Настроить Odoo на нашем сервере

Potrzebny program lub bot Telegram do masowego tworzenia TTN przez API Nowej Poczty.Główne zadanie Ładuję 50–100 zamówień naraz do tabeli Excel/Google Sheets/CSV lub wklejam listę zamówień do programu. Klienci podają dane w różnych formatach, dlatego system musi automatycznie rozpoznawać dane, sortować je według odpowiednich pól i tworzyć TTN przez API Nowej Poczty.Co powinno być na wejściu Możliwe opcje: Ładowanie pliku Excel/CSV. Kopiowanie listy zamówień do programu. Wklejanie wiadomości od klientów w dowolnym formacie.Co program powinien rozpoznawać Z każdego zamówienia należy określić: Imię i nazwisko odbiorcy; numer telefonu; miasto; oddział Nowej Poczty; towar/komentarz; kwotę pobrania; wagę/wymiary, jeśli są podane.Logika działania Ładuję 50–100 zamówień. Program analizuje każde zamówienie. Dane automatycznie rozdzielają się po kolumnach. Program sprawdza miasto i oddział przez API Nowej Poczty. Jeśli w zamówieniu jest błąd lub brakuje danych — wyróżnia to zamówienie i informuje, co należy poprawić. Jeśli wszystko jest poprawne — tworzy TTN. Po utworzeniu pokazuje listę gotowych TTN. Umożliwia eksportowanie wyników do Excela.Wynik po przetworzeniu Dla każdego zamówienia należy uzyskać: numer TTN; Imię i nazwisko klienta; telefon; miasto; oddział; kwotę pobrania; koszt dostawy; status: utworzone / błąd / do sprawdzenia.Obowiązkowe funkcje masowe tworzenie 50–100 TTN za jednym razem; sprawdzanie miasta i oddziału Nowej Poczty; możliwość edytowania zamówienia przed utworzeniem TTN; zapisywanie danych nadawcy; praca z pobraniem; eksport utworzonych TTN do Excela; dziennik utworzonych przesyłek.Pożądane Bot Telegram lub prosty program na Windows; ładowanie Excel/CSV; możliwość wklejenia listy zamówień jako tekst; zapisywanie bazy stałych klientów; powtórne składanie zamówienia w 1 kliknięcie; szablony towarów i wag; drukowanie/pobieranie etykiet dla paczek.Ważne Potrzebne jest nie tylko formularz do ręcznego wypełniania, ale narzędzie do masowego przetwarzania zamówień. Główny scenariusz: ładuję 50–100 danych, program sam sortuje informacje, sprawdza błędy i masowo tworzy TTN przez API Nowej Poczty.

Projekt: YOKA ASSIST — inteligentny system diagnostyki i szkolenia dla sprzętu górniczego Opis projektu Wymagana jest opracowanie inteligentnego systemu YOKA ASSIST na bazie bota Telegram z wykorzystaniem sztucznej inteligencji. Głównym celem projektu jest stworzenie cyfrowego asystenta dla elektryków, mechaników, operatorów i personelu inżynieryjno-technicznego, który będzie pomagał w diagnostyce usterek, szkoleniu pracowników oraz przechowywaniu bazy wiedzy technicznej. Pierwszy etap projektu jest skierowany na sprzęt górniczy (koparki EKG, wiertnice SBSh i inne urządzenia), ale architektura powinna być uniwersalna i łatwo skalowalna. Podstawowa funkcjonalność Bot Telegram - Nowoczesny interfejs. - Menu z przyciskami. - Autoryzacja użytkowników. - Podział uprawnień (użytkownik, administrator, główny administrator). Sztuczna inteligencja Baza wiedzy Wymagana jest stworzenie systemu przechowywania wiedzy. Wsparcie: - PDF; - Word; - Excel; - zdjęcia; - schematy; - wideo; - instrukcje; - karty sprzętu; - dokumenty techniczne. Po dodaniu informacji przez administratora AI powinno ją wykorzystywać w odpowiedziach bez zmiany kodu programu. Diagnostyka sprzętu Wsparcie wyszukiwania: - według kodu błędu; - według nazwy zabezpieczenia; - według szafy; - według bloku; - według sprzętu; - według objawów. Dla każdej usterki pożądane jest przewidzenie: - opisu; - możliwych przyczyn; - kolejności sprawdzania; - zdjęć; - schematów; - materiałów wideo; - linków do powiązanych dokumentów. Dynamiczne przyciski Przyciski powinny być generowane automatycznie w zależności od sytuacji. Na przykład: - Sprawdź szafę. - Zobacz schemat. - Zobacz wideo. - Następny etap diagnostyki. - Wróć. Panel administracyjny Główny administrator powinien mieć możliwość: - dodawania sprzętu; - tworzenia nowych błędów; - dodawania dokumentów; - przesyłania zdjęć; - przesyłania wideo; - edytowania bazy wiedzy; - zarządzania użytkownikami; - wyznaczania administratorów poszczególnych działów. System QR Każda szafa, blok lub sprzęt może mieć własny kod QR. Po zeskanowaniu użytkownik od razu trafia do odpowiedniej sekcji bota Telegram. Dziennik napraw Wymagana jest realizacja dziennika wykonanych prac. Funkcje: - kto wykonywał naprawę; - data i czas; - sprzęt; - opis wykonanych prac; - użyte materiały; - komentarze; - historia napraw. Analiza Pożądane jest wdrożenie: - najczęstszych usterek; - statystyki napraw; - czasu usuwania usterek; - raportów dotyczących sprzętu; - raportów dotyczących pracowników. Skalowalność Architektura powinna pozwalać na dodawanie nowych rodzajów sprzętu; - nowe przedsiębiorstwa; - nowe działy; - nowe bazy wiedzy. Technologie Pożądane: - Python; - Telegram Bot API; - PostgreSQL lub SQLite (na pierwszym etapie dopuszczalne jest SQLite); - integracja z AI przez API; - architektura modułowa; - możliwość dalszego podłączenia panelu webowego. Czego oczekuje się od wykonawcy - Opracowanie w pełni działającego projektu. - Czysty i zrozumiały kod. - Udokumentowana struktura projektu. - Możliwość dalszego rozwoju bez całkowitej przeróbki. - Pomoc w początkowym wdrożeniu i konfiguracji projektu. Projekt jest długoterminowy. Po pomyślnym zakończeniu pierwszego etapu możliwe są dalsze poprawki i rozwój systemu.

Szukam doświadczonego programisty Python, który będzie w stanie przeprowadzić pełny audyt istniejącego projektu, usunąć błędy i doprowadzić go do całkowicie stabilnej pracy. W razie potrzeby dopuszczalna jest całkowita przebudowa architektury projektu lub napisanie nowej implementacji z zachowaniem całej niezbędnej funkcjonalności. Co zapewnię Źródło kodu obecnego bota. Film wideo z demonstracją, jak powinien działać bot. Pełne zadanie techniczne z logiką działania. Główne zadanie Należy przywrócić stabilną pracę bota i zagwarantować realizację pełnego scenariusza bez awarii. Jeśli obecna architektura nie może być jakościowo naprawiona, dopuszczalna jest całkowita przebudowa projektu. Głównym celem jest nie zachowanie istniejącego kodu, a uzyskanie w pełni działającego, stabilnego i wspieranego produktu. Co należy zrobić 1. Przeprowadzić audyt projektu Przed rozpoczęciem pracy należy: przeanalizować istniejący kod; określić przyczyny, dla których bot przestał działać; ocenić, co można naprawić, a co lepiej przepisać. 2. Przywrócić całą funkcjonalność Po zakończeniu prac bot powinien poprawnie realizować cały scenariusz: rejestracja nowego konta; potwierdzenie logowania kodem z e-maila; autoryzacja; realizacja scenariusza zgodnie z zadaniem technicznym; zakończenie pracy; przejście do następnego konta. Wszystkie etapy powinny działać automatycznie bez ręcznej interwencji. 3. Naprawić istniejące błędy Należy usunąć wszelkie błędy związane z: autoryzacją; uzyskiwaniem kodu potwierdzenia; niestabilną pracą; zawieszaniem się; nieoczekiwanym zakończeniem programu; błędami po aktualizacjach strony; nieprawidłowym przetwarzaniem wyjątków. 4. Uczynić projekt odpornym Bot powinien: poprawnie obsługiwać błędy; nie wchodzić w nieskończone pętle; automatycznie kończyć nieudane scenariusze; poprawnie kontynuować pracę po niekrytycznych błędach; prowadzić zrozumiałe logi. 5. Panel sterowania Należy zachować lub przebudować panel sterowania. Powinien on umożliwiać: uruchamianie i zatrzymywanie pracy; zmienianie niezbędnych ustawień; przeglądanie bieżącego statusu; przeglądanie dziennika pracy i błędów. Interfejs powinien być zrozumiały i stabilny. 6. Kod Wymagania dotyczące kodu: czytelna struktura projektu; podział logiki na moduły; możliwość dalszego wsparcia. 7. Kompatybilność Projekt powinien działać na nowoczesnej wersji Pythona. Wykonawca jest zobowiązany do dostarczenia pełnej listy zależności oraz instrukcji uruchomienia. 8. Weryfikacja wyniku Przed oddaniem projektu wykonawca jest zobowiązany do zaprezentowania w pełni działającego scenariusza na wideo: uruchomienie projektu; przejście pełnego cyklu; brak błędów; poprawna praca wszystkich funkcji. Co dostarczyć po zakończeniu źródło kodu; wszystkie zmienione pliki; instrukcje uruchomienia; lista zależności; wideo demonstracyjne pracy; krótkie opisane wprowadzone zmiany. Ważne Praca uznawana jest za zakończoną tylko po tym, jak cała funkcjonalność opisana w zadaniu technicznym i filmie demonstracyjnym będzie działać stabilnie bez krytycznych błędów. Jeśli w trakcie audytu okaże się, że obecny projekt nie może być jakościowo naprawiony, dopuszczalna jest jego całkowita przebudowa z zachowaniem całej niezbędnej funkcjonalności. Przy odpowiedzi proszę od razu podać: doświadczenie w pracy z Pythonem; doświadczenie w automatyzacji przeglądarek (Playwright, Selenium lub podobne narzędzia); doświadczenie w pracy z REST API; koszt pracy; orientacyjne terminy realizacji.

Szukamy wysoko wykwalifikowanego inżyniera aplikacji AI oraz pełnostackowego dewelopera backendu do zbudowania gotowego do produkcji procesu walidacji, udoskonalania i zatwierdzania dokumentów zasilanego AI. To nie jest prosta rola inżyniera promptów. Potrzebujemy kogoś, kto potrafi zaprojektować i wdrożyć prawdziwą aplikację AI z silną architekturą backendową, integracją API Claude, ustrukturyzowaną logiką walidacji, śladami audytu, bezpiecznym przetwarzaniem danych oraz procesami przeglądu z udziałem człowieka. System będzie działał jako inteligentna warstwa zapewnienia jakości dla przesłanych raportów i dokumentów. Powinien przeglądać zakończone zgłoszenia, identyfikować problemy, poprawiać jakość treści, stosować zasady biznesowe, chronić wrażliwe informacje i albo automatycznie zatwierdzać dokument, albo kierować go do przeglądu przez człowieka. Deweloper będzie odpowiedzialny za zbudowanie procesu, który może: Pobierać zakończone dokumenty, raporty lub zgłoszenia z zewnętrznej platformy za pośrednictwem API Analizować pełny dokument, w tym ustrukturyzowane odpowiedzi, oceny, wybory, narracje, komentarze i pola tekstowe Przeprowadzać audyty semantyczne w celu wykrycia konfliktów logicznych, sprzeczności, brakujących informacji, niejasnych stwierdzeń, niepopartych twierdzeń lub niekompletnych sekcji Walidować, że ustrukturyzowane odpowiedzi i treść pisemna są ze sobą spójne Stosować niestandardowe zasady walidacji, wytyczne redakcyjne, standardy formatowania, wymagania dotyczące tonu i logikę biznesową Wykrywać, tokenizować, maskować lub bezpiecznie przetwarzać PII, dane poufne i wrażliwe informacje związane z bezpieczeństwem przed przetwarzaniem przez AI, gdzie to konieczne Przepisywać i ulepszać narracje, komentarze i sekcje dokumentów pod kątem gramatyki, jasności, profesjonalizmu, spójności i czytelności Zachować pierwotne znaczenie, obserwacje i intencje, jednocześnie poprawiając ostateczny wynik Standaryzować styl pisania w dokumentach, nie sprawiając, że każdy raport brzmi ogólnie lub zbyt normalizująco Zgłaszać treści, które wydają się niespójne, sfabrykowane, niejasne, niekompletne, wrażliwe lub wymagające przeglądu przez człowieka Generować konkretne notatki walidacyjne wyjaśniające, dlaczego dokument nie przeszedł przeglądu i co należy poprawić Automatycznie generować prośby o wyjaśnienia lub poprawki, gdy potrzebne są dodatkowe informacje Wspierać procesy zatwierdzania, w których dokumenty są: Automatycznie zatwierdzane, gdy spełnione są progi zaufania Kierowane do ludzkiego redaktora lub walidatora do przeglądu Zwracane do pierwotnego nadawcy w celu poprawy lub wyjaśnienia Utrzymywać pełny ślad audytu pokazujący: Pierwotne zgłoszenie Wydarzenia związane z tokenizowanymi lub maskowanymi danymi wrażliwymi Ustalenia i rekomendacje AI Treść przepisana przez AI Edytacje ludzkie Decyzje o zatwierdzeniu lub odrzuceniu Ostateczna zatwierdzona wersja Pisać zatwierdzoną i zwalidowaną treść z powrotem na platformę źródłową za pośrednictwem integracji API Rola wymaga również zbudowania edytora i procesu podejmowania ostatecznych decyzji. Ludzkie osoby przeglądające powinny mieć możliwość inspekcji ustaleń AI, porównania oryginalnej i poprawionej treści, dokonywania edycji, zatwierdzania zmian, odrzucania rekomendacji i finalizowania dokumentu przed jego wysłaniem dalej. Idealne doświadczenie obejmuje: Silne doświadczenie w integracji API Claude / Anthropic API Doświadczenie w budowaniu procesów przeglądu dokumentów, walidacji, edytowania lub zgodności zasilanych AI Silne umiejętności architektury backendowej Umiejętność pełnostackowego rozwoju Doświadczenie z integracjami API, webhookami, kolejkami, przetwarzaniem zadań i projektowaniem baz danych Umiejętność projektowania ustrukturyzowanych wyników AI, oceny zaufania, walidacji opartej na regułach i przeglądów z udziałem człowieka Doświadczenie w wykrywaniu PII, tokenizacji, maskowaniu, szyfrowaniu, kontroli dostępu i bezpiecznym przetwarzaniu danych AI Doświadczenie w budowaniu bezpiecznych śladów audytu i systemów zatwierdzania Silne zrozumienie projektowania promptów, ale także umiejętności inżynieryjnych do przekształcania promptów w niezawodny system produkcyjny Szukamy kogoś, kto już zbudował poważne aplikacje AI, a nie kogoś, kto tylko pisze prompty. Odpowiednia osoba powinna być w stanie zaprojektować architekturę, zintegrować z zewnętrznymi API, zarządzać logiką przetwarzania dokumentów, chronić wrażliwe dane, zbudować interfejs przeglądu i dostarczyć niezawodny proces, który można wykorzystać w produkcji.

Szukamy inżyniera 3D GenAI / dewelopera AI 3D Pipeline Potrzebujemy stworzyć rozwiązanie, które będzie w stanie jakościowo generować modele 3D z jednego lub kilku obrazów. Ważne, aby to nie była tylko gotowa demka, ale zrozumiały i powtarzalny proces: od wejściowego obrazu do pełnoprawnego zasobu 3D z siatką, geometrią, teksturami i możliwością dalszego wykorzystania. Co należy zrobić: - przetestować nowoczesne modele image-to-3D i podejścia; - określić, która opcja najlepiej pasuje do naszego zadania; - wykorzystać Trellis, Hunyuan3D lub podobne rozwiązania; - w razie potrzeby wykorzystać Gaussian Splatting w 3D-pipeline; - dostosować konwersję Gaussian Splat / reprezentację splat do 3D mesh; - uzyskać użyteczną geometrię; - wygenerować tekstury wysokiej jakości; - doprowadzić wynik do stanu użytecznego zasobu 3D; - dobrać optymalny balans między jakością, szybkością generacji a złożonością pipeline'u; - zbudować zrozumiały proces, który będzie można powtarzać dla różnych obrazów; - wykonać fine-tuning, LoRA lub inne adaptacje modeli pod konkretny typ obiektów.