Applied AI i systemy rekomendacji
Foodify
Prowadziłem inicjatywy AI end to end dla Foodify: asystenta AI, rekomendacje i personalizację w produkcie dostępnym na mobile i web.
Opis
W INVO odpowiadałem za rozwój AI w Foodify — od wyboru zastosowań, które miały realnie pomagać użytkownikom, po kształt funkcji, wdrożenie, QA i iteracje po premierze. Łączyłem decyzje produktowe z praktycznym dowożeniem, pracując z zespołami product, UX, mobile, frontend, backend i biznesem.
Problem
Przy szerokiej ofercie i różnych preferencjach żywieniowych kolejne filtry nie wystarczają. Wyzwaniem było skrócenie drogi od potrzeb i ograniczeń użytkownika do trafnego wyboru oraz zamówienia.
Hipoteza produktowa
AI miało działać dokładnie w momencie decyzji — rozumieć preferencje, pomagać odkryć właściwe posiłki i przejść do zamówienia. Nie jako osobne demo, ale jako część podstawowego flow produktu.
Co zbudowałem
- Prowadziłem inicjatywy AI od discovery i priorytetyzacji przez definicję zachowania po wdrożenie i iteracje.
- Dostarczyłem asystenta AI wspierającego odkrywanie posiłków, personalizację oraz proces wyboru i zamówienia.
- Rozwijałem w Pythonie systemy rekomendacji i personalizacji wokół preferencji oraz potrzeb żywieniowych.
- Definiowałem UX, kryteria akceptacji, sposób walidacji i QA funkcji AI.
- Koordynowałem delivery z zespołami product, UX, mobile, frontend, backend i biznesem.
Warstwa AI
AI nie było oddzielnym eksperymentem ani etykietą marketingową. Stało się częścią ścieżki użytkownika: od odkrywania oferty i rekomendacji po personalizację oraz wsparcie przez asystenta. Odpowiadałem zarówno za decyzje produktowe, jak i za jakość zachowania tych funkcji.
Architektura
Na poziomie publicznym mogę opisać aplikacje LLM oraz systemy rekomendacji i personalizacji w Pythonie, zintegrowane z istniejącym produktem mobilnym i webowym. Szczegóły architektury, przepływy danych, ewaluacje, wyniki wewnętrzne i dane komercyjne pozostają poufne.
Kluczowe decyzje
- Wybierać zastosowania AI według wartości dla użytkownika i produktu.
- Projektować AI jako część istniejących flow, nie jako osobne demo.
- Łączyć rekomendacje z preferencjami i potrzebami żywieniowymi użytkownika.
- Ustalać zachowanie, kryteria jakości i QA przed wdrożeniem.
Efekt / dowód
Funkcje AI trafiły do publicznie dostępnej platformy foodtech na mobile i web. To mój najmocniejszy przykład prowadzenia Applied AI od problemu i decyzji produktowych do wdrożenia.