Praca laboratoryjna, Python (przetwarzanie masywów trójwymiarowych)

Potrzebna jest niewielka poprawka w programie, który formuje zamówienia do druku. Zadanie: Dodaliśmy do asortymentu miękkie szkło z nadrukiem. W zamówieniach nazwa nadruku będzie wyróżniona symbolami #...# dla poprawnego rozpoznawania. Przykład: Miękkie szkło, #Abstrakcja biała# 2.0mm, Kształt: Prostokąt... Wymagane: jeśli w tekście zamówienia znajduje się fragment między symbolami #...#, program powinien rozpoznać go jako zamówienie z nadrukiem; przy formowaniu PDF lub arkusza do druku takie zamówienie należy wyróżnić innym kolorem (jakimkolwiek widocznym, uzgodnimy podczas realizacji); reszta logiki działania programu ma pozostać bez zmian. Przykład zamówienia dodaję poniżej do testowania.

O projekcie: Uruchamiamy usługę B2B do analityki i zarządzania kampaniami reklamowymi dla specjalistów ds. targetowania i mediów. Produkt będzie działał z oficjalnym Meta API. Główna techniczna trudność i fokus projektu to wirtuozowska praca z limitami Facebooka, routowanie ruchu między pulą naszych aplikacji oraz rygorystyczny system ochrony infrastruktury przed blokadami szarych kont reklamowych. Posiadamy już szczegółowe zadanie techniczne, opisującą architekturę baz danych, logikę balansu i wymagania dotyczące interfejsów. Szukamy wykonawcy, który zrealizuje to w trybie "pod klucz" (backend + frontend pulpitów). Co należy zrobić (Kluczowe zadania): Integracja z Meta API: Skonfigurować autoryzację użytkowników i regularne asynchroniczne parsowanie statystyk kont reklamowych. Zapytania muszą być wysyłane wyłącznie w paczkach, aby oszczędzać limity. System automatycznego odłączania kont: Napisać moduł, który nieprzerwanie monitoruje statusy kont reklamowych. Jeśli konto zostanie zablokowane, system powinien automatycznie cofnąć token dostępu w ciągu 60 sekund, aby chronić naszą aplikację przed sankcjami Meta. Infrastruktura proxy: Zrealizować tunelowanie wszystkich zapytań do API przez pulę SOCKS5. Obowiązkowe jest sztywne powiązanie konkretnego tokena użytkownika z statycznym adresem IP. Inteligentne routowanie: Stworzyć algorytm, który będzie rozdzielał przypisane konta reklamowe między kilka naszych aplikacji Facebook w określonych proporcjach, aby zmniejszyć ryzyko. Rozwój interfejsów: Stworzyć pulpit klienta z tabelą podsumowującą statystyki oraz zaawansowany panel administracyjny do ręcznego zarządzania limitami użytkowników, przypisaniami do aplikacji i pulą proxy. Oczekiwany stos technologii: Backend: Python, FastAPI. Zadania asynchroniczne: Celery, Redis. Bazy danych: PostgreSQL (lub ClickHouse do statystyk, według uznania). Frontend: Vue.js lub React (można używać gotowych bibliotek UI i szablonów pulpitów, nacisk na funkcjonalność, a nie skomplikowany design). Wymagania dla wykonawcy: Pewne doświadczenie w pracy z Meta Graph API i Marketing API. Musisz rozumieć, jak działają limity, jak czytać nagłówki obciążenia i jak pracować z tokenami. Zrozumienie specyfiki arbitrażu ruchu. Słowa „billing”, „ban konta reklamowego”, „menedżer biznesowy” i „farm” nie powinny budzić wątpliwości. Doświadczenie w budowaniu asynchronicznych parserów i pracy z serwerami proxy na poziomie zapytań sieciowych. Gotowość do pracy według jasnego zadania technicznego i dostarczania projektu etapami. Warunki: Format współpracy: Praca projektowa Budżet: Do uzgodnienia indywidualnie na podstawie twojej oceny zadania technicznego. Płatność: Etapowa, związana z punktami kontrolnymi. Jak odpowiedzieć: W liście motywacyjnym koniecznie podaj swoje doświadczenie w pracy z Meta API, dołącz linki do podobnych projektów (lub opisz ich funkcjonalność, jeśli są objęte NDA) i napisz orientacyjną widełkę cenową oraz terminy na opracowanie podobnego systemu od podstaw. Odpowiedzi bez opisu odpowiedniego doświadczenia w pracy z Facebook API nie będą rozpatrywane.

Szukamy specjalisty z LLM, RAG i inżynierii promptów do audytu i udoskonalenia już stworzonego asystenta AI dla operatorów centrum kontaktowego sieci medycznych centrów. To nie jest rozwój od podstaw. Obecnie asystent działa w środowisku ChatGPT i wykorzystuje: własną umiejętność z instrukcjami SKILL.md; baza wiedzy w Project Sources; ustrukturyzowane pliki Markdown, automatycznie utworzone z eksportów CSV systemu informacji medycznej; oddzielne indeksy cen, wykonawców, jednostek, pakietów, sprzętu i rekomendowanych kombinacji usług. Baza zawiera około: 2 700+ usług medycznych; 90+ pakietów i kompleksów; 300+ rekomendowanych kombinacji; 600+ interwencji chirurgicznych; ceny według różnych jednostek; wykonawców, adresy, przygotowanie, sprzęt i inne informacje referencyjne.Co ma robić asystent Na żądanie operatora asystent powinien szybko dostarczać zweryfikowaną odpowiedź: czy usługa jest dostępna; dokładny kod, nazwę i cenę; w jakich jednostkach jest dostępna; kto z lekarzy lub innych specjalistów ją wykonuje; jak się przygotować; jaki pakiet lub kompleks warto zaproponować; jakie usługi towarzyszące warto zaproponować; jaka jest kolejność kompleksowego zapisu; jakie są tańsze lub alternatywne opcje; dla operacji — osobno podstawową cenę i orientacyjną całkowitą wartość przypadku leczenia chirurgicznego. Asystent nie powinien wymyślać cen, wykonawców, przygotowania, wskazań medycznych ani przenosić informacji między podobnymi usługami.Istniejące problemy System już działa, ale wymaga zwiększenia stabilności wyszukiwania i jakości odpowiedzi. W szczególności: model czasami znajduje główną usługę, ale pomija rekomendowane kombinacje; nie zawsze wyciąga poszczególne pola z dużych plików Markdown; może znaleźć podstawową cenę operacji, ale pomija całkowity koszt przypadku chirurgicznego; wyniki zależą od struktury i rozmiaru plików w Project Sources; konieczne jest optymalizowanie indeksów, routingu źródeł i zasad wyszukiwania; należy zapewnić jednako wysoką jakość odpowiedzi na krótkie, nieprecyzyjne i konwersacyjne zapytania operatorów. Na przykład, proste zapytanie „cholecystektomia” powinno natychmiast zwrócić dostępne opcje operacji, kody, podstawowe ceny, całkowity koszt leczenia, jednostki, wykonawców i powiązane usługi.Zadania specjalisty Przeprowadzić audyt istniejącego SKILL.md, struktury bazy wiedzy i logiki wyszukiwania. Przeanalizować przyczyny pomijania danych podczas retrieval. Proponować optymalną architekturę bazy wiedzy dla ChatGPT. Udoskonalić lub przepisać SKILL.md. Optymalizować strukturę plików Markdown i kompaktowych indeksów. Skonfigurować obowiązkowe wyszukiwanie: pakietów i kompleksów; rekomendowanych kombinacji; cen według jednostek; wykonawców; kosztu przypadku leczenia chirurgicznego. Sprawdzić generator bazy wiedzy z eksportów CSV i w razie potrzeby udoskonalić skrypty Python. Stworzyć zestaw kontrolnych zapytań i kryteriów oceny odpowiedzi. Przeprowadzić testowanie na rzeczywistych scenariuszach centrum kontaktowego. Przekazać finalną dokumentację do dalszej aktualizacji i wsparcia systemu.Oczekiwany rezultat Musimy uzyskać stabilnego asystenta, który: odpowiada w języku ukraińskim; nie pomija krytycznie ważnych danych; zwraca tylko informacje potwierdzone przez bazę wiedzy; prawidłowo rozróżnia usługi, pakiety i rekomendowane kombinacje; pokazuje kod, nazwę, cenę, jednostkę i wykonawcę; dla operacji dzieli podstawową cenę i całkowity koszt leczenia; proponuje operatorowi konkretny scenariusz dalszego zapisu pacjenta; stabilnie działa po kolejnych aktualizacjach eksportów CSV; działa stosunkowo szybko.Wymagania dla wykonawcy Potrzebny specjalista z praktycznym doświadczeniem: ChatGPT Projects, Custom GPT lub ChatGPT Skills; LLM, RAG, retrieval i wyszukiwania semantycznego; inżynieria promptów; projektowanie baz wiedzy dla modeli językowych; Markdown, CSV, JSON/JSONL; Python do przetwarzania i konwersji danych; testowanie jakości odpowiedzi LLM. Doświadczenie z medycznymi systemami informacyjnymi, centrami kontaktowymi lub dużymi katalogami usług będzie dodatkowym atutem. Szukamy nie tylko autora promptów, ale specjalisty, który rozumie ograniczenia wyszukiwania w dużych źródłach, fragmentację kontekstu i sposoby budowania niezawodnych indeksów.Co dostarczyć w ofercie Prosimy krótko wskazać: Wasze doświadczenie z ChatGPT, RAG lub korporacyjnymi bazami wiedzy. Przykłady podobnych zrealizowanych projektów. Jak podeszlibyście do diagnozy pomijania poszczególnych pól w dużych plikach. Orientacyjne terminy i koszt audytu oraz dopracowania. Czy jesteście gotowi podpisać umowę o poufności. Dane osobowe pacjentów w ramach tego projektu nie będą przekazywane. Ostateczny koszt prac zostanie uzgodniony po doprecyzowaniu Technicznego Zadania między Zamawiającym a Wykonawcą.

Krótko Potrzebny program w Pythonie, który uruchamia się na moim PC (Windows) i tworzy faceless-wideo w formacie „głos lektora + zmieniający się materiał wideo z zdjęć i klipów” — jak dokumenty historyczne na YouTube (przykład dołączę osobno). Wprowadzam temat → program pisze scenariusz, lekturuje, dobiera do każdego fragmentu tekstu wideo/zdjęcia z darmowych archiwów, montuje → wydaje gotowy MP4. Tylko dla mnie. Bez strony, bez użytkowników, bez sprzedaży. Jeden użytkownik — ja. Jak działa (krok po kroku) 1. Wprowadzenie. Otwiera się proste okno. Wprowadzam temat filmu i wybieram głos lektora z listy (**lista głosów pobierana automatycznie z ElevenLabs przez API** — dostępne na moim koncie). Klikam „Utwórz”. (Drugi tryb: wklejenie gotowego scenariusza zamiast generacji.) 2. Scenariusz. Program przez LLM API (OpenAI/Anthropic, klucz w ustawieniach) pisze scenariusz na zadany temat o określonej długości. 3. Podział na sceny. LLM dzieli scenariusz na sceny i dla każdej zwraca: tekst sceny; typ wizualizacji: wideo lub zdjęcie; zapytanie wyszukiwania (rozwinięta fraza, co powinno być w kadrze); oznaczenie „highlight” + ocenę ważności 1-10 (dla intro, patrz poniżej). 4. Lektura. Tekst wysyłany jest do ElevenLabs API wybranym głosem → audio. Pod długość audio każdej sceny przycinany jest materiał wideo. 5. Dobór wideo/zdjęć — z darmowych źródeł przez API (patrz lista poniżej). Dla każdego źródła zapytanie formułowane jest na swój sposób (dla dokładności). Jeśli w jednym nie znaleziono — próbuje następnego. 6. Weryfikacja (maksymalnie 3 kroki na scenę). Krok 1: program bierze pierwszy znaleziony wariant (wideo/zdjęcie) według zapytania. Krok 2: wysyła kadr do LLM — „czy pasuje do sceny?”. Pasuje → stop. Krok 3 (jeśli nie pasuje): program przełącza się na wyszukiwanie zdjęć (po dokładnym zapytaniu zdjęcia znaleźć łatwiej niż wideo, — tak gwarantujemy trafność w sensie) i bierze je z wzmocnionym ruchem (zoom + panorama). Nie robić więcej niż 3 kroki na jedną scenę — to oszczędza budżet LLM i gwarantuje, że kadr jest w temacie. 7. Montaż przez ffmpeg/moviepy: klipy i zdjęcia pod timing lektury, zdjęcia ożywiane zoomem (efekt Kena Burnsa), głos na wierzchu, proste przejścia. Wyjście: MP4 1920×1080. Reguły materiału wideo (ważne — za to odpowiada program) Pierwsze 60 sekund — intro-teaser: montaż najbardziej efektownych klipów z całego filmu (brane są sceny z najwyższą oceną ważności, gdzie jest wideo) pod osobny tekst-wprowadzenie od LLM („w tym filmie dowiesz się…”), kadry bez wyjaśnień, jak intryga. Potem przejście i główna część. Naprzemienność: wstawka wideo minimum co ~6 sekund, nie można mieć wielu zdjęć pod rząd. Udział wideo: nie mniej niż ~40% czasu — żywe klipy, reszta — zdjęcia z zoomem. Długość kadru: 4-6 sekund (i zdjęcia, i wideo). Nie migać, nie trzymać statyki długo. Dla czysto historycznych tematów, gdzie nie ma wideo — zdjęcia z wzmocnionym ruchem (zoom + panorama). Źródła (wszystkie darmowe, z API) Nowoczesne wideo+zdjęcia: Pexels, Pixabay. Historyczne / archiwalne (public domain): Wikimedia Commons, Archive.org,Biblioteka Kongresu, Europeana, NASA, Smithsonian Open Access,Flickr Commons, openverse. Każde źródło — oddzielny moduł, łatwo dodać nowe. Używać tylko public domain / wolnych licencji z prawem do komercyjnego wykorzystania. Żadnego parsowania cudzych YouTube/stron, fragmentów filmów, obrazków „z googla”.Unikalność doboru Aby wideo nie pokrywały się z cudzymi: brać losowy klip z top-wyników (nie pierwszy), prowadzić bazę już użytych (nie powtarzać), opcjonalnie — lekka obróbka klipu (crop/lustro/szybkość). Opcje (włącz/wyłącz w ustawieniach) Tylko zdjęcia — jeśli włączone, wideo zbierane jest CZYSTO z zdjęć, bez klipów wideo. Każde zdjęcie OBOWIĄZKOWO z ruchem (zoom i/lub panorama, efekt Kena Burnsa) — nawet w tym trybie nie powinno być statycznych „martwych” kadrów, minimalna dynamika zawsze. Jeśli wyłączone — standardowy tryb (zdjęcia + klipy wideo z naprzemiennością, jak w regułach materiału wideo). Bez lektury — jeśli włączone, wideo zbierane jest według tekstu BEZ generacji głosu: kod NIE zwraca się do ElevenLabs i nie nakłada lektury (materiał wideo dobierany jest według tekstu scen, timing kadrów — według reguł/parametrów, bez powiązania z audio). Jeśli wyłączone — automatycznie robi lektury według tekstu przez ElevenLabs, jak zwykle. Atmosferyczny overlay — jeśli włączone, na całym materiale wideo nakładany jest półprzezroczysty layer z unoszącymi się cząstkami / pyłem / świecącym bokeh / lekką mgłą (particle / dust / bokeh / fog overlay, tryb nakładania screen/add), aby kadry wyglądały na żywe i filmowe. Przy instalacji programu umieszczany jest zestaw z 5-8 popularnych overlayów (cząstki, pył,copybokeh, mgła, lekkie filmowe „ziarnko”) w lokalnym folderze — wybieram potrzebny z listy. Regulowana przezroczystość/jasność overlayu (suwak 0-100%), aby efekt nie był anicopyzbyt przyciemniony, ani zbyt wyraźny — sam dostosowuję siłę. Pożądane, aby overlay można było nakładać i na JUŻ gotowe wideo osobnocopy(postprodukcja: wziąć gotowy MP4 → wybrać overlay → ustawić przezroczystość → zapisać), a nie tylko przy montażu. Skąd wziąć overlaye do kompletu (wolna licencja): Pexels, Pixabay (zapytaniacopy„particle overlay”, „bokeh overlay”, „dust overlay”, „light leaks”, „film grain”), Mixkit, Videezy. Wykonawca dobiera 5-8 sztuk i umieszcza w folderze programu. Napisy (wbudowane lub osobnym .srt). Obróbka klipów dla unikalności. Rozdzielczość/format, długość wideo, udział wideo, głębokość wyszukiwania.Wymagania techniczne Python. Modułowa struktura (źródła i LLM — przez wymienne moduły, aby łatwo zamienić lub dodać). Wszystkie klucze API — w pliku ustawień, nie w kodzie. Proste okno (GUI do wyboru wykonawcy — Tkinter/PyQt), uruchamiane podwójnym kliknięciem. README z instrukcją, zrozumiałe logi, komentarze w kodzie.Co daję ja Klucze API (ElevenLabs, LLM, gdzie potrzebna rejestracja — załatwię). Płatne opłacam sam. Przykłady wideo-referencji (dołączę) i przykłady tematów do testów.Odbiór (gotowe, jeśli) Uruchamiam → okno → wprowadzam temat, wybieram głos → „Utwórz” → otrzymuję gotowy MP4. Materiał wideo zgodny z sensownym tekstem, naprzemienność wideo/zdjęć, intro-teaser 60 sek, lektura na wierzchu. Działa minimum z 6 darmowymi źródłami, z fallbackiem między nimi. Weryfikacja kadrów przez LLM: maks. 3 kroki na scenę (znaleziono → LLM sprawdził → jeśli nie, zdjęcie z ruchem jako pewniak). Unikalność: randomizacja + baza używanego. Tylko legalne źródła. Jest README, uruchamia się od zera.Przekazanie wyniku Cały kod źródłowy — w otwartej formie (wszystkie pliki), bez obfuskacji + zbudowana wersja robocza. Mogę sam uruchomić z źródeł według instrukcji (README: instalacja, klucze, uruchomienie). Kod musi być czysty, skomentowany i zrozumiały, aby **każdy inny programista mógł kontynuować pracę** nad nim, jeśli zajdzie taka potrzeba (bez powiązania z autorem). **Cała codzienna praca — przez interfejs (przyciski, pola, suwaki, rozwijane listy), BEZ potrzeby dotykania kodu.** Wszystkie ustawienia (temat, głos, opcje, overlay, foldery, długość, formaty) zmieniają się w oknie programu, a nie edytowaniem plików. Kod w rękach — tylko jako moja własność i zabezpieczenie, a nie jako sposób zarządzania programem. Wszystkie prawa do kodu po zapłacie — moje.Zarządzanie miejscem na dysku (ważne) Program nie powinien zapełniać dysku. Zrealizować: Po zmontowaniu wideo wszystkie pliki pośrednie (pobrane klipy, tymczasowe fragmenty, audio-clipy) automatycznie usuwane — na dysku pozostaje tylko gotowy MP4. Limit na cache (parametr w ustawieniach, np. 5 GB): przy przekroczeniu stare pobrane pliki usuwane są automatycznie (najpierw najstarsze). Folder dla gotowych wideo i dla plików tymczasowych ustalam w ustawieniach. Pokazywać, ile miejsca zajęte, i przycisk „wyczyść cache” ręcznie.Proszę wskazać w odpowiedzi Przykłady podobnych prac (ffmpeg/moviepy, praca ze stockowymi/archiwalnymi API, ElevenLabs/LLM). Propozycja dotycząca GUI. Czy rozwiązanie wykorzystuje bazę danych (jaką i po co) — czy wystarczą lokalne pliki. Termin i koszt.

Opracowujemy integrację w czasie rzeczywistym z zewnętrzną usługą Trener. Wysyłamy zorganizowane zrzuty stanu, otrzymujemy rekomendacje i pokazujemy je w wyskakującym oknie. Zadanie — stabilne i pełne przesyłanie danych dla prawidłowego działania Trenera. Szukamy programisty do łańcucha: przetwarzanie danych → komunikacja HTTP → nakładka. Potrzebni są ludzie z takimi umiejętnościami Python dobrze, Java podstawy, API HTTP/JSON-APIs Projekt gotowy w 90%, ale są pewne niezgodności