Planowanie Projektu AI

Witaj w finale Python Safari! Jak każda wielka ekspedycja wymaga planowania, tak każdy projekt programistyczny potrzebuje solidnych fundamentów. W tym module połączysz wszystkie zdobyte umiejętności w jeden, kompleksowy projekt!

Metodologia planowania projektu

1. Definiowanie problemu

1from dataclasses import dataclass
2from enum import Enum
3
4class ProjectType(Enum):
5    WEB_APP = "web_application"
6    API = "api_service"
7    ML_PIPELINE = "ml_pipeline"
8    RAG_SYSTEM = "rag_system"
9    AUTOMATION = "automation"
10
11@dataclass
12class ProjectDefinition:
13    """Definicja projektu."""
14    name: str
15    problem_statement: str
16    target_users: list[str]
17    success_metrics: list[str]
18    project_type: ProjectType
19    tech_stack: list[str]
20
21# Przykład
22capstone_project = ProjectDefinition(
23    name="AI Document Assistant",
24    problem_statement="Użytkownicy tracą czas na szukanie informacji w dokumentach",
25    target_users=["analitycy", "prawnicy", "badacze"],
26    success_metrics=[
27        "Redukcja czasu wyszukiwania o 70%",
28        "Dokładność odpowiedzi > 90%",
29        "Czas odpowiedzi < 2s"
30    ],
31    project_type=ProjectType.RAG_SYSTEM,
32    tech_stack=["Python", "FastAPI", "LlamaIndex", "Qdrant", "React"]
33)

2. User Stories

1@dataclass
2class UserStory:
3    """User story w formacie Agile."""
4    as_a: str
5    i_want: str
6    so_that: str
7    acceptance_criteria: list[str]
8    priority: int  # 1-5, 1 = najwyższy
9
10stories = [
11    UserStory(
12        as_a="analityk",
13        i_want="zadać pytanie o dokumenty w języku naturalnym",
14        so_that="szybko znajdę potrzebne informacje",
15        acceptance_criteria=[
16            "System rozumie pytania po polsku",
17            "Odpowiedź zawiera źródła",
18            "Czas odpowiedzi < 3s"
19        ],
20        priority=1
21    ),
22    UserStory(
23        as_a="administrator",
24        i_want="łatwo dodawać nowe dokumenty",
25        so_that="baza wiedzy była aktualna",
26        acceptance_criteria=[
27            "Upload przez drag & drop",
28            "Obsługa PDF, DOCX, TXT",
29            "Automatyczna indeksacja"
30        ],
31        priority=2
32    )
33]

3. Estymacja i planowanie sprintów

1from datetime import datetime, timedelta
2
3@dataclass
4class Task:
5    name: str
6    story_points: int  # Fibonacci: 1, 2, 3, 5, 8, 13
7    dependencies: list[str]
8    assigned_to: str = ""
9
10@dataclass
11class Sprint:
12    number: int
13    start_date: datetime
14    tasks: list[Task]
15    velocity: int = 20  # Story points per sprint
16
17    @property
18    def end_date(self) -> datetime:
19        return self.start_date + timedelta(days=14)
20
21    @property
22    def total_points(self) -> int:
23        return sum(t.story_points for t in self.tasks)
24
25# Plan projektu
26sprints = [
27    Sprint(1, datetime(2024, 1, 1), [
28        Task("Setup projektu", 2, []),
29        Task("Konfiguracja CI/CD", 3, ["Setup projektu"]),
30        Task("Podstawowe API", 5, ["Setup projektu"]),
31        Task("Integracja Vector DB", 5, ["Podstawowe API"]),
32    ]),
33    Sprint(2, datetime(2024, 1, 15), [
34        Task("RAG Pipeline", 8, ["Integracja Vector DB"]),
35        Task("Chat interface", 5, ["Podstawowe API"]),
36        Task("Document upload", 5, ["RAG Pipeline"]),
37    ])
38]

Wybór stosu technologicznego

1tech_decisions = {
2    "backend": {
3        "choice": "FastAPI",
4        "reasons": ["Async", "Type hints", "Auto docs", "Performance"]
5    },
6    "vector_db": {
7        "choice": "Qdrant",
8        "reasons": ["Self-hosted", "Filtering", "Rust performance"]
9    },
10    "llm": {
11        "choice": "OpenAI GPT-4",
12        "reasons": ["Quality", "Function calling", "Reliable"]
13    },
14    "rag_framework": {
15        "choice": "LlamaIndex",
16        "reasons": ["Flexibility", "Integrations", "Community"]
17    }
18}

Pamiętaj: dobry plan to połowa sukcesu. W następnej lekcji zaprojektujemy architekturę systemu!