Najlepsze prace freelancerów z kategorii AI i uczenie maszynowe na Freelancehunt - przykłady wykonanych przez freelancerów w Polsce prac ― strona 2

Switch to English version?

Yes

Переключитись на українську версію?

Так

Переключиться на русскую версию?

Да

Przełączyć się na polską wersję?

Tak

Zaloguj się
Rejestracja
- Witamy na Freelancehunt
  
  Pracuj bez ryzyka, oszczędzaj czas i pieniądze
  
  Zaloguj się Rejestracja

Automatyzacja diagnostyki budynków architektonicznych

AI i uczenie maszynowe

Oprogramowanie do wykrywania wad architektonicznych konstrukcji na obrazach. W tym artykule opisuje się architektura i proces wdrażania metod uczenia się maszynowego do klasyfikacji obrazu.

serhiy-andrejev
18 583 PLN
wykrywanie i klasyfikacja owadów

AI i uczenie maszynowe

Informacje o Koppert Biological Systems
Algorytm wykrywania złodziei owiec
Algoritm klasyfikacji owadów
Analiza i kontrola wzrostu według rodzajów owadów

webitalex
78 050 PLN
Granita Analiza & Segmentacja & Klasyfikacja

AI i uczenie maszynowe

Kompleksowy system automatyzacji produkcji marmuru.
Opracowanie modelu wykrywania na pasku i klasyfikacji płyty marmurowej.
Automatyczna kalibracja kamery i pomiary parametrów płyty (klasyfikacja typów, pomiary rozmiarów), ocena kontury i anomalii.
Segmentacja obrazu, układ wirtualnych tło.
… Wprowadzenie systemu do eksploatacji na 4 produkcjach we Włoszech i Austrii.
Ogólny rodzaj :
HTTPS://youtu.be/juHldd5llHg

Punkty techniczne :
HTTP://pot.pp.ua/video/granitev3.m4v

webitalex
9292 PLN
FaceID: Face detection i identyfikacja twarzy

AI i uczenie maszynowe

Biblioteka Python i C++ do wykrywania i rozpoznawania osób.

Ciągły przed szkoleniem modelu w procesie rozpoznawania.

… Wideo jest dostępne w portfelu w sekcji podsumowania!
HTTPS://www.youtube.com/watch?v=P45HTL08IaM

Detekcja twarzy 0,04 ~ 0,1 sec/frame
Funkcje uczenia się każdej twarzy ~0,2 sec/face on avr CPU
Rozpoznawanie twarzy:
High accuracy more then 97,5%, wrażliwość ~ 75%
Bardzo szybkie wyszukiwanie w bazie danych twarzy (500k twarzy na sekundę)
Live learning w procesie rozpoznawania

webitalex
74 PLN
Tworzenie własnej postaci z sztuczną inteligencją

AI i uczenie maszynowe

Cel: Unikalna dziewczyna z sztuczną inteligencją z dwóch grup etnicznych (bez rzeczywistej osoby, bez LoRA).

Rozwiązanie: Połączyłam dwa zdjęcia za pomocą Seedream AI. Dostosowałam podpowiedzi do połączenia cech twarzy. Wybrałam najlepszy wynik + retusz w Photoshopie.

… Moja rola: Podpowiedzi, kierownictwo artystyczne, postprodukcja.

Umiejętności: Generacja sztucznej inteligencji (Seedream, Flux), inżynieria podpowiedzi, Photoshop.

Wynik: Unikalna hiperrealistyczna postać kobieca. Gotowa do użycia przez markę/komercję.

#model #AI-treść #ai #człowiek #realizm

anastasiia_nesprava
5575 PLN
Fabryka treści 2.0: system AI do generowania wirusowej treści

AI i uczenie maszynowe

Został opracowany kompleksowy system automatyzacji marketingu treści, który pozwala na znajdowanie wirusowych treści, ich analizowanie, generowanie scenariuszy i automatyczne przygotowywanie wideo do publikacji. Rozwiązanie łączy zbieranie danych, analizę AI i produkcję treści w jedną zarządzaną system przez Google Sheets i Telegram.

Jak działa rozwiązanie:

… Użytkownik zadaje zapytanie lub dodaje autora do Google Arkusza i uruchamia proces.
System automatycznie zbiera wideo z Instagrama, TikToka, YouTube Shorts i YouTube według zadanych parametrów.
Wszystkie znalezione wideo są strukturyzowane według platform z metrykami: wyświetlenia, polubienia, komentarze, zaangażowanie.
Użytkownik wybiera potrzebne wideo i uruchamia tworzenie scenariusza.
System wydobywa audio/wideo i dokonuje rzeczywistej transkrypcji przez Whisper.
Na podstawie transkryptu AI generuje 3–5 wariantów scenariuszy z uwzględnieniem wirusowej struktury (hook → utrzymanie → insight → CTA).
Gotowe scenariusze automatycznie zapisują się w osobnej zakładce Google Sheets.
Dodatkowo zrealizowano moduł produkcji wideo:
generacja wideo przez HeyGen (AI-avatar)
lub obróbka nagranego wideo (czyszczenie mowy, napisy, montaż, wstawki)
Ostateczny wynik jest wysyłany do Telegramu lub zapisywany w chmurze do publikacji.

Kluczowe korzyści dla biznesu:

Szybkie tworzenie treści bez zespołu
System pozwala generować dziesiątki scenariuszy i wideo bez udziału scenarzystów, montażystów i analityków. To znacznie obniża koszty treści.
Treści oparte na rzeczywistych trendach
Tworzysz nie „na ślepo”, ale na podstawie już wirusowych wideo. To znacznie zwiększa prawdopodobieństwo trafienia w rekomendacje i wzrostu zasięgów.
Przyspieszenie produkcji treści
Zamiast kilku dni na jeden film — otrzymujesz gotowe scenariusze i wideo w ciągu godzin. To krytyczne dla mediów społecznościowych, gdzie ważna jest szybkość.
Systemowe podejście do treści
Cały proces jest zorganizowany: od pomysłu do publikacji. To pozwala na skalowanie treści i budowanie stabilnego lejka pozyskiwania klientów.
Wzrost zaangażowania i konwersji
Scenariusze są budowane według sprawdzonych wirusowych mechanizmów, co zwiększa utrzymanie publiczności i zwiększa liczbę zgłoszeń/leadów.
Pełna kontrola przez jeden system
Google Sheets pełni rolę centrum zarządzania, a Telegram — jako szybki interfejs uruchamiania. To sprawia, że system jest prosty i wygodny w użyciu.

Podsumowanie:
Ten system przekształca tworzenie treści z chaotycznego procesu w zarządzany i skalowalny system. Biznes zyskuje stabilny strumień pomysłów, scenariuszy i wideo, które są już od samego początku ukierunkowane na wynik — wzrost zasięgów, zaangażowania i sprzedaży.

#AI #AIAgent #AIAssistant #Automatyzacja #AutomatyzacjaTreści #n8n #Makecom #GPT #OpenAI #Whisper #HeyGen #TikTok #Instagram #YouTube #Shorts #Reels #SMM #MarketingTreści #AutomatyzacjaBiznesu

d4rk51d3n
497 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

Glovinskiy
25 PLN
Szybkie tworzenie treści Shi

AI i uczenie maszynowe

Szybko tworzę wideo na wasz temat)

anastasia_khuhaieva
2069 PLN
Autoposting w 16+ sieciach społecznościowych na bazie n8n

AI i uczenie maszynowe

Zadanie
Należało zautomatyzować regularne autopostowanie treści w mediach społecznościowych, aby nie zajmować się ręcznym ładowaniem postów codziennie. Ważne było, aby pobierać treści z tabeli/dysku, sprawdzać, czy post nie został jeszcze opublikowany, dostosowywać do różnych platform i mieć przejrzystą historię wykonania.

Rozwiązanie
… Zebrano wieloetapowy workflow w n8n, który uruchamia się według harmonogramu (Schedule Trigger) i przechodzi pełny cykl od pobierania postów do ich publikacji. Na początku skrypt pobiera listę zaplanowanych postów z tabeli/Google Sheets, filtruje wpisy według daty publikacji i statusu, a także sprawdza obecność plików multimedialnych w chmurze. Następnie skonfigurowano rozgałęzienie: dla każdego posta tworzone są osobne gałęzie dla różnych platform (na przykład LinkedIn, Facebook, Instagram), gdzie odbywa się formatowanie tekstu, dodawanie znaczników UTM i ładowanie obrazów. Na końcowych węzłach podejmowana jest decyzja o publikacji: n8n wysyła post do odpowiedniego API mediów społecznościowych, zmienia status posta w tabeli na „opublikowany” i loguje wynik wykonania (sukces/błąd) do dalszej analizy.

Wynik
Plan treści zaczął być realizowany całkowicie automatycznie — wystarczy dodać nowy wpis do tabeli, a post trafia do kolejki autopostowania według ustalonego harmonogramu. Zespół przestał tracić czas na ręczną publikację, a ryzyko „zapomnienia o opublikowaniu” konkretnego materiału zmniejszyło się praktycznie do zera. Wszystkie posty mają teraz jednolitą strukturę, poprawne linki i znaczniki UTM, a dzięki logom w n8n łatwo można śledzić, co dokładnie zostało opublikowane i gdzie mogły wystąpić błędy.

W liczbach
- 1 uniwersalny workflow w n8n zamyka autopostowanie od razu na kilku platformach.
- Do 90% rutynowych operacji związanych z publikacją postów zostało przeniesionych w tryb automatyczny.
- Oszczędność do 10 godzin tygodniowo na ręcznym ładowaniu i formatowaniu treści.
- 100% zaplanowanych postów wychodzi zgodnie z planem treści, bez pominięć z powodu czynnika ludzkiego.

Oleh_marechko
17 PLN
Wizualizacja mebli, które produkujemy

AI i uczenie maszynowe

Wizualizacja miękkiego fotela dla dzieci

Taras_Radchuk
Rycerz

AI i uczenie maszynowe

Animacja reklamowa

Kritt
1301 PLN
System AI do optymalizacji przemysłowych akumulatorów baterii

AI i uczenie maszynowe

Opracowano inteligentny system zarządzania przemysłowymi akumulatorami (400 kW·h) z wykorzystaniem sztucznej inteligencji Google Gemini w celu maksymalizacji zysku z arbitrażu energii elektrycznej na rynku "dzień przed" (RDN).

Zadanie biznesowe
Klient miał przemysłową baterię SmartLogger 3000C01 o mocy 400 kW·h, ale zarządzał nią ręcznie. Należało stworzyć zautomatyzowany system, który:
…
Analizuje godzinowe ceny energii elektrycznej na RDN (rynek "dzień przed")
Uwzględnia rzeczywiste zużycie przedsiębiorstwa
Tworzy optymalny harmonogram ładowania/rozładowania
Maksymalizuje zysk ze sprzedaży energii elektrycznej
Realizacja techniczna
Stos technologii:

Python 3.x (Flask, SQLite)
Google Gemini AI API (gemini-2.0-flash-exp)
Integracja API SOAP (SmartLogger)
REST API (OREE - rynek energii elektrycznej)
Cron do automatyzacji
Parsowanie Excela (dane historyczne zużycia)
Architektura systemu:

Moduł zbierania danych:

Integracja z OREE API w celu uzyskania cen RDN na następny dzień
Parsowanie danych historycznych zużycia z Excela (KWT.xls)
Odczyt bieżącego stanu baterii przez SOAP API SmartLogger
AI-optymalizator (rdzeń systemu):

Opracowanie specjalizowanego promptu dla Gemini z krokowym algorytmem
Analiza 24-godzinnego okna z uwzględnieniem:
Godzinowych cen energii elektrycznej (zł/kW·h)
Prognozowanego zużycia przedsiębiorstwa
Technicznych ograniczeń baterii (szybkość ładowania/rozładowania)
Progu ROI (minimalna marża 3 zł/kW·h)
Wsparcie dla optymalizacji multi-cycle (szczyty poranne + wieczorne)
Adaptacyjne rozładowanie zgodnie z rzeczywistym zużyciem
Moduł wykonawczy:

Automatyczne wykonywanie harmonogramu przez SOAP API
Godzinowy monitoring i korekty
Logowanie wszystkich operacji
Powiadomienia Telegram o statusie
Interfejs webowy (Flask):

Dashboard z wizualizacją wykresów pracy
Historia operacji i zysków
Ustawienia parametrów systemu
Uwierzytelnianie i kontrola dostępu
Wyniki
Osiągnięcia techniczne:

Zwiększenie godzin rozładowania z 2 do 10 na dobę
Wzrost zysku o 11% (z 2,874 do 3,198 zł/dzień)
Automatyzacja 100% rutynowych operacji
Dokładność prognoz zużycia 95%+
Efekt ekonomiczny:

Prognozowany miesięczny zysk: ~96,000 zł
ROI systemu: zwrot z inwestycji w 2-3 miesiące
Oszczędność czasu klienta: 2-3 godziny dziennie
Kluczowe rozwiązania techniczne
Integracja z AI:

Opracowanie specjalizowanego promptu z krokowym algorytmem
Tryb JSON dla gwarantowanej struktury odpowiedzi
Mechanizm zapasowy w przypadku niedostępności AI
Optymalizacja zużycia:

Analiza danych historycznych z poprzedniego tygodnia
Uwzględnienie dziennego harmonogramu pracy przedsiębiorstwa
Dynamiczna adaptacja mocy rozładowania
Niezawodność:

Mechanizm ponownego próbowania dla zapytań API (do 10 prób)
Scenariusze zapasowe w przypadku awarii połączenia
Szczegółowe logowanie wszystkich operacji
Automatyzacja:

Zadanie Cron do codziennej prognozy (00:00)
Godzinowe zbieranie statystyk i wykonywanie poleceń
Nieprzerwana praca 24/7
Złożoność realizacji
Integracja API: SOAP (SmartLogger), REST (OREE), AI (Gemini)
Algorytmy: optymalizacja multi-cycle, programowanie dynamiczne
Wdrożenie: serwer produkcyjny z SSH, ustawienia cron
Testowanie: testy lokalne, walidacja produkcji, porównania A/B
Unikalność projektu
Hybrydowe podejście: AI + zasady logiki biznesowej
Adaptacyjność: system uwzględnia rzeczywiste zużycie, a nie teoretyczne maksima
Optymalizacja multi-cycle: częściowe cykle w celu maksymalizacji zysku
Gotowość do produkcji: pełna automatyzacja z minimalnym zaangażowaniem operatora
Umiejętności zastosowane w projekcie
Integracja Python AI/ML Google Gemini API SOAP/REST API Flask SQLite Automatyzacja Cron Parsowanie Excela Wdrożenie produkcyjne Administracja Linux Optymalizacja algorytmów Analiza danych Przemysłowy IoT

Czas trwania projektu: 2 tygodnie
Rola: programista full-stack + integracja AI
Status: uruchomiono w produkcji, działa autonomicznie

maciborka