IT Operations × Python × AI/ML
Od 14 lat utrzymuję krytyczne systemy IT, a dziś buduję na nich rozwiązania RAG, NLP i automatyzacje oparte na LLM - od prototypu po produkcję.
Profil
Łączę doświadczenie operacyjne z praktycznym podejściem do AI. Rozumiem pełny cykl życia systemu: dane, backend, model, integrację, monitoring i codzienne utrzymanie.
W Neurosoft przez lata utrzymywałem i monitorowałem Portal Orzeczeń Ministerstwa Sprawiedliwości, a dla niego wytrenowałem i wdrożyłem anonimizator oparty na NER. Obecnie pracuję przy projekcie AI dla UODO (Urzędu Ochrony Danych Osobowych) — NER i RAG — oraz wspieram utrzymanie systemów NeuroCar.
Wybrane projekty
Najważniejsze projekty skupiają się na NER, RAG i automatyzacji — od prototypu do działającego wdrożenia.
Self-hosted archiwum dokumentów w Django: OCR, ekstrakcja metadanych przez LLM i wyszukiwanie RAG po polskich dokumentach. Bardzo dobrze rozpoznaje tekst ze słabo czytelnych, zniekształconych dokumentów oraz pismo ręczne.
Asystent teologii biblijnej: RAG po tekstach Biblii w językach oryginalnych i przekładach oraz po otwartej literaturze naukowej biblistów, z cytatami do źródeł i widokiem równoległym wersetów. Jakość mierzona w MLflow: zestaw pytań testowych, sędziowie LLM, weryfikacja cytatów i filtry bezpieczeństwa.
Asystent ulg podatkowych: RAG nad ustawami, objaśnieniami MF i interpretacjami KIS, z cytatem do konkretnego artykułu.
Stanowisko do testowania kolejnych wersji anonimizatora dla Portalu Orzeczeń i UODO: NER, normalizacja odmian nazwisk, CLI oraz Django Web UI z kolejką zadań.
Aplikacja RAG (Retrieval-Augmented Generation) do przeszukiwania decyzji Prezesa Urzędu Ochrony Danych Osobowych oraz przepisów ustawy o ochronie danych osobowych i rozporządzenia RODO. Wykorzystuje wielostopniowy retrieval, graf cytowań i ewaluację. Docelowo ma obejmować także inne akty prawne powiązane tematycznie oraz wskazane w odesłaniach prawnych.
Monitor zamówień publicznych z BZP i TED: harmonogramowe pobieranie, normalizacja i deduplikacja, dwupoziomowe streszczenia AI oraz wyszukiwanie semantyczne.
System fakturowania i księgowości dla jednoosobowych działalności z integracją KSeF API 2.0. PWA działa również offline.
Niszowy projekt badawczy: klasyfikacja i monitoring pokrycia terenu z Sentinel-2 oraz porównanie modeli deep learning z multimodalnymi LLM.
Asystent dokumentów leasingowych na Azure (AKS, infrastruktura w Bicep, demo na życzenie): odpowiada z cytatem do rozdziału i punktu OWU, korzysta z wersji dokumentów obowiązującej w dniu zawarcia umowy i odmawia odpowiedzi, gdy źródła nie dają podstaw. Każda odpowiedź ma koszt i czas, a zestaw pytań ewaluacyjnych działa jako bramka przed wdrożeniem.
W pełni lokalny OCR polskich dokumentów sądowych: kilka silników, korekta i strukturyzacja przez lokalny LLM — nic nie opuszcza maszyny.
Aplikacja Django do przeszukiwania własnych dokumentów przez LLM: wektory w pgvector, zadania w Celery i Redis oraz rozbudowany panel administracyjny.
Kompetencje
Dobieram narzędzia do problemu, nie problem do narzędzi.
Certyfikat NVIDIA · poziom Associate
Zdany egzamin potwierdzający znajomość podstaw generatywnej sztucznej inteligencji i dużych modeli językowych.
Backend, API i asynchroniczne procesy
Modele, wyszukiwanie i język polski
Dane, indeksy i potoki ETL
Wdrożenia, Linux i niezawodność
Doświadczenie i nauka
luty 2012 - obecnie
· NVIDIA
w trakcie
2026
2025
2023—2024
2004—2009
Interaktywne AI Lab
Oba dema są celowo uproszczonymi symulacjami front-endowymi. MiniRAG szereguje przygotowane fragmenty bez bazy wektorowej i LLM, a MiniNER wykrywa kilka wzorców regułami — bez uruchamiania wytrenowanego modelu. Rzeczywiste projekty używają embeddingów, wyszukiwania hybrydowego, rerankingu i LLM, a Anonymizer — trenowanych modeli NER i Morfeusza 2.
MINIRAG.SIMULATION
w przeglądarce
BM25-STYLE RETRIEVAL
Prosty ranking przeszukuje wyłącznie przygotowany korpus faktów z CV. Nie korzysta z embeddingów, bazy wektorowej ani modelu językowego.
MININER.SIMULATION
w przeglądarce
RULE-BASED POST-PROCESSING
Najpierw zobacz encje w tekście, potem włącz anonimizację. Kolorowe etykiety pokazują typ, a po najechaniu lub wybraniu klawiaturą — tagi BIO i regułę.
Podgląd aktualizuje się podczas pisania. Każdy tekst jest osobnym dokumentem ze świeżym cache osób. Limit: 12 000 znaków.
To prosta symulacja: encje wskazują wzorce i małe słowniki, a odmiany nazwisk łączą uproszczone reguły. Nie działa tu model NER ani Morfeusz 2 — nieznane nazwy mogą zostać pominięte lub błędnie oznaczone. Rzeczywisty Anonymizer korzysta z trenowanego NER i Morfeusza 2.
Wyników tych dem nie należy traktować jako rezultatów produkcyjnego RAG ani modelu NER. Pokazują jedynie ideę interfejsu i post-processingu; szczegóły rzeczywistych rozwiązań są w sekcji Projekty.
Kontakt
Porozmawiajmy o Pythonie, RAG, NLP lub automatyzacji niezawodnych systemów.