Starszy programista backendowy / inżynier AI dla platformy interaktywnej w czasie rzeczywistym

Cześć. Z opisu widzę, że to nie jest "jednorazowa poprawka", a zadanie, w którym ważna jest normalna logika i aby rozwiązanie później nie zawaliło się w eksploatacji. Zacząłbym od głównego: rozważamy specjalistów z doświadczeniem w skomplikowanych systemach backendowych i AI. Co do realizacji: integracje i wymiana danych powinny być zbudowane tak, aby były idempotentne, weryfikowalne i bez "cichych" błędów; część real-time budowałbym przez przewidywalny przepływ zdarzeń, a nie przez kruchą hakowanie na froncie. Relewantne doświadczenie: budowałem end-to-end automatyzację i pipeline'y integracji API: zbieranie danych, filtracja, wzbogacanie, powiązania CRM i niezawodna logika biznesowa. Co do terminów: orientacyjnie 7 dni. Co do budżetu: 300 — po krótkim doprecyzowaniu wymagań powiem dokładnie, ale w takim porządku. Jeśli chcesz — mogę w pierwszej wiadomości przedstawić krótki plan realizacji i od razu pokazać, gdzie można zaoszczędzić czas/pieniądze bez utraty jakości.

Pokaż oryginał

Przetłumacz

Zapoznałem się z opisem twojego projektu i jestem gotów przedstawić ci szczegółowy plan pracy oraz profesjonalny obraz projektu, dostosowany do twoich potrzeb. Proszę jednak, aby wysyłka odbywała się wyłącznie przez platformę, aby chronić ekskluzywność mojej pracy i zapewnić, że nikt inny nie skorzysta z mojego wysiłku. Współpracując ze mną, otrzymasz uporządkowany, zorientowany na wynik plan, oparty na nowoczesnych praktykach i gwarantujący wymierny efekt. Jestem pewien, że ta współpraca przyniesie ci klarowność i efektywność, których szukasz.

Pokaż oryginał

Przetłumacz

Można zaproponować etapowe podejście: najpierw sprint odkrywczo-architektoniczny, następnie MVP, a potem pełna implementacja. MVP: 8-12 tygodni, orientacyjnie 600-900 godzin, 25k-45k dolarów w zależności od składu modułów CV i wymagań dotyczących wideo/obciążenia. Pełny projekt: 4-6 miesięcy, 1400-2200 godzin, orientacyjnie 70k-140k dolarów+. Pierwszy wynik najlepiej zarejestrować jako architekturę techniczną, prototyp pipeline'u wideo + przetwarzanie zdarzeń oraz minimalne API dla logiki gry.

Pokaż oryginał

Przetłumacz

Witam! Mam doświadczenie w budowaniu systemów opartych na zdarzeniach oraz integracji AI w produkcji. Realizuję odporną na awarie architekturę backendową (Node.js/Go + Python do CV) z przesyłaniem wideo w czasie rzeczywistym.

Mój plan:
MVP (strumień wideo + detektor AI + podstawowe API): ~120-150 godzin, 3-4 tygodnie.
Full (API zakładów, Provably Fair, skalowanie, logowanie): ~300+ godzin, 2-3 miesiące.

Jestem gotów zaprojektować skalowalną infrastrukturę pod wysokie obciążenia. Zakres kosztów i szczegółowy skład MVP omówimy na czacie!

Pokaż oryginał

Przetłumacz

Cześć! Projekt wygląda bardzo interesująco, szczególnie ze względu na połączenie backendu w czasie rzeczywistym, AI/CV oraz architektury opartej na zdarzeniach. Mam doświadczenie w tworzeniu systemów backendowych w Pythonie, pracy z integracjami AI, usługami w czasie rzeczywistym, Docker/Kubernetes, WebSocket/pipeline'ami zdarzeń, a także API produkcyjnymi i systemami automatyzacji.

Widziałbym optymalne podejście do stosu:

Backend: Python + FastAPI / architektura asynchroniczna
Warstwa w czasie rzeczywistym: WebSockets / Redis Streams / Kafka (w zależności od obciążenia)
AI/CV: YOLO / OpenCV / PyTorch / ONNX Runtime
Pipeline wideo: FFmpeg + asynchroniczni pracownicy
Infrastruktura: Docker + Kubernetes
… Przechowywanie: PostgreSQL + Redis + przechowywanie zgodne z S3
Przetwarzanie zdarzeń: architektura oparta na zdarzeniach przez kolejki/pub-sub
Monitorowanie: Prometheus + Grafana + scentralizowane logowanie

Dla logiki zakładów/gier można również wydzielić osobno:

usługę udowadniającą uczciwość;
procesor zdarzeń gier;
pipeline analityczny;
serwis powtórek/mediów.

Co bym zaproponował dla MVP:

MVP może obejmować:

podstawową architekturę backendu;
ingest strumienia wideo;
pipeline detekcji/liczenia AI;
API zdarzeń w czasie rzeczywistym;
aktualizacje WebSocket;
podstawowy system logowania;
autoryzację;
minimalny panel administracyjny/debug;
przygotowaną architekturę skalowalną.

Ocena MVP:
koszt: zależy od ostatecznego zakresu i części AI.

Pełny projekt:

pełnoprawna architektura rozproszona;
skalowanie;
media powtórek/przechowywania;
zaawansowana analityka;
tolerancja na błędy;
udowodniona uczciwość;
monitorowanie produkcji;
optymalizacja pod obciążeniem;
obsługa przypadków brzegowych;
CI/CD + infrastruktura wdrożeniowa.

Ocena pełnego projektu:
Aby uzyskać dokładniejszą ocenę, warto zrozumieć:

jakie dokładnie zadania CV są potrzebne (śledzenie, liczenie, rozpoznawanie akcji itp.);
oczekiwaną liczbę równoczesnych strumieni/użytkowników;
czy istnieje już UI/frontend;
jaka jest oczekiwana latencja;
wdrożenie w chmurze/lokalnie;
jakie modele AI zostały już wybrane;
czy potrzebny jest klaster do inferencji GPU.

Interesuje mnie również:

czy to przetwarzanie strumieni na żywo, czy pipeline oparty na przesyłaniu;
jakie dokładnie mechaniki zakładów/gier są planowane;
czy potrzebna jest warstwa wykrywania oszustw/anomalii.

Jestem gotów omówić architekturę, zaproponować optymalny pipeline i pomóc zaprojektować system tak, aby można go było skalować bez pełnego refaktoryzowania w przyszłości.

Pokaż oryginał

Przetłumacz

Dzień dobry.

Z opisu wynika, że to backend + pipeline CV na strumieniu wideo, plus logika gry z provably fair i event-driven obwódką. Chcę najpierw wyjaśnić kilka kwestii, aby ocena była realistyczna.

1) Skąd strumień wideo: jedno źródło na instancję czy N równoległych strumieni? Co wewnątrz detekcji — gotowy model (YOLO / Roboflow) czy własny? Jaki opóźnienie jest akceptowalne na zdarzenie (sub-100ms / 200-500ms / 1s)?

2) Provably fair — potrzebny standardowy schemat z server-seed/client-seed/nonce czy własny? To jest krytyczne dla oceny czasu.

3) Ile jednoczesnych użytkowników planowane jest na MVP i w pełnej wersji. Od tego zależy, czy potrzebny jest Redis pub/sub + poziome skalowanie od razu, czy wystarczy jeden węzeł na MVP.
…
Co do stacku mogę zaproponować: Python (FastAPI / async), PostgreSQL, Redis do pub/sub i rate-limit, ffmpeg do cięcia/przepakowywania, OpenCV do wstępnego przetwarzania klatek, oddzielny worker do detekcji (opcjonalnie gRPC-stream, jeśli będzie dużo modeli). Przechowywanie — zgodne z S3 (MinIO lub AWS).

Odpowiedz na powyższe punkty — prześlę osobno wycenę na MVP (co wchodzi, godziny) i pełną wersję (godziny).

Matwiej

Pokaż oryginał

Przetłumacz

Cześć! 👋
Jestem profesjonalnym programistą webowym z ponad 7-letnim doświadczeniem w tworzeniu 🚀
Posiadam głęboką wiedzę i duże praktyczne doświadczenie w pracy z nowoczesnymi technologiami webowymi, w tym:
⚙️ HTML, CSS, JavaScript, PHP, Laravel, CodeIgniter, Yuii2, CakePhp, Symphony
✅ Wordpress, Shopify, WooCommerce, OpenCart, PrestaShop, Magento, Webflow, Weblium
🐍 Python (Django, Flask)
🟢 NodeJS
🧩 React JS, Vue JS, Angular
🗄 MySQL, PostgreSQL
… 🔧 Git, REST API i integracje
🧠 Ostatnie projekty:
🔗 https://omgfirms.com/
🔗 https://homenly.com/
🔗 https://domainsforequity.com/
🔗 https://novobudova.pro/
🔗 https://confidence-tech.com/
🔗 https://youeasystart.com/
🔗 https://ukrfix.com/
🔗 https://crazyprice-carpets.co.uk/
🔗 https://stxtrade.com/
🔗 https://aquahub.org.ua
🔗 https://boostylabs.com
🔗 https://ol.zp.ua/
🔗 https://smt-industry.com/
🔗 https://butams.com
🔗 http://han.2doweb.org/
🔗 https://emporio-sports.cz
✅ Gwarantujemy szybkie i jakościowe wykonanie zadań
🔌 Integracja zewnętrznych API i usług
🤝 Elastyczna współpraca i odpowiedzialne podejście
Zawsze jesteśmy gotowi zrealizować Twoje pomysły 💡 i przekształcić je w udane, skalowalne rozwiązania webowe 🌐🔥
Będę zadowolony z współpracy! 😊

Pokaż oryginał

Przetłumacz

Cześć!
Zainteresował mnie Twój projekt — analiza wideo w czasie rzeczywistym z modułami AI/CV i logiką gry. To dokładnie to przecięcie architektury backendowej i integracji AI, w którym pracuję.
Krótko o sobie: programista Node.js/TypeScript z ponad 2-letnim doświadczeniem w budowaniu systemów API-first i event-driven. Projektowałem pipeline'y ETL, pracowałem z BullMQ/Redis do asynchronicznych kolejek. Ostatni duży projekt — produkcyjny multi-model AI Agent, zintegrowany z Electron CRM: 5 dostawców LLM (OpenAI GPT-4o, Gemini 2.5 Flash, DeepSeek, Grok/xAI, Ollama), orkiestracja agentów, użycie narzędzi / wywoływanie funkcji. Używam Pythona do agentów AI i skryptowania.
Co mogę zrealizować w Twoim projekcie:
— architektura backendowa na NestJS / Node.js + Python dla części CV
— integracja modułów AI/CV (YOLO / OpenCV) przez warstwę API
— przetwarzanie zdarzeń oparte na zdarzeniach: Redis pub/sub + BullMQ
— REST/WebSocket API dla logiki gry
— system logowania i przetwarzania edge-case'ów
… — skalowalna infrastruktura (Docker, PM2, podstawy CI/CD)
Gdzie będę szczery: nie mam bezpośredniego doświadczenia z pipeline'ami strumieni wideo (RTSP, FFmpeg, WebRTC) i platformami zakładów — to nowe obszary, które jestem gotów zgłębiać w ramach projektu. Ramy CV (YOLO i podobne) znam koncepcyjnie przez pracę z agentami AI.
MVP (rdzeń backendu + podstawowa integracja AI + API):
- Co wchodzi: architektura backendowa, podłączenie 1–2 modułów CV (detekcja/liczenie), REST API dla logiki gry, podstawowe logowanie, środowisko Docker
- Terminy: ~6–8 tygodni
- Godzin: ~200–280 h
- Koszt: 3000 – 4200 USD (stawka ~15 USD/h)
Pełny projekt:
- Co wchodzi: pełna analiza wideo w czasie rzeczywistym, skalowalna infrastruktura, mechaniki provably fair, przechowywanie/odtwarzanie mediów, odporność na awarie
- Terminy: ~4–6 miesięcy
- Godzin: ~600–900 h
- Koszt: 9000 – 13500 USD
Jestem gotów omówić szczegóły, doprecyzować zakres i skorygować wycenę pod Twoje konkretne wymagania.
Ruslan Zotsenko

Pokaż oryginał

Przetłumacz

Dzień dobry, piszę w imieniu firmy Devoxen. Specjalizujemy się w skomplikowanych systemach backend/AI, analizie w czasie rzeczywistym oraz architekturze highload. Mamy duże doświadczenie w Computer Vision, pipeline'ach strumieniowych wideo, systemach opartych na zdarzeniach, integracji AI w produkcji oraz skalowalnej infrastrukturze chmurowej.

W zakresie technicznym możemy zrealizować architekturę backendową, przetwarzanie strumieni wideo w czasie rzeczywistym, detekcję/liczenie/rozpoznawanie zdarzeń, API dla logiki gry, przetwarzanie zdarzeń, przechowywanie/odtwarzanie mediów oraz infrastrukturę odporną na awarie pod jednoczesne obciążenie użytkowników. Pracujemy również z Pythonem, Go, Node.js, frameworkami CV, stosem strumieniowym oraz pipeline'ami AI dla środowiska produkcyjnego.

Wstępne MVP można zrealizować w formacie podstawowego pipeline'u w czasie rzeczywistym z modułami AI, API, logowaniem i minimalną logiką gry. Pełny projekt będzie wymagał pełnoprawnej skalowalnej infrastruktury, zaawansowanej analityki, odporności na awarie oraz rozszerzonego przetwarzania AI. Dokładną wycenę kosztów, terminów i godzin możemy podać po omówieniu architektury, oczekiwanego obciążenia i wymagań funkcjonalnych.

Możemy to zrobić bez zbędnych pytań i strat czasowych. Dajemy również gwarancję i na życzenie wsparcie. Będziemy mogli zająć się Twoim projektem od razu po omówieniu specyfikacji.

Proponuję przejść do wiadomości prywatnych w celu bardziej szczegółowej rozmowy.

Pokaż oryginał

Przetłumacz

ponad 7 lat doświadczenia w backend-developmencie i ponad 3 lata w projektach z AI/CV oraz systemami czasu rzeczywistego. Specjalizuję się w tworzeniu rozwiązań o wysokim obciążeniu dla branży gier i zakładów, w tym przetwarzaniu wideo w czasie rzeczywistym, wykrywaniu zdarzeń i mechanikach provably fair. Będę zadowolony z współpracy.

Pokaż oryginał

Przetłumacz

Dzień dobry.

Przeczytałem specyfikację. Platforma z przetwarzaniem wideo w czasie rzeczywistym, analizą CV, mechaniką provably fair i skalowalną infrastrukturą dla jednoczesnych użytkowników. Poważny projekt, traktujemy go poważnie.

Zgodnie z naszym profilem.

Backend i integracje AI w produkcji to nasz codzienny stos technologiczny. Relewantne przypadki z portfolio:

BrandSync AI z GPT-4 i pipeline Whisper przez BullMQ i Redis do przetwarzania treści w czasie rzeczywistym.
…
Winbix, nasza platforma agentów AI multi-tenant w produkcji z płacącymi klientami, doświadczenie w skalowalnej architekturze.

MemHash, Telegram Mini App z on-chain ekonomią na TON, obsługuje 8k jednoczesnych użytkowników z aktualizacjami w czasie rzeczywistym przez WebSocket. To bezpośrednie doświadczenie systemów real-time pod obciążeniem.

BotFusion SaaS chatbotów z integracjami w 19 platformach, doświadczenie w budowaniu skalowalnych usług z architekturą opartą na zdarzeniach.

W zakresie Computer Vision. Rozumiemy stos YOLO, OpenCV, MediaPipe, pracowaliśmy nad zadaniami detekcji i klasyfikacji. Dla specyfiki wideo na żywo z detekcją, liczeniem, rozpoznawaniem zdarzeń w produkcji jesteśmy gotowi wzmocnić zespół odpowiednim inżynierem CV do tego projektu, aby nie było słabego ogniwa.

Podejście techniczne:

Python z FastAPI dla AI-pipeline i logiki backendu.

Node.js dla logiki gry w czasie rzeczywistym, jeśli potrzebna jest niska latencja na warstwie opartej na zdarzeniach.

Redis jako bus zdarzeń i pub/sub między usługami.

PostgreSQL jako główna baza danych, ClickHouse, jeśli będą analityczne zapytania dotyczące dużych ilości logów.

Magazyn zgodny z S3 dla mediów, FFmpeg do przetwarzania strumieni wideo.

Infrastruktura chmurowa przez AWS lub GCP z auto-skalowaniem pod szczytowe obciążenie, Kubernetes do orkiestracji.

Provably fair realizujemy przez standardowy schemat commit-reveal z server seed, client seed i HMAC. Możemy powiązać z weryfikacją on-chain, jeśli potrzebna jest publiczna kontrola wyników.

Przed głównym kontraktem jesteśmy gotowi stworzyć proof-of-concept kluczowego modułu: podstawowy strumień wideo plus jeden model CV plus generator provably fair. To pokaże rzeczywisty poziom wykonania przed podpisaniem.

Portfolio: quentar.space/en/startups

Czekam na wiadomości prywatne, omówimy szczegóły.

Pokaż oryginał

Przetłumacz

Dzień dobry, mam doświadczenie w pracy z Pythonem oraz botami Telegram, mogę wszystko wykonać szybko i jakościowo, piszcie, omówimy szczegóły

Pokaż oryginał

Przetłumacz

Cześć.\nOd razu do rzeczy - mam działający kod dla każdego bloku twojego zadania.\nCo do CV: robiłem table_detector dla Dodo Pizza - YOLOv8 na wideo z kamery monitorującej, automat stanów, określenie obecności przez IoU, ochrona przed fałszywymi alarmami, testy, Docker. Nie znam się na YOLO - oto repozytorium, zobacz sam: github.com/vitalivo/table_detector\nCo do rzeczywistego czasu: FleetTrack - Kafka w WebSocket dashboardach, żywe aktualizacje, architektura oparta na zdarzeniach.\nProvably fair robiłem przez commit-reveal z HMAC i publiczną weryfikacją seed - wprowadzam to od pierwszego dnia, nie dodaję później.\nArchitektura, którą widzę: wideo trafia do workerów z YOLO, publikują one zorganizowane zdarzenia w Kafka, dalej silnik zakładów i aktualizacje WebSocket dla użytkowników. Workerzy CV są izolowani - model można zmieniać nie dotykając reszty.\nMVP (1 strumień, podstawowa detekcja, API zdarzeń, kontur zakładów): 3 tygodnie, 4500 dolarów.\nFull (multi-stream, pełny silnik zakładów, provably fair, odporność na awarie, automatyczne skalowanie): 3 miesiące, 15000 dolarów.\nJeśli jesteś zainteresowany - napisz, omówimy szczegóły.\ngithub.com/vitalivo

Pokaż oryginał

Przetłumacz

Cześć! Zapoznając się z Twoim projektem, jestem gotów przystąpić do jego realizacji. Porozmawiajmy o szczegółach, aby osiągnąć najlepszy rezultat.

Pokaż oryginał

Przetłumacz

Witamy! Jesteśmy zespołem z 4-letnim doświadczeniem w zakresie kompleksowego rozwoju stron internetowych i inżynierii systemowej. Jesteśmy gotowi wzmocnić Twój projekt ekspertyzą na poziomie Senior Backend Developer w zakresie projektowania, optymalizacji i skalowania architektury serwerowej. Posiadamy szeroki stos technologii (Python, PHP, C#) i koncentrujemy się na tworzeniu czystego, wydajnego kodu, budowaniu stabilnych API oraz optymalizacji pracy z bazami danych przy wysokich obciążeniach.

Pracujemy w metodologii Agile, piszemy jasno udokumentowany kod, pokryty testami. Jesteśmy gotowi zapoznać się z architekturą Twojego projektu i wykonać zadanie techniczne!

Pokaż oryginał

Przetłumacz

Dzień dobry. Jestem gotów zrealizować ten projekt, mam duże doświadczenie w tworzeniu różnych aplikacji.

Pokaż oryginał

Przetłumacz

Cześć Daniel,

Czytając między wierszami: to jest transmisja wideo na żywo (prawdopodobnie fizyczna scena lub gra), gdzie CV wykrywa zdarzenia w czasie rzeczywistym, te zdarzenia zasilają logikę zakładów, a wszystko musi być udowodnione jako uczciwe i audytowalne. Architektura jest z natury oparta na zdarzeniach, a nie z wyboru.

Gdzie jestem mocny i gdzie będę szczery:

Architektura backendu, projektowanie API, asynchroniczny Python (FastAPI), systemy oparte na zdarzeniach, Redis/Kafka do pub-sub, PostgreSQL, Docker, infrastruktura chmurowa — to moja codzienna praca. Mechaniki udowodnione jako uczciwe (commit-reveal z HMAC, seed serwera + seed klienta, publiczna weryfikacja) dobrze rozumiem z projektów związanych z kryptowalutami.

Specyficznie dla pipeline'u CV/wideo: zintegrowałem modele AI w systemach produkcyjnych i pracowałem z API inferencyjnymi, ale nie zbudowałem pełnego pipeline'u GStreamer od podstaw. Użyłbym FFmpeg do dekodowania, ONNX Runtime lub TensorRT do inferencji i zorganizowałbym to jako izolowane jednostki robocze, które publikują zorganizowane zdarzenia na głównej platformie. Jeśli potrzebujesz kogoś, kto wcześniej przetwarzał 500 godzin/dzień wideo, to nie jestem tym. Jeśli potrzebujesz kogoś, kto potrafi poprawnie zaprojektować system i uruchomić działający pipeline CV z standardowymi modelami detekcji (YOLO itp.), mogę to zrobić.
…
Przybliżony podział:

MVP (1 strumień, podstawowa detekcja/liczenie, bus zdarzeń, API zakładów z udowodnioną uczciwością, podstawowy panel administracyjny):
~180 godzin, 6 tygodni, 5,000 USD

Pełna wersja (wielostrumieniowa, zaawansowane rozpoznawanie zdarzeń, kompletny silnik zakładów, tolerancja na błędy, automatyczne skalowanie, obserwowalność, system odtwarzania):
~550 godzin, 4 miesiące, 18,000 USD

Zanim będę mógł doprecyzować te liczby: jakie jest źródło wideo (kamera IP, strumień RTMP, przeglądarkowy)? Jakie zdarzenia wykrywamy (obiekty, ludzie, konkretne działania)? I jaka jest docelowa latencja od wykrycia zdarzenia do aktualizacji dla użytkownika?

Pokaż oryginał

Przetłumacz

Ta platforma potrzebuje backendu, który utrzymuje stabilność pod obciążeniem, ponieważ analiza wideo w czasie rzeczywistym, logika w stylu zakładów i mechaniki provably fair nie wybaczają słabej inżynierii. Mogę zaprojektować i opracować backend jako system oparty na zdarzeniach, gdzie wyniki analizy wideo trafiają do czystego silnika reguł, każda decyzja jest rejestrowana, a skalowanie pozostaje przewidywalne przy nagłym wzroście liczby jednoczesnych użytkowników.

Dla wideo zazwyczaj buduję architekturę w łańcuchu: ingest → decode → inference → event aggregation → storage and playback, z wyraźnymi granicami między komponentami, aby można było wymienić modele CV lub zmienić dostawcę strumieni bez przepisywania całego stosu. Warstwa AI może działać jako oddzielne pracowniki, które publikują zorganizowane zdarzenia, na przykład liczbę wykryć i rozpoznane momenty, a główna platforma wykorzystuje te zdarzenia do zarządzania stanem gry, kursami i aktualizacjami dla użytkowników. Również wprowadzam provably fair w proces roboczy od pierwszego dnia — poprzez commit-reveal seeds i przejrzysty audit trail, aby nie trzeba było tego dodawać do gotowego systemu później.

Jednym z zapadających w pamięć pomysłów na funkcję jest Replay Proof Card dla każdego zakończonego rundy. Będzie zawierać dowód fairness seed, krótką oś czasu zdarzeń oraz link do fragmentu replay, aby wsparcie i użytkownicy mogli w kilka sekund zrozumieć, co się wydarzyło, przy czym surowe logi byłyby zachowywane do głębszego audytu.

https://live.chatbullet.com
https://app.cookiecad.com

… Ocena budżetu i terminów dla MVP: 2,000–2,500 USD, około 2–3 tygodni, około 80–120 godzin.
Ocena budżetu i terminów dla pełnego projektu: 4,000–6,000 USD, około 1–2 miesięcy, około 200–400 godzin.

Dziękuję!

Pokaż oryginał

Przetłumacz

Stos technologiczny do zadania: Python/FastAPI + Go na gorących ścieżkach, GStreamer/FFmpeg do ingestii, ONNX/TensorRT do inferencji, Kafka do szyny zdarzeń, Postgres + ClickHouse do analityki i audytu. Modele CV dobieram do konkretów — detekcja, liczenie i rozpoznawanie zdarzeń wymagają różnych optymalizacji pod kątem latencji/ dokładności.
Udowodniona uczciwość — commit-reveal z HMAC i publicznym audytem seed, robiłem.
MVP (1 strumień, podstawowa detekcja, model zdarzeń, minimalne API zakładów, pojedynczy region): 6 tygodni, ~220 godz., 8 500 $.
Pełny projekt (wielostrumieniowy, rozszerzona analityka CV, pełny silnik zakładów, udowodniona uczciwość, obserwowalność, automatyczne skalowanie, odporność na awarie): 4,5 miesiąca, ~680 godz., 24 000 $.
Od razu przejrzyście: prowadzę równolegle jeszcze jeden projekt, pod wasz zakładam 25–30 godzin w tygodniu — terminy powyżej są już z tym założeniem, nie zawiodę. Jeśli potrzebny jest pełnoetatowy fokus, powiedzcie — przeliczymy.
Przed ostateczną oceną chcę 15 minut na rozmowę: co dokładnie detekujemy, docelowy FPS, budżet latencji, typ gry. Od tego terminy mogą się przesunąć w obie strony.

Pokaż oryginał

Przetłumacz

Witam. Mam duże doświadczenie z Node.js. Jestem gotów do współpracy. Proszę o kontakt.

Pokaż oryginał

Przetłumacz