczowe informacje firmy — decyzje, problemy i zadania — były "zamknięte" w godzinnych plikach audio. Utrudniało to ich wyszukiwanie i analizę, zmuszając pracowników do tracenia czasu na ponowne odsłuchiwanie.
Mój wkład polegał na zaprojektowaniu i opracowaniu "od podstaw" spójnej, wieloskładnikowej architektury na self-hosted n8n, która przekształciła pasywne nagrania audio w aktywny i inteligentny zasób.
Strategicznie wybrałem stos PostgreSQL + Supabase, co pozwoliło połączyć niezawodność relacyjnej bazy danych dla strukturalnych raportów z mocą wektorowego magazynu dla semantycznego wyszukiwania AI.
System składa się z trzech powiązanych procesów roboczych (workflows), które zapewniają pełny cykl życia danych:
Workflow nr 1 ("Fabryka Danych"): Ten proces stanowi fundament całego systemu. Automatycznie przyjmuje nagrania audio, integruje się z usługą transkrypcji, a następnie za pomocą OpenAI generuje unikalne, dostosowane podsumowania dla każdej roli. Ostateczne dane są strukturalizowane i przechowywane jednocześnie w PostgreSQL oraz wektoryzowane dla Supabase.
Workflow nr 2 ("Syntezator Analizy"): Pracując według harmonogramu, ten workflow agreguje codzienne podsumowania z PostgreSQL, ponownie wykorzystuje AI do stworzenia skoncentrowanego strategicznego raportu tygodniowego dla właściciela oraz automatycznie wysyła spersonalizowane zestawienia kluczowym pracownikom (Lider Zespołu, BizDev) w Telegramie.
Workflow nr 3 ("Interaktywny asystent AI"): Zwieńczeniem systemu jest bot Telegram, który służy jako jedyny punkt dostępu do bazy wiedzy. Zrealizowałem:
Rozgraniczenie dostępu: Bot identyfikuje użytkownika i jego rolę przez bazę danych, otwierając odpowiednie funkcje.
Komendy dla administratorów: Możliwość na żądanie generowania raportów, uruchamiając Workflow nr 2.
RAG-pipeline (Retrieval-Augmented Generation): Pełnoprawny mechanizm odpowiedzi na pytania. Bot przekształca zapytanie użytkownika na wektor, znajduje odpowiednie informacje w Supabase, przygotowuje kontekst i generuje dokładną odpowiedź za pomocą OpenAI.
Wynik:
Sukcesywnie opracowano i wdrożono autonomiczny korporacyjny "drugi mózg", który działa 24/7. Klient otrzymał system, który przekształca rozmowy w strukturalne aktywa, oszczędza dziesiątki godzin czasu pracy i umożliwia podejmowanie decyzji na podstawie danych, a nie wspomnień.
Architektura jest w pełni skalowalna: dodawanie nowych ról, typów raportów czy źródeł danych nie wymaga przebudowy systemu. Rozwiązanie zapewnia natychmiastowy i bezpieczny dostęp do informacji, gwarantując, że każdy pracownik widzi tylko te dane, które są mu przypisane.
#n8n #PostgreSQL #Supabase #pgvector #OpenAI #Telegram #TelegramBot #Automatyzacja #NoCode #API #IntegracjaAPI #RAG #LLM #asystentAI #AutomatyzacjaWorkflow #AutomatyzacjaBiznesu #Automatyzacja #CzatBot
Recenzje dotyczące zrealizowanych zleceń 11
15 stycznia
822 PLN
Tabele, boty, automatyzacja
Jakość
Profesjonalizm
Koszt
Zawsze w kontakcie
Terminy
Wszystko wykonane szybko i profesjonalnie
|
27 października 2025
411 PLN
Bot Telegram + arkusze Google
Jakość
Profesjonalizm
Koszt
Zawsze w kontakcie
Terminy
Polecam Mychajła jako specjalistę wysokiego poziomu, głębokie zanurzenie w szczegóły, zrozumienie procesów, strukturalne podejście oraz szybką komunikację. Dziękuję za pracę!
Yevhen Glazunov
| Indywidualny | Wzajemna opinia
17 października 2025
100 PLN
Poprawić błędy w scenariuszach n8n i Supabase.
Jakość
Profesjonalizm
Koszt
Zawsze w kontakcie
Terminy
Projekt zrealizowany. Polecam do współpracy. Dziękuję
15 października 2025
123 PLN
Ustawienie skryptu w make.com - Integracja Google Sheets, OpenAI i CRM
Jakość
Profesjonalizm
Koszt
Zawsze w kontakcie
Terminy
Świetnie rozumie Make.com, szybko zrozumiał, co dokładnie należy zrealizować. Scenariusze były skonfigurowane starannie, logicznie i bez błędów. Wszystkie procesy teraz działają automatycznie, oszczędzając mnóstwo czasu.
Szczególnie podobało mi się, że freelancer zawsze był w kontakcie, szczegółowo wyjaśniał każdy krok.
Polecam jako profesjonalistę, odpowiedzialnego i miłego w komunikacji specjalistę!
Dmitry Spetsprom
| Indywidualny | Wzajemna opinia
31 lipca 2025
822 PLN
Integracja Notion i Airtable
Jakość
Profesjonalizm
Koszt
Zawsze w kontakcie
Terminy
Zadanie zostało wykonane. Dziękuję za pracę
Nikita Butenko
| Indywidualny | Wzajemna opinia
Jakość
Profesjonalizm
Koszt
Zawsze w kontakcie
Terminy
Wybierając Mykhailo, wybierasz jakość i indywidualne podejście. To właśnie Mykhailo podszedł do zadania zdecydowanie i szczegółowo. Przeprowadził solidny briefing, aby wyjaśnić wszystkie bolączki procesu, zaproponował lepsze rozwiązania niż początkowa koncepcja. Pomógł skutecznie zaoszczędzić środki na serwisy i subskrypcje. A co najważniejsze - zautomatyzował procesy, które zajmowały 20 razy więcej czasu ręcznej pracy. Ustaliliśmy dalszą współpracę nad rozszerzeniem automatyzacji na inne procesy. Ostateczny przewodnik po wykonanej pracy, instrukcje użytkowania, dalsze wsparcie - wszystko to pozostało miłym bonusem! Polecam wszystkim i każdemu, kto chce, aby biznes był efektywny.
7 czerwca 2025
58 PLN
Audyt systemu oparty na Trello/Zapier/Make
Jakość
Profesjonalizm
Koszt
Zawsze w kontakcie
Terminy
Михаил doskonale poradził sobie z zadaniem audytu naszego systemu technicznego. Podejście było bardzo strukturalne: szybko zrozumiał istotę, zidentyfikował kluczowe problemy i zaproponował jasny i realistyczny plan ich rozwiązania. Wszystko było przedstawione jasno, z priorytetami i zaleceniami na kolejne kroki. Polecam do wszelkich zadań związanych z optymalizacją procesów.
Filipp Lysak
| Indywidualny | Wzajemna opinia
28 maja 2025
58 PLN
Ustawienia Make.com dla Zapisywania Danych i Podstawowej Logiki
Jakość
Profesjonalizm
Koszt
Zawsze w kontakcie
Terminy
Dziękuję Michaiłowi za wykonany projekt. Zaoszczędziłem bardzo dużą sumę pieniędzy. Gorąco polecam do współpracy.
Maksim Getmansky
| Indywidualny | Wzajemna opinia
23 maja 2025
411 PLN
Rozwój bota Telegram (lejek sprzedażowy)
Jakość
Profesjonalizm
Koszt
Zawsze w kontakcie
Terminy
Bardzo miło było pracować z Michałem
On wszystko dokładnie wykonał według wszystkich potrzebnych zadań, a dodatkowo udzielał konsultacji i starał się jak najbardziej mi pomóc
Będę go polecać wszystkim znajomym, którzy będą mieli takie zadania
23 maja 2025
247 PLN
Część 1.1: Konfiguracja Manychat i Podstawowego Zbioru Danych
Jakość
Profesjonalizm
Koszt
Zawsze w kontakcie
Terminy
Wszystko szybko i zgodnie z TZ. Będę polecać
Maksim Getmansky
| Indywidualny | Wzajemna opinia
29 kwietnia 2025
58 PLN
Konsultacja dotycząca bota na Telegramie
Jakość
Profesjonalizm
Koszt
Zawsze w kontakcie
Terminy
Bardzo świetny specjalista
Bez zbędnych słów wszystko jasno wyjaśnił
Aktywność
| Ostatnie oferty 10 | Budżet | Dodana | Terminy | Oferta | |
|---|---|---|---|---|---|
|
System AI do monitorowania i analizy przetargów Prozorro + Bot Telegram
2056 PLN
|
|||||
|
Manychat
822 PLN
|
|||||
|
Należy zautomatyzować proces przez API
1695 PLN
|
|||||
|
Automatyczne zbieranie prezentacji z raportów (Google Docs → Google Slides)
1151 PLN
|
|||||
|
I agent ds. zbierania informacji
822 PLN
|
|||||
|
Integracja Binotel z Telegramem przez n8n: powiadomienia o nowych numerach (numery, których nie ma w bazie)
617 PLN
|
|||||
|
Automatyzacja AI
99 PLN
|
|||||
|
Integracja analityki AI rozmów (amoCRM + telefonia)
2220 PLN
|
|||||
|
Stworzenie bota AI, który pomoże w wyszukiwaniu dokumentacji pierwotnej z kontrahentami/klientami firmy
822 PLN
|
|||||
|
Bot do generowania wideo i z zdjęć
740 PLN
|