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.

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
Sii Poland
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.
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.
Krypton Polska
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.
Samsung R&D Institute Poland
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.
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.
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.
Systemy i produkty, które buduję
Moja własna praca, poza projektami dla klientów.

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.

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.

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.
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
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
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.