UC-01
POZYSKUJ SZANSE
Zbieranie i normalizacja ofert oprogramowania do spójnego lokalnego zbioru danych.
SYSTEM 02
KULAI STUDIO
LOKALNE AI / HUMAN-IN-THE-LOOP / PERSONALIZOWANE ML
Lokalny system analizy ofert oprogramowania i automatyzacji projektów, łączący pozyskiwanie ofert, ustrukturyzowaną analizę LLM, opinię człowieka, dopasowanie wielokrotnego użycia kompetencji oraz kontrolowane eksperymenty z personalizowanym ML.
TOŻSAMOŚĆ SYSTEMU
ID SYSTEMUKULAI-STUDIO-02
STATUSAKTYWNY SYSTEM / ML R&D
TYPLOKALNE AI / ML / AUTOMATYZACJA
System analizy szans łączący ustrukturyzowaną analizę AI, opinię człowieka, personalizowane uczenie oraz dostarczanie oprogramowania wielokrotnego użycia.
01 / PRZEGLĄD
OD PRZYJĘCIA OFERTY DO SYSTEMU UCZĄCEGO SIĘ
KulAI Studio zaczęło jako sposób na organizację dostarczania oprogramowania wielokrotnego użycia. Rozwinęło się w lokalny system analizy szans, łączący pozyskiwanie ze źródeł, normalizację, lokalną analizę LLM, dopasowanie kompetencji, ocenę człowieka, ranking, badania ML i narzędzia dostarczania.
System rozdziela dwa pytania: czego ten projekt naprawdę wymaga oraz czy jest dobrą szansą dla tego konkretnego dewelopera i procesu pracy? Lokalny LLM odpowiada przede wszystkim na pierwsze pytanie. Badania nad personalizowanym ML dotyczą drugiego.
Każda oferta oceniona ręcznie może stać się dodatkowym dowodem z uczenia nadzorowanego do przyszłej ewaluacji. Docelowa pętla jest kontrolowana: zebrać nowe etykiety człowieka, wytrenować nowego kandydata na pełnym zbiorze, porównać go z baseline'em i bieżącym modelem, a następnie promować dopiero po uzyskaniu dowodów.
02 / PROBLEM
CO ROZWIĄZUJE SYSTEM
UC-02
STRUKTURYZUJ NIEUSTRUKTURYZOWANE WYMAGANIA
Lokalny model językowy zamienia briefy w języku naturalnym na zweryfikowane, ustrukturyzowane wymagania.
UC-03
DOPASUJ KOMPETENCJE WIELOKROTNEGO UŻYCIA
Porównywanie wymagań z modułami KulAI wielokrotnego użycia oraz identyfikacja pracy istniejącej, rozszerzalnej i specyficznej dla projektu.
UC-04
REJESTRUJ OCENĘ CZŁOWIEKA
Rejestrowanie jawnych decyzji człowieka, ocen, tagów i uzasadnienia zamiast traktowania wyniku modelu jako ground truth.
UC-05
UCZ SIĘ OSOBISTYCH PREFERENCJI
Eksperymenty z supervised ML uczą się, które automatycznie dostępne sygnały oferty korelują z rzeczywistymi decyzjami człowieka.
UC-06
PRZEJDŹ DO DOSTARCZANIA
Łączenie wybranych szans z procesami generowania projektów i ich dostarczania wielokrotnego użycia.
03 / PIPELINE SYSTEMU
PIPELINE ANALIZY SZANS
PRZEPŁYW DANYCH
- ŹRÓDŁO OFERT
- NORMALIZACJA
- POSTGRESQL
- LOKALNA ANALIZA QWEN
- USTRUKTURYZOWANE WYMAGANIA
PRZEPŁYW DECYZJI
- USTRUKTURYZOWANA ANALIZA
- OCENA CZŁOWIEKA
- RANKING / ML
- WYBÓR PROJEKTU
- DOSTARCZANIE
Przepływ danych ma wyraźną granicę odpowiedzialności: lokalny LLM zamienia nieustrukturyzowany tekst oferty na wersjonowaną, ustrukturyzowaną reprezentację semantyczną. Qwen nie jest tu przedstawiany jako model personalizowanej decyzji.
Personalizowany ML korzysta z automatycznie dostępnych cech oferty i przewiduje preferencję człowieka. Odpowiada na inne pytanie niż parsowanie semantyczne i jest oceniany osobno.
04 / OPINIA CZŁOWIEKA
OPINIA CZŁOWIEKA JAKO NADZÓR
Wynik modelu nie jest traktowany jako wartość referencyjna. Przestrzeń oceny przechowuje decyzje APPLY / MAYBE / REJECT, sześć niezależnych wymiarów ocen 1-10, tagi, uzasadnienie i notatki w wolnej formie, historię ocen tylko do dopisywania oraz niezależny stan procesu oferty.
HF-01
ETYKIETA DECYZJI
APPLY / MAYBE / REJECT to główny cel uczenia nadzorowanego.
HF-02
OCENY WIELOWYMIAROWE
Sześć oddzielnych wymiarów zachowuje więcej informacji niż jeden wynik zbiorczy: zainteresowanie, dopasowanie techniczne, rentowność, jakość zakresu, wartość dla KulAI i szansa wygranej.
HF-03
UZASADNIENIE
Tagi i notatki w wolnej formie zachowują informację, dlaczego dwie pozornie podobne szanse mogą prowadzić do różnych decyzji.
HF-04
HISTORIA
Zmiany ocen pozostają w historii zamiast być po cichu nadpisywane, obok niezależnego stanu procesu.
Oceny i notatki człowieka nie są bezpośrednimi cechami wejściowymi E1, ponieważ nie istnieją przed oceną nowej oferty. Są materiałem nadzorującym i dowodem do ewaluacji, a nie przeciekiem danych wejściowych.
05 / ML R&D
R&D NAD PERSONALIZOWANYM ML DLA OFERT
Czy automatycznie dostępne informacje o ofercie mogą przewidywać rzeczywiste decyzje APPLY / MAYBE / REJECT? Badanie celowo porównuje coraz bogatsze reprezentacje, zamiast zakładać, że bardziej złożony model jest automatycznie lepszy.
E0
DETERMINISTYCZNY BASELINE · ZAIMPLEMENTOWANY
Istniejący, ręcznie zaprojektowany Offer Ranking V1. To baseline, który modele uczone muszą przebić.
E1
USTRUKTURYZOWANY ML · AKTYWNE R&D
Metadane oraz ustrukturyzowana analiza Qwen trafiają do Logistic Regression. Eksperyment sprawdza, jak daleko mogą sięgać interpretowalne cechy strukturalne.
E2
TEKST LEKSYKALNY · PLANOWANE
E1 plus TF-IDF, aby zmierzyć, czy słowa i frazy z surowego tekstu oferty dodają użyteczny sygnał.
E3
TEKST SEMANTYCZNY · PLANOWANE
E1 plus wstępnie wytrenowane embeddingi semantyczne tekstu, aby zmierzyć, czy podobieństwo semantyczne dodaje informacje ponad cechy leksykalne.
E4
Z UWZGLĘDNIENIEM UZASADNIEŃ · PLANOWANE
Historyczne notatki dostarczają uprzywilejowanego nadzoru. Notatki nie są bezpośrednio wymagane podczas inferencji; przyszłe modele mogą uczyć się wymiarów uzasadnienia z samej oferty.
E5
Z UWZGLĘDNIENIEM OCEN · PLANOWANE
Przewidywanie sześciu wymiarów ocen człowieka na podstawie danych oferty i testowanie, czy przewidywane out-of-fold oceny poprawiają końcowy ranking decyzji.
06 / PROJEKT EKSPERYMENTÓW
KONTROLOWANA EWALUACJA
RND-01
ZAMROŻONY ZBIÓR DANYCH
Każda historyczna oferta jest reprezentowana raz, z użyciem najnowszej oceny człowieka i najnowszej poprawnej analizy strukturalnej.
RND-02
KONTROLA DATA LEAKAGE
Decyzja człowieka, oceny, notatki i stan procesu nie są cechami wejściowymi E1, ponieważ nie istnieją przed oceną nowej oferty.
RND-03
WSPÓLNE PODZIAŁY CV
Eksperymenty korzystają z tych samych deterministycznych, stratyfikowanych foldów dla uczciwego porównania.
RND-04
PREDYKCJE OUT-OF-FOLD
Wiersze treningowe są oceniane wyłącznie przez modele, które nie uczyły się na tych wierszach.
RND-05
METRYKI RANKINGOWE
Ewaluacja obejmie klasyfikację i jakość kolejki, w tym Precision@K, NDCG@K, Macro F1 i Balanced Accuracy. Wartości nie są publikowane przed pomiarem.
RND-06
EWALUACJA W TRYBIE SHADOW
Planowany test prospektywny: nowa oferta jest przewidywana przed oceną, predykcja pozostaje ukryta, człowiek etykietuje ją niezależnie i dopiero potem predykcja jest oceniana.
07 / INTERFEJS
INTERFEJS KULAI STUDIO
Obecny interfejs obejmuje dashboard, tworzenie projektu, pozyskiwanie i synchronizację ofert, ocenę ofert, decyzje człowieka oraz niezależne śledzenie procesu. Nie prezentuje jeszcze dashboardu predykcji ML.
01 / 03
08 / INŻYNIERIA
DECYZJE INŻYNIERSKIE
ENG-01
AI LOCAL-FIRST
Interpretacja ofert działa na lokalnym modelu językowym i nie wymaga hostowanej zależności inferencyjnej.
ENG-02
GRANICA USTRUKTURYZOWANEGO LLM
Wynik LLM jest walidowany do wersjonowanych, ustrukturyzowanych kontraktów zamiast być traktowany jako dowolna proza.
ENG-03
REFERENCJA CZŁOWIEKA
Decyzje człowieka pozostają nadrzędne i są oddzielone od predykcji modelu.
ENG-04
DETERMINISTYCZNY BASELINE
Ręcznie zaprojektowany baseline rankingowy pozostaje dostępny, aby poprawę ML mierzyć, a nie zakładać.
ENG-05
POWTARZALNE R&D
Fingerprinty zamrożonego zbioru, deterministyczne podziały i ewaluacja OOF sprawiają, że eksperymenty można porównywać.
ENG-06
DOSTARCZANIE WIELOKROTNEGO UŻYCIA
KulAI Modules i ścieżki generowania projektów łączą analizę z rzeczywistym dostarczaniem oprogramowania.
09 / STACK TECHNOLOGICZNY
WARSTWA TECHNICZNA
STACK-01
PYTHON / FASTAPI
Lokalna warstwa sterująca, logika aplikacji i automatyzacja.
STACK-02
POSTGRESQL / SQLALCHEMY
Persystencja znormalizowanych ofert, analiz, ocen i procesów.
STACK-03
LOKALNY QWEN 27B
Parser semantyczny do ustrukturyzowanej analizy ofert.
STACK-04
PYDANTIC
Ścisłe ustrukturyzowane kontrakty wokół wyników modelu i granic aplikacji.
STACK-05
KLASYCZNE MACHINE LEARNING
Badania nad personalizacją z uczeniem nadzorowanym, zaczynające się od interpretowalnego baseline'u Logistic Regression.
STACK-06
KULAI MODULES
Katalog kompetencji wielokrotnego użycia i fundament dostarczania oprogramowania.
10 / STATUS
AKTUALNY SYSTEM / ROADMAPA BADAŃ
DZIAŁAJĄCY SYSTEMPOZYSKIWANIE OFERT / USTRUKTURYZOWANA LOKALNA ANALIZA LLM / DOPASOWANIE KOMPETENCJI / OCENA CZŁOWIEKA / ŚLEDZENIE PROCESU / DETERMINISTYCZNY RANKING / NARZĘDZIA DOSTARCZANIA PROJEKTÓW
AKTYWNE R&DPERSONALIZOWANY ML DLA OFERT / USTRUKTURYZOWANY BASELINE E1 / KONTROLOWANA EWALUACJA OOF
NASTĘPNE EKSPERYMENTYTF-IDF / EMBEDDINGI SEMANTYCZNE / NADZÓR Z UZASADNIEŃ / MODELE Z UWZGLĘDNIENIEM OCEN / EWALUACJA SHADOW