Wróć do portfolio

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.

Kontakt

Zamieńmy pomysł w pierwszą wersję produktu

Napisz, jeśli potrzebujesz MVP, aplikacji mobilnej, devtoolu albo narzędzia z AI, które ma rozwiązać konkretny problem. Najlepiej pracuje mi się tam, gdzie liczą się szybkie decyzje i działający efekt.

Napisz do mnie