Problem: magazyn z tysiącami pozycji, sprawdzanie stanów i lokalizacji odbywało się ręcznie. Wolno, dane rozproszone po systemach, błędy z powodu czynnika ludzkiego.
Co zbudowałem:
System, w którym pracownik pyta bota na Telegramie normalnym językiem, tekstem albo wiadomością głosową, i od razu dostaje odpowiedź o stanie magazynu.
Wiadomość głosowa jest transkrybowana przez Whisper, następnie warstwa AI zamienia dowolne zapytanie w zapytanie strukturalne, n8n odpytuje InvenTree przez API i zwraca odpowiedź na czat. Całość działa w Dockerze, dostęp zamknięty przez Cloudflare Tunnel.
Modele działają lokalnie na Ollama, więc dane magazynowe nie wychodzą na zewnątrz.
Efekty:
— Praca ręczna ograniczona o około 70%
— Oszczędność ponad 10 godzin tygodniowo
— Objęte około 10 000 pozycji magazynowych
— Natychmiastowa odpowiedź zamiast ręcznego szukania po systemach
Stack: n8n, Docker, PostgreSQL, InvenTree API, Telegram API, Ollama, Whisper, Cloudflare Tunnel.
#n8n #automatyzacja #AI #Telegram #magazyn
Co zbudowałem:
System, w którym pracownik pyta bota na Telegramie normalnym językiem, tekstem albo wiadomością głosową, i od razu dostaje odpowiedź o stanie magazynu.
Wiadomość głosowa jest transkrybowana przez Whisper, następnie warstwa AI zamienia dowolne zapytanie w zapytanie strukturalne, n8n odpytuje InvenTree przez API i zwraca odpowiedź na czat. Całość działa w Dockerze, dostęp zamknięty przez Cloudflare Tunnel.
Modele działają lokalnie na Ollama, więc dane magazynowe nie wychodzą na zewnątrz.
Efekty:
— Praca ręczna ograniczona o około 70%
— Oszczędność ponad 10 godzin tygodniowo
— Objęte około 10 000 pozycji magazynowych
— Natychmiastowa odpowiedź zamiast ręcznego szukania po systemach
Stack: n8n, Docker, PostgreSQL, InvenTree API, Telegram API, Ollama, Whisper, Cloudflare Tunnel.
#n8n #automatyzacja #AI #Telegram #magazyn