Wojciech Bos

Wojciech Bos · Senior Full-Stack & AI EngineerMieszkam w Warszawie. W 2027 roku przeprowadzam się do Brescii we Włoszech. Jestem otwarty na zlecenia freelance.

Biorę na siebie problemy, od których inni się wycofują, i doprowadzam je do produkcji.

Buduję całe systemy, a nie jedną warstwę stosu: od runtime’ów w C++ po dashboardy, które na nich działają.

Obecnie w Sii Polska, jako jedyny inżynier przy platformie Shipment Intelligence dla ECCO. Na co dzień to usługi w NestJS i frontendy w React z TypeScriptem, agenci AI podłączeni przez MCP i RAGFlow do danych logistycznych na żywo oraz modele w scikit-learn, które tłumaczą liczby. Wszystko trafia na Kubernetes.

Portret Wojciecha Bosa

O mnie

Obecnie jako jedyny inżynier buduję dla ECCO platformę oceny ryzyka w łańcuchu dostaw. Wcześniej przeniosłem krytyczny silnik reguł z Palantir Foundry na chmurową platformę w Pythonie przy 100% zgodności danych. Jeszcze wcześniej w dwa miesiące zamieniłem utknięty moduł prognozowania w usługę produkcyjną.

Pierwszą linijkę w C++ napisałem w 2015 roku, a zawodowo zacząłem w 2019 roku w Samsung R&D. Od tego czasu pracowałem nad aplikacjami streamingowymi na Smart TV, sterownikami IoT do inteligentnego domu i prognozowaniem szeregów czasowych, w Pythonie, TypeScripcie, JavaScripcie, Lua i C++. Dziedzina się zmienia, ale nawyk zostaje ten sam: dowożę całość.

Praca w tak wielu dziedzinach i językach to świadomy wybór. Dzięki niej łączę technologie, które rzadko się spotykają. Mój pipeline telemetrii F1, projekt poboczny, prowadzi od agenta brzegowego w C++26 przez FlatBuffers i ZeroMQ do huba w NestJS i dashboardu w React odświeżanego z częstotliwością 60 Hz: jeden system, od pakietu UDP do piksela. Dostrzegam też problemy i skróty, których nie zobaczy ktoś zamknięty w jednym stosie, a nauka stała się dla mnie rutyną: szybko rozumiem nowe narzędzie i od razu zaczynam implementację. Daj mi problem w technologii, której nigdy nie dotykałem, a szybko nadrobię braki i dowiozę więcej, niż oczekiwano.

  • Systemy, które są nudne na produkcji i przyjemne w budowaniu.
  • Mniej ruchomych części, mniej pobudek o 3 w nocy.
  • Szybka droga od „to dziwny pomysł” do „to działa”.
  • Gotowe znaczy działające na produkcji, a nie zmergowane.
Angielski
Bliski ojczystemu, mój język na co dzień
Włoski
Biegły
Polski
Ojczysty

Doświadczenie

  1. Sii Poland

    1. kwi 2026 – obecnie

      Senior Full-Stack & AI Engineer · ECCO

      Jedyny inżynier stojący za platformą Shipment Intelligence, która śledzi produkcyjne łańcuchy dostaw i w czasie rzeczywistym ocenia ryzyko zakłóceń.

      Pokaż szczegóły (7)Ukryj szczegóły
      • Samodzielnie zaprojektowałem i dostarczyłem całą platformę, od pozyskiwania danych po mapę przesyłek w czasie rzeczywistym ([METRIC?] śledzonych przesyłek) i dashboardy dla zarządu.
      • Jako jedyny inżynier podejmowałem wszystkie decyzje architektoniczne i pracowałem bezpośrednio z interesariuszami biznesowymi nad tym, co budować dalej.
      • Połączyłem serwery Model Context Protocol (MCP) z zewnętrznymi API logistycznymi, z synchronizacją w czasie rzeczywistym i dwukierunkowym zapisem zwrotnym.
      • Zbudowałem wieloagentowe przepływy RAGFlow, które zestawiają wiadomości i wydarzenia geopolityczne z aktywnymi trasami przesyłek i automatycznie oceniają ryzyko. Zasilają je scrapery w Playwright, kanały RSS i zadania cron w n8n.
      • Dodałem agenta analitycznego opartego na scikit-learn i Pandas, który zamienia statystyki tras i metryki ML w zrozumiałe odpowiedzi dla nietechnicznych interesariuszy.
      • Napisałem regułowy silnik normalizacji wraz z usługą wzbogacania tras, która radzi sobie z anomaliami w danych i wypełnia luki w widoczności transportu.
      • Przeniosłem historię uruchomień do logów audytowych JSONB w PostgreSQL, dzięki czemu długo działające kontenery nie zużywają coraz więcej pamięci.
      • TypeScript
      • NestJS
      • React
      • Redux
      • Angular
      • Python
      • scikit-learn
      • PostgreSQL
      • TypeORM
      • Kubernetes
      • Playwright
      • MCP
      • RAGFlow
      • n8n
    2. lis 2025 – mar 2026

      Senior Python Developer · K2 Integrity

      Dołączyłem, aby doprowadzić krytyczny silnik wykonywania reguł do MVP. Zmigrowałem go z Palantir Foundry na chmurową platformę w Pythonie, uruchomiłem na produkcji przy 100% zgodności danych, po czym przeszedłem do kolejnego klienta.

      Pokaż szczegóły (7)Ukryj szczegóły
      • Zaprojektowałem odporny system dwóch usług (Pooler i Worker) koordynowanych przez maszynę stanów opartą na PostgreSQL.
      • Odpowiadałem za dowiezienie projektu od MVP aż do startu produkcyjnego.
      • Przepisałem logikę biznesową w PySpark ([METRIC?] reguł wykonawczych) z Palantir Foundry na zoptymalizowany, łatwy w utrzymaniu kod w Pandas i NumPy.
      • Zbudowałem framework testowy, który dowiódł 100% zgodności obliczeń między starym a nowym systemem na potrzeby audytu i compliance.
      • Zbudowałem backend w FastAPI z procesem zatwierdzania na zasadzie czterech oczu do wgrywania, zarządzania i audytu reguł.
      • Zastąpiłem przestarzałe przepływy Redis/Celery kolejką opartą na PostgreSQL, zyskując niezawodność przy mniejszej infrastrukturze.
      • Wdrożyłem cały ekosystem na Azure Kubernetes Service, z DAPR do harmonogramowania.
      • Python
      • FastAPI
      • Pandas
      • NumPy
      • PostgreSQL
      • Palantir Foundry
      • Databricks
      • AKS
      • DAPR
      • Azure DevOps
  2. Krypton Polska

    1. lip 2025 – lis 2025

      ML Engineer / Backend Developer

      Odpowiadałem w całości za mikroserwis prognozowania szeregów czasowych i w dwa miesiące zamieniłem utknięty moduł w usługę gotową na produkcję.

      Pokaż szczegóły (4)Ukryj szczegóły
      • Przejąłem pełną odpowiedzialność za moduł prognozowania oparty na FastAPI i skonteneryzowany w Dockerze.
      • Prognozowałem dowolną cechę szeregu czasowego z InfluxDB, wyznaczając ważność cech i stosując modele XGBoost. Badałem też alternatywy oparte na LSTM.
      • Dopracowywałem wydajność modeli ([METRIC?] poprawy trafności) i weryfikowałem konfiguracje cech, analizując dane w NumPy, Pandas i scikit-learn.
      • Wdrożyłem usługę na Kubernetes, włączyłem ją do potoku CI/CD i pokryłem testami w Pytest.
      • Python
      • FastAPI
      • XGBoost
      • InfluxDB
      • scikit-learn
      • Docker
      • Kubernetes
      • Pytest
  3. Samsung R&D Institute Poland

    1. lut 2025 – cze 2025

      Software Engineer

      Tworzyłem w Lua sterowniki EdgeDriver, które wprowadzają urządzenia Zigbee, Z-Wave i Matter do SmartThings, czyli ostatni odcinek między fizycznym sprzętem a automatyką w chmurze. Certyfikat Jung Basic KNX (Jung Polska, 2025).

      Pokaż szczegóły (3)Ukryj szczegóły
      • Implementowałem funkcje specyficzne dla urządzeń w sterownikach EdgeDriver dla Zigbee, Z-Wave i Matter.
      • Wspierałem debugowanie, certyfikację, testy wewnętrzne i automatyzację systemu.
      • Współprowadziłem warsztaty techniczne dla zewnętrznych deweloperów.
      • Lua
      • Python
      • Zigbee
      • Z-Wave
      • Matter
      • KNX
    2. kwi 2024 – lut 2025

      SmartThings Operations Engineer

      Budowałem wewnętrzne narzędzia, które zautomatyzowały certyfikację urządzeń IoT SmartThings ([METRIC?] oszczędności czasu na urządzenie), od API w Django po frontendy w React.

      Pokaż szczegóły (4)Ukryj szczegóły
      • Tworzyłem usługi backendowe i REST API w Django i Django REST Framework na PostgreSQL.
      • Budowałem potoki danych w Pandas, OpenPyXL i Beautiful Soup oraz narzędzia zamieniające wyniki testów w JSON na czytelne raporty.
      • Tworzyłem wewnętrzne frontendy w React, Redux i Sass.
      • Testowałem urządzenia Zigbee, Z-Wave i Matter ze strategicznymi partnerami i zespołami QA, aby usprawnić ich wdrażanie.
      • Python
      • Django
      • DRF
      • PostgreSQL
      • React
      • Redux
      • Sass
    3. gru 2019 – kwi 2024

      Smart TV Application Support Engineer

      Zacząłem jako stażysta i w trzy miesiące zapracowałem na etat, ratując razem z drugim juniorem projekt, który stracił lidera. Od tego momentu moja praca była dużo bardziej inżynierska, niż sugeruje nazwa stanowiska.

      Pokaż szczegóły (8)Ukryj szczegóły
      • Jeszcze jako junior uratowałem, razem z drugim juniorem, projekt, który stracił lidera.
      • Prowadziłem rozmowy rekrutacyjne i oceniałem zadania techniczne.
      • Prowadziłem warsztaty, szkolenia techniczne i onboarding dla zewnętrznych deweloperów i inżynierów QA.
      • Tworzyłem narzędzia w Pythonie do debugowania, analizy logów i automatyzacji, a także automatyczne skrypty testowe dla aplikacji OTT i multimedialnych.
      • Rozwiązywałem problemy na poziomie platformy na wielu generacjach telewizorów i wspierałem wewnętrzne premiery nowych modeli.
      • Wdrażałem i wspierałem [METRIC?] globalnych partnerów tworzących popularne aplikacje streamingowe w JavaScript, Tizen API, Shaka Player i Firebase.
      • Analizowałem dane operacyjne w Pandas i Matplotlib.
      • Zarządzałem środowiskami testowymi, w tym sprzętem TV i aktualizacjami firmware.
      • JavaScript
      • Tizen
      • Shaka Player
      • Firebase
      • Python
      • Pandas
      • Matplotlib

Systemy i produkty, które buduję

Moja własna praca, poza projektami dla klientów.

  • Zrzut ekranu: Auctor

    Blisko premiery, jako produkt dla firm

    Auctor

    Samodzielnie hostowana platforma, która daje każdemu agentowi AI do kodowania te same standardy inżynierskie, bez plików konfiguracyjnych agentów w repozytoriach.

    Standardy, umiejętności, persony i presety są wersjonowane i zarządzane w jednym miejscu. CLI dobiera je dla każdego projektu i przy starcie wstrzykuje do Claude Code, Cursora, Codexa lub Antigravity. Serwer MCP robi to samo dla aplikacji desktopowych.

    • TypeScript
    • NestJS
    • PostgreSQL
    • React
    • Redux Toolkit
    • MCP
    • Nx
    • Kubernetes
  • Zrzut ekranu: CoreGraph

    Etap badań, udowadniam, że to możliwe

    CoreGraph

    Środowisko uruchomieniowe w C++ do obsługi tysięcy stanowych agentów AI na jednej maszynie.

    Agenci usypiają w oczekiwaniu na I/O i budzą się we wstępnie rozgrzanych subinterpreterach Pythona, a do RocksDB trafia tylko zmieniony stan. Cel to 20 000 agentów w 16 GB RAM. Wczesny prototyp odtworzył wszystkie 20 000 stanów po zimnym starcie w 0,31 s.

    • C++23
    • Python
    • RocksDB
    • oneTBB
    • nanobind
    • io_uring
  • Zrzut ekranu: F1 Telemetry Platform

    W użyciu, prywatne narzędzie dla mnie i znajomego

    F1 Telemetry Platform

    Telemetria w czasie rzeczywistym i dashboard w stylu pit wall dla EA Sports F1 25, śledzący na żywo do 22 bolidów.

    Agent brzegowy w C++26 czyta strumień UDP z gry i wysyła jako FlatBuffers tylko to, co się zmieniło. Hub w NestJS rozsyła dane przez ZeroMQ i WebSockety do dashboardu w React, który rysuje mapę toru w 60 Hz.

    • C++26
    • FlatBuffers
    • ZeroMQ
    • NestJS
    • React
    • Redux Toolkit
    • Python
    • K3s

Stack

Python
Python, FastAPI, Django, DRF, Pytest, asyncio, Playwright
Dane i ML
Pandas, NumPy, scikit-learn, XGBoost, PyTorch
AI i LLM
Model Context Protocol, RAGFlow, n8n, Claude Code
TypeScript
TypeScript, React, Redux, NestJS, TypeORM, WebSockets
Systemy
C++23/26, io_uring, oneTBB, FlatBuffers, ZeroMQ, nanobind, RocksDB, Vulkan, GLSL
Bazy danych
PostgreSQL, InfluxDB
Infrastruktura
Docker, Kubernetes, AKS, DAPR, CI/CD

Pracowałem też z

Flask, Celery, Redis, Beautiful Soup, Matplotlib, Seaborn, Palantir Foundry, Databricks, Qdrant, React Query, Angular, Tailwind CSS, Sass, Node.js, OpenGL, MongoDB, Supabase, Firebase, Azure DevOps, NGINX, Flutter, Dart, React Native, Tizen, Shaka Player, DASH / HLS / DRM, Lua, Zigbee, Z-Wave, Matter, KNX, Raspberry Pi, Arduino

Po godzinach

Po godzinach zajmuję się programowaniem GPU: piszę symulacje fizyczne w C++ i Vulkanie, w których całkowanie numeryczne działa w shaderach GLSL.

Symulator czarnej dziury, zakrzywiony grawitacyjnie dysk akrecyjny otaczający cień czarnej dziury

Symulator czarnej dziury

Renderer GPU czasu rzeczywistego dla obracających się (Kerr) i nieobracających się (Schwarzschild) czarnych dziur.

Każdy piksel śledzi promień światła wstecz przez zakrzywioną czasoprzestrzeń, całkując jego tor metodą RK4 w shaderze GPU, łącznie z wleczeniem układów odniesienia. Dysk akrecyjny ma wzmocnienie dopplerowskie i grawitacyjne przesunięcie ku czerwieni, dlatego jedna strona świeci jaśniej niż druga.

d²x/dλ² = −3M |x × v|² x / r⁵

  • C++20
  • Vulkan
  • GLSL
  • MoltenVK
  • Dear ImGui

W domu utrzymuję klaster Kubernetes według tych samych standardów, które stosuję na produkcji:

Twingate
Zdalny dostęp zero-trust
Infisical
Zarządzanie sekretami
Gitea
Własny serwer Git
n8n
Automatyzacje i zaplanowane przepływy
Nextcloud
Pliki i synchronizacja
Immich
Biblioteka zdjęć
Image Vault
Prywatny rejestr Dockera
Jellyfin
Serwer multimediów

Do tego rosnąca kolekcja własnych usług, napisanych głównie dlatego, że mogłem.