Rozwiązania zadań z kursu AI_devs 4 Builders, w którym biorę udział w marcu/kwietniu 2026 roku.
Back-end pisany w Python. Front-end pisany w Angular, TypeScript. 
Uwaga: Kod w całości generowany przez AI. Przygotowywałem tylko odpowiednie reguły do kursu, prompty dla każdego zadania i komunikowałem się z modelami AI, by te zadania rozwiązać i zwizualizować rozwiązania.
s01e01
Zadanie polegało na pobraniu zewnętrznego zbioru danych zawierającego listę osób współpracujących z systemem, a następnie przeanalizowaniu rekordów w celu wytypowania kandydatów spełniających określone kryteria demograficzne i zawodowe. Dane zostały przefiltrowane pod kątem płci, wieku wyliczonego na podstawie roku urodzenia oraz miejsca pochodzenia, a następnie opisy stanowisk pracy zostały sklasyfikowane przy użyciu modelu językowego poprzez przypisanie im zestawu zdefiniowanych kategorii zawodowych. Kluczowym elementem zadania było wykorzystanie mechanizmu strukturalnej odpowiedzi modelu (Structured Output), aby wymusić poprawny format JSON podczas tagowania zawodów. Po przypisaniu tagów wybrano wyłącznie osoby związane z branżą transportową i przygotowano wynikową listę rekordów w wymaganym schemacie danych, którą następnie przesłano do systemu weryfikacyjnego.
s01e02
Zadanie polegało na zidentyfikowaniu jednej z wcześniej wytypowanych osób podejrzanych, która przebywała w pobliżu elektrowni atomowej, oraz ustaleniu jej poziomu dostępu i kodu powiązanej elektrowni. W tym celu dla każdej osoby z poprzedniego etapu pobrano historię lokalizacji z dedykowanego API, a następnie porównano otrzymane współrzędne z listą elektrowni i ich pozycji geograficznych, wyznaczając rzeczywistą bliskość na podstawie obliczeń odległości. Po wskazaniu najlepszego kandydata pobrano z drugiego endpointu jego poziom dostępu, korzystając także z danych identyfikacyjnych zachowanych z wcześniejszego zadania. Kluczowym wyzwaniem było połączenie wyników z kilku źródeł, poprawne dopasowanie danych wejściowych między etapami oraz przygotowanie końcowego raportu w ściśle wymaganym formacie JSON do systemu weryfikacyjnego.
s01e03
Zadanie polegało na zbudowaniu i publicznym udostępnieniu endpointu HTTP działającego jako konwersacyjny asystent pośredniczący między operatorem a zewnętrznym API paczek. Rozwiązanie musiało obsługiwać wiele niezależnych sesji, zapamiętywać kontekst rozmowy dla każdego sessionID oraz odpowiadać w naturalny sposób na kolejne wiadomości użytkownika. Kluczowym elementem było połączenie modelu językowego z mechanizmem wywoływania narzędzi, dzięki czemu asystent potrafił samodzielnie sprawdzać status przesyłek i wykonywać operacje przekierowania na podstawie danych podawanych w rozmowie. Istotnym wyzwaniem było poprawne zarządzanie historią konwersacji, niezawodna obsługa zewnętrznego API, zabezpieczenie pętli wywołań narzędzi oraz przygotowanie stabilnego, publicznie dostępnego interfejsu gotowego do testów przez system weryfikacyjny.
