Najlepsze prace freelancerów z kategorii AI i uczenie maszynowe na Freelancehunt - przykłady wykonanych przez freelancerów w Polsce prac ― strona 5

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

290 PLN
Model sieci neuronowej dla prognoz znaczący

AI i uczenie maszynowe

Realizowana sieć neuronów dla prognozy jest znacząca według proponowanej próbki. Obejmuje się również prognozę za pomocą ekstrapolacji wyników znaczących.
Realizowano aplikację za pomocą Python 3 (biblioteka graficzna Tkinter), biblioteki Tensorflow + Keras, NumPy.
Wykresy są zbudowane za pomocą biblioteki matplotlib, na których są zbudowane punkty dwóch prognoz.
Dane są pobierane w formacie JSON, wynik jest wyświetlany na ekranie w postaci wykresów.
… Projekt został zebrany w pliku i może być rozwinięty w dowolnym otoczeniu.
#python #tensorflow #matplotlib #keras

max_bohoyavlenskiy
290 PLN
Model sieci neuronowej klasyfikacji szczegółów ESCD

AI i uczenie maszynowe

Model pracy sieci neuronowej według klasyfikacji szczegółów ESCD klasy 71 (istnieje możliwość rozszerzenia bazy roboczej), opracowany na małej próbce danych. Rozwinięty preprocesing z rozszerzeniem próbki roboczej poprzez transformacje / rozmieszczenie / powtórzenia obrazów wyjściowych.
Realizowany w Python 3 za pomocą bibliotek Tensorflow + Keras, SciPy. Doszło do stosunkowo wysokiej dokładności klasyfikacji (~80%).
#Python3 #tensorflow #keras #CNN #tkinter

max_bohoyavlenskiy
Krótko o najważniejszym

AI i uczenie maszynowe

#strona-portfela

Max_Posmashnyi
NeuroLabirynt — platforma równoległego uczenia się agentów

AI i uczenie maszynowe

To jest wysoko wydajny system uczenia się z wzmocnieniem, zbudowany wokół wieloagentowego środowiska Maze RL, zoptymalizowany pod kątem rzeczywistych obciążeń obliczeniowych i skalowania.

Projekt realizuje całkowicie wektorową symulację, w której jednocześnie uczy się dziesiątki agentów w tym samym środowisku. Architektura została specjalnie zaprojektowana, aby odejść od klasycznego podejścia single-agent i zastąpić je równoległym uczeniem się w wspólnym środowisku, co radykalnie zwiększa efektywność wykorzystania zasobów obliczeniowych.

… Każdy agent działa niezależnie, ale w ramach jednego środowiska, co pozwala modelować konkurencyjne i kolektywne zachowanie jednocześnie. System wspiera przetwarzanie wsadowe obserwacji i działań, gdzie wszyscy agenci przechodzą forward pass jedną operacją, bez N oddzielnych wywołań modelu. To daje znaczący wzrost wydajności i czyni system odpowiednim do skalowania do setek agentów.

Środowisko zbudowane jest na proceduralnej generacji skomplikowanych labiryntów z kontrolowaną entropią strukturalną: cykle, pułapki, ślepe zaułki, fałszywe ścieżki i wąskie korytarze. To tworzy bogatą przestrzeń do uczenia się, gdzie agent nie może polegać na trywialnych strategiach i musi formować stabilną politykę nawigacji.

System wspiera dynamiczną wizualizację na Pygame, gdzie jednocześnie wyświetlane są wszystkie agenty w czasie rzeczywistym, w tym ich pozycje, postęp i zebrane statystyki uczenia. W razie potrzeby wizualizacja jest wyłączana, a system przechodzi w tryb headless o wysokiej prędkości, osiągając tysiące kroków agenta na sekundę na CPU.

Uczenie oparte jest na architekturze DQN z buforem replay, siecią docelową i epsilon decay, dostosowanymi do trybu wieloagentowego. Zamiast klasycznego epizodycznego cyklu stosuje się trening krokowy w strumieniu, gdzie aktualizacje modelu odbywają się nieprzerwanie w miarę napływu doświadczeń od wszystkich agentów.

W rezultacie powstaje system, który jednocześnie jest platformą badawczą i narzędziem inżynieryjnym: demonstruje zachowanie skomplikowanych agentów RL w warunkach gęstej paralelizacji, pozwala testować strategie skalowania i wizualnie obserwować kolektywne uczenie się w czasie rzeczywistym.

W istocie to nie tylko symulator agenta, ale pełnoprawne środowisko do opracowywania i testowania stresowego algorytmów uczenia się z wzmocnieniem w scenariuszach wieloagentowych o wysokiej gęstości interakcji.

Gega_from_Kyiv
Silnik Treści AI — 30 Postów za 1$

AI i uczenie maszynowe

Pełny zamknięty system treści, który pisze w głosie marki 6 połączonych scenariuszy Make.com: INGESTIA: ładuje głos marki, punkty bólu odbiorców, wektory do Pinecone GENERACJA: zapytania do wektorów RAG, ustrukturyzowany prompt do Claude, 6 wariantów roboczych INTEGRACJA WEBHOOKÓW: zjednoczony pipeline uruchamiany z formularzy Slack lub innych scenariuszy PUBLIKACJA: przesyła zatwierdzony wariant na LinkedIn i X za pomocą Buffer FEEDBACK LOOP: zbiera metryki zaangażowania, automatycznie dodaje najlepsze posty z powrotem do Pinecone jako odniesienia stylu SPRAWDZENIE REDDIT: monitoruje subreddity w poszukiwaniu świeżych punktów bólu odbiorców, automatycznie aktualizuje język odbiorców

https://www.loom.com/share/3e08552f874f407bad4b558bd0bdf9d8

… #make.com #pinecone #claude #promptengineering #Buffer

vkarasov
Głosowy agent AI dla agencji nieruchomości (RAG)

AI i uczenie maszynowe

Zbudowałem pipeline RAG dla agenta, który autonomicznie dzwonił do klientów i doradzał im. Główna trudność to scoring i ranking retrieved-chanów w kontekście żywego połączenia: zrealizowałem query rewriting, hybrid search (słowo kluczowe + wektor), re-ranking według relewantności. Ustawiłem model embeddingowy na korpusie dokumentów o obiektach nieruchomości. Agent eskalował graniczne przypadki przez HITL.

Kir_k
Twórca okładek dla piosenek

AI i uczenie maszynowe

(Narzędzie Pinterest → Stable Diffusion XL + LoRA (Interfejs Gradio))

Narzędzie do generowania okładek dla wydania muzycznego, które upraszcza drogę od wizualnej inspiracji do gotowego projektu. Rozwiązanie łączy obrazy referencyjne z Pinteresta ze Stable Diffusion XL i LoRA w wygodnym interfejsie internetowym opartym na Gradio.

… Opracowane dla wykonawcy muzycznego: pozwala szybko znajdować wizualne referencje, dostosowywać styl i generować unikalne okładki za pomocą podejścia image-to-image na lokalnym pipeline'ie diffusion.

serenitymea
Asystent AI dla ServiceFusion: Zapytaj o oferty pracy przez czat, a nie kliknięcia

AI i uczenie maszynowe

Sytuacja
Operator serwisu polowego działający na ServiceFusion chciał, aby dyspozytorzy i pracownicy biura przestali klikać przez menu za każdym razem, gdy potrzebowali sprawdzić historię pracy klienta, otworzyć wyceny lub zobaczyć, który technik został przypisany do zadania. Zespół już korzystał z Claude do innych zadań. Oczywistym krokiem naprzód: pozwolić Claude rozmawiać bezpośrednio z ServiceFusion.

Problem
… ServiceFusion udostępnia REST API, ale asystenci AI nie mogą wywoływać go bezpośrednio. Protokół Kontekst Modelu (MCP) jest nowym standardem umożliwiającym klientom AI strukturalny dostęp do zewnętrznych narzędzi, a żaden serwer MCP nie istniał dla ServiceFusion. Zbudowanie go poprawnie oznaczało rozwiązanie trzech problemów jednocześnie:

Cykl życia tokena OAuth2. ServiceFusion używa krótkoterminowych tokenów dostępu, które wygasają i muszą być odświeżane w sposób przezroczysty, aby AI nigdy nie napotkało błędu autoryzacji w trakcie rozmowy.
Wielu najemców. Jedna instancja serwera musiała izolować dane uwierzytelniające i wywołania API dla wielu firm, z każdą mającą swoje własne konto ServiceFusion.
Samodzielna rejestracja. Operator nie chciał konfigurować każdego nowego najemcy ręcznie.
Rozwiązanie
Zbudowałem serwer MCP dla wielu najemców w Node.js i TypeScript, który znajduje się pomiędzy klientami AI (Claude, Cursor, ChatGPT) a ServiceFusion. Udostępnia 13 strukturalnych narzędzi obejmujących podstawowe encje, z których rzeczywiście korzystają dyspozytorzy: klienci, zadania, wyceny, technicy i sprzęt.

Serwer obsługuje dwie niezależne warstwy OAuth2. Jedna uwierzytelnia przychodzące klientów AI do serwera MCP. Druga zarządza własnymi tokenami ServiceFusion serwera, w tym automatycznym odświeżaniem z blokadą współbieżności, aby jednoczesne żądania nigdy nie wywoływały podwójnych odświeżeń.

Wszystkie wrażliwe dane uwierzytelniające (identyfikatory klientów, sekrety, tokeny) są szyfrowane w spoczynku za pomocą AES-256-GCM w Supabase PostgreSQL. Nowi najemcy rejestrują się samodzielnie przez REST API, potwierdzają za pomocą OTP i dostarczają swoje dane uwierzytelniające ServiceFusion do aktywacji. Brak ręcznej pracy operatora przy rejestracji.

Lekki panel administracyjny pozwala operatorowi przeglądać wykorzystanie na najemcę, dostosowywać limity prędkości oraz aktywować lub dezaktywować konta.

Stos technologiczny: Node.js 20, TypeScript, @ modelcontextprotocol/sdk, Express, Supabase (PostgreSQL), szyfrowanie AES-256-GCM, Zod, Winston, Docker, nginx, Let's Encrypt

Wyniki
13 narzędzi MCP działa w obszarze klientów, zadań, wycen, techników i sprzętu
Brak ręcznej konfiguracji dla najemcy. Samodzielna rejestracja OTP i proces aktywacji
Przezroczysty OAuth2. Wygasłe tokeny odświeżają się automatycznie z ochroną przed warunkami wyścigu
Limity prędkości na najemcę (darmowe, pro, przedsiębiorstwo) egzekwowane na poziomie żądania
Pełne śledzenie wykorzystania (nazwa narzędzia, punkt końcowy, kod statusu, czas odpowiedzi) rejestrowane na najemcę do rozliczeń i analityki
Wdrożone do produkcji na Hetzner VPS za nginx z SSL, współistniejące z siostrzanym serwerem MCP na tym samym hoście

Jak to działa
1. Najemca wysyła POST do /api/register z nazwą firmy i adresem e-mail, otrzymuje 6-cyfrowy OTP
2. Najemca potwierdza przez /api/confirm, a następnie aktywuje, dostarczając dane uwierzytelniające OAuth ServiceFusion
3. Dane uwierzytelniające są szyfrowane za pomocą AES-256-GCM i przechowywane w Supabase
4. Klient AI (Claude, Cursor) wywołuje /mcp z tokenem dostępu; middleware identyfikuje najemcę i sprawdza limit prędkości
5. Przy wywołaniu narzędzia serwer sprawdza ważność tokena i automatycznie go odświeża, jeśli wygasł
6. Strukturalna odpowiedź wraca do klienta AI, a wywołanie jest rejestrowane do analityki wykorzystania

glivera
Zautomatyzowane badanie aukcji aktów podatkowych FL: Godziny pracy, zero kliknięć

AI i uczenie maszynowe

Zautomatyzowane badanie aukcji aktów podatkowych w Florydzie: Godziny pracy, zero kliknięć
Sytuacja
Aukcje aktów podatkowych na Florydzie wymieniają dziesiątki do setek nieruchomości na dzień aukcji w różnych hrabstwach. Poważny licytator musi zweryfikować każdą działkę przed aukcją: powierzchnia, strefowanie, ryzyko powodzi, dostęp drogowy, wartość oszacowana, widok z lotu ptaka. Badania odbywają się na sześciu różnych portalach rzeczoznawców majątkowych hrabstw, mapach powodziowych FEMA, satelitarnych mapach Google, Street View oraz usługach granic działek, takich jak id.land. Każde hrabstwo ma swoje własne dziwaczne SPA. Każdy punkt danych znajduje się w innej zakładce.

… Problem
Ręczne badania w dniu aukcji trwają od czterech do sześciu godzin dla listy jednego hrabstwa. Pomnóż przez sześć hrabstw, a matematyka się nie zgadza: licytatorzy pomijają działki, przegapiają sygnały ryzyka powodziowego lub licytują w ciemno. Monotonia jest prawdziwym kosztem. Doświadczony inwestor powinien filtrować i analizować, a nie kopiować i wklejać identyfikatory działek do sześciu różnych formularzy.

Docelowy operator jest wystarczająco zaawansowany, aby samodzielnie hostować i chce mieć pełną kontrolę nad swoimi danymi, kluczami API i infrastrukturą do skrobania. Brak uzależnienia od SaaS, brak opłat za stanowisko, brak wysyłania własnej logiki inwestycyjnej do dostawcy.

Rozwiązanie
Zbudowałem samodzielnie hostowaną platformę inteligencji, która przekształca godziny ręcznych badań na portalach hrabstw w nocny proces. Operator uruchamia jeden proces, odchodzi i budzi się z filtrowalną krótką listą działek aukcyjnych uporządkowanych według werdyktu AI.

Jak działa proces (7 etapów, zdarzeniowy):

1. Zbieranie ogłoszeń z realtaxdeed.com za pomocą VPN Surfshark (strona blokuje adresy IP spoza USA i nieprzeglądarkowe agenty użytkownika). Obsługuje wieloetapowe logowanie z maksymalnie 5 sekwencyjnymi stronami powiadomień, paginuje przez wszystkie przedmioty aukcyjne.
2. Zbieranie danych o nieruchomościach z portalu rzeczoznawcy każdego hrabstwa. Hrabstwo Putnam wymagało podziału identyfikatorów działek, takich jak 01-10-26-0250-0270-0081, na 6 oddzielnych pól formularza w SPA.
3. Rozwiązywanie współrzędnych GPS za pomocą id.land, odrzucając modale i nawigując przez rozwijane menu stanów/hrabstw/działek.
4. Zbieranie zrzutów ekranu: satelitarne mapy Google, Street View, granice działek id.land, strefa powodziowa FEMA.
5. Sprawdzanie strefy powodziowej FEMA za pomocą nieudokumentowanego parametru URL ArcGIS &extent= (zastąpiło to kruchy proces automatyzacji wyszukiwania UI).
6. Przeprowadzanie analizy AI za pomocą Claude Sonnet 4 z tool_use dla strukturalnego wyniku: numeryczne podpunkty (jakość gruntu, ryzyko powodzi, dostęp drogowy, rozwój, wartość), ogólny wynik 0-100, flagi, uzasadnienie oraz werdykt kupić/przejrzeć/pominąć.
7. Zapis wyników do Supabase, na żywo przesyłane do pulpitu React za pomocą subskrypcji w czasie rzeczywistym.

Stos technologiczny: NestJS, Playwright, BullMQ, Redis, Supabase (PostgreSQL + Storage + Realtime), API Claude Sonnet 4, React, Vite, Tailwind, Leaflet, Docker Compose, Caddy, VPN Surfshark za pomocą gluetun.

Wyniki
- Godziny ręcznych badań między portalami zastąpione jednym uruchomieniem procesu
- Proces end-to-end działający dla hrabstwa Putnam: 10/10 działek zebranych, 10/10 GPS rozwiązanych, 40 zrzutów ekranu zebranych na uruchomienie
- Koszt AI skalibrowany na około 0,012 USD za działkę za pełną analizę wizji
- System konfiguracji dla 6 hrabstw pozwala nowym hrabstwom na dodawanie przez pliki konfiguracyjne oraz strategię procesora
- Samodzielnie hostowana architektura utrzymuje wszystkie dane, klucze API i infrastrukturę do skrobania pod kontrolą operatora
- Pulpit na żywo pokazuje uruchomienia procesu, szczegóły działek, stan kolejki, werdykty AI, eksport CSV, interaktywną mapę

Jak to działa (widok operatora)
1. Operator klika "Uruchom proces" na pulpicie (lub wysyła POST do API)
2. System zbiera stronę ogłoszeń aukcyjnych, tworzy rekord działki dla każdego przedmiotu
3. Każda działka przechodzi przez wszystkie 7 etapów automatycznie
4. Pulpit aktualizuje się na żywo, gdy działki kończą każdy etap
5. Gdy analiza AI się kończy, operator widzi uporządkowaną, filtrowalną listę z werdyktami
6. Eksport do CSV lub szczegółowe przeglądanie działki ze wszystkimi zrzutami ekranu obok siebie

glivera
3M+ Zarejestrowane Akty Przeniesienia Własności: Badanie Nieruchomości z Dni do Minut

AI i uczenie maszynowe

Sytuacja
Założyciel firmy technologicznej z USA budował platformę do badań nieruchomości dla prawników zajmujących się nieruchomościami: prawników, którzy poszukują niedoszacowanych działek jako możliwości inwestycyjnych dla swoich klientów. Ich praca zależy od znalezienia specyficznego języka ukrytego w aktach własności, takiego jak służebności, ograniczenia, prawa dostępu i klauzule graniczne.

Przed tym projektem, znalezienie odpowiednich działek oznaczało ręczne przeszukiwanie DataTree i baz danych hrabstw, czytanie poszczególnych plików PDF aktów własności oraz porównywanie z mapami podatkowymi, danymi o strefowaniu i demografią w oddzielnych zakładkach. Jedno kwalifikowane prowadzenie mogło zająć dni. Niektóre pytania nie mogły być w ogóle odpowiedziane.
…
Problem
Prawnicy tracili transakcje, ponieważ koszt badań był zbyt wysoki. Każda nieruchomość musiała być ręcznie sprawdzana pod kątem kryteriów słów kluczowych, a następnie wzbogacana o dane geograficzne i rekordy infrastruktury z czterech różnych źródeł. Założyciel próbował ręcznych obejść i gotowych narzędzi. Nic nie łączyło źródeł. Nic nie filtrowało według specyficznego języka prawnego, którego jego klienci potrzebowali, aby znaleźć.

Pytanie nie brzmiało "czy możemy to przyspieszyć?" Brzmiało "czy możemy uczynić pytania, które wcześniej nie miały odpowiedzi, możliwymi do odpowiedzenia?"

Rozwiązanie
Zbudowałem kompleksową platformę inteligencji nieruchomości z dwoma warstwami.

Frontend to aplikacja SPA w React wdrożona na Vercel, gdzie prawnicy wyszukują, filtrują i przeglądają nieruchomości. Każdy wynik otwiera widok szczegółowy z historią aktów, ograniczeniami wielkości działek, mapami podatkowymi, infrastrukturą i demografią hrabstwa, wszystko renderowane dynamicznie z backendu Supabase z zabezpieczeniem na poziomie wiersza.

Backend to n8n jako API. Zamiast uruchamiać n8n jako "klej automatyzacyjny", użyłem go jako warstwy API produkcyjnego dla pipeline'u przetwarzania aktów. Gdy prawnik uruchamia wyszukiwanie słów kluczowych, żądanie kierowane jest przez funkcję brzegową Supabase do webhooków n8n. Pipeline pobiera akty własności z DataTree, filtruje według słów kluczowych prawnych, wzbogaca dopasowania o dane geograficzne Zonomics, przeprowadza analizę AI za pomocą Claude (OpenRouter) i zapisuje postęp z powrotem do Supabase w czasie rzeczywistym. Prawnicy widzą postęp w miarę dopasowywania i wzbogacania rekordów.

Ta architektura dała założycielowi backend, który jest w pełni kontrolowalny, łatwy do modyfikacji i szybki do rozszerzenia: nowe źródła danych lub kroki analizy są dostarczane w ciągu godzin, a nie sprintów. Aby wspierać tę prędkość, zbudowałem niestandardowy zestaw narzędzi Claude Code, który zarządza przepływami pracy n8n programowo (tworzenie, synchronizacja i debugowanie ich z specyfikacji w języku naturalnym).

Stos technologiczny: n8n, Supabase (PostgreSQL, Auth, Storage, Edge Functions), React 19, TypeScript, Vite, Vercel, DataTree API, Zonomics API, Claude API (przez OpenRouter), OpenAI API, Google Maps Embed API, Node.js, Zod, Anthropic SDK

Wyniki
- 3M+ rekordów aktów przetworzonych przez pipeline
- Dni do minut na każde kwalifikowane zapytanie badawcze
- Pytania teraz możliwe do odpowiedzenia, które wcześniej nie były (zapytania z wielu źródeł, które były ekonomicznie nieopłacalne ręcznie)
- System produkcyjny aktywnie używany przez zespół założyciela, obsługujący klientów prawnych
- Backend w pełni kontrolowalny: nowe źródła danych, słowa kluczowe i kroki analizy AI są dostarczane bez przebudowy
- Zaprojektowany dla microSaaS: system jest już przygotowywany do zewnętrznego dostępu przez ograniczony zestaw prawników

Jak to działa
1. Prawnik wprowadza kryteria słów kluczowych (język prawny, którego potrzebują w aktach) i zakres geograficzny
2. Żądanie kierowane jest przez funkcję brzegową Supabase do webhooka n8n
3. Pipeline n8n pobiera pasujące rekordy aktów z DataTree
4. Dopasowania wzbogacane są o dane geograficzne Zonomics, mapy podatkowe, infrastrukturę, demografię
5. Claude analizuje każdy akt pod kątem istotności; wyniki są oceniane i sortowane
6. Prawnik pobiera tylko te akty, które spełniają wszystkie jego kryteria za pomocą podpisanych adresów URL Supabase

glivera
1487 PLN
Agencja AI-Realtorska

AI i uczenie maszynowe

Projekt AI-agencja nieruchomości z doborem obiektów — to serwis, który wykorzystuje sztuczną inteligencję do szybkiego i dokładnego doboru nieruchomości pod zapytanie klienta. System analizuje potrzeby, budżet, lokalizację i inne kryteria, automatycznie wybiera najlepsze opcje z rynku, filtruje nierelacyjne oferty i pomaga podjąć optymalną decyzję. To pozwala znacznie zaoszczędzić czas, uniknąć zbędnych przeglądów i uzyskać maksymalnie relewantne obiekty bez ręcznego wyszukiwania.

natali_gritsay
21 PLN
100%

AI i uczenie maszynowe

Tłumaczenie tekstu z języka rosyjskiego na ukraiński

Striz