Naši Projekti
AI izveštaj
o
nezi
Klijent: Mirus Australia
KONTEKST
Mirus Australia je pouzdan partner za konsalting i softverska rešenja za organizacije koje pružaju negu starijim osobama širom Australije. Među njihovim rešenjima su i Care Statement izveštaji, namenjeni praćenju i informisanju o životu i nezi korisnika u domovima za stare. Ti izveštaji daju pregled opšteg blagostanja korisnika — njihovih aktivnosti, zdravstvenog stanja i terapije, ishrane, raspoloženja i drugog — i šalju se i korisnicima i njihovim porodicama na mesečnom nivou.
PROBLEM
Care Statement izveštaj sastoji se od osam strana / sekcija, 22 podsekcije i ukupno 33 podatka iz četiri različita sistema. Centri za negu starijih obično imaju između 20 i hiljadu kreveta, a ovaj izveštaj se pravi za svakog korisnika svakog meseca. Za izradu jednog izveštaja potrebno je 1–2 sata. Pošto je posao u velikoj meri ručan, svakog meseca se troši veliki broj radnih sati iskusnog osoblja, što je skupo i loše iskorišćeno vreme.
REŠENJE
Cilj projekta bio je da automatizuje izradu Care Statement izveštaja kombinovanjem ETL pipeline-a u Python-u sa generisanjem narativa pomoću AI, čime se povećava efikasnost i smanjuju operativni troškovi. Da bismo to postigli, izgradili smo lean ETL u Python-u za prikupljanje i transformaciju podataka, a zatim iskoristili AWS serverless servise za skaliranje bez ručne intervencije.
Koristili smo AWS Lambda za sve compute zadatke, AWS Step Functions za orkestraciju ETL koraka, Amazon S3 za skladištenje sirovih i međupodataka, i Amazon RDS za relacionu bazu. Ovaj spoj je odgovorio cilju klijenta da se smanji infrastrukturni otisak i potreba za održavanjem.
U srcu automatizacije, integrisali smo LLM endpoint-ove iz AWS Bedrock-a u naše Python skripte radi generisanja čitljivih sažetaka izveštaja i odgovora na ad-hoc upite — uz ugrađene retry mehanizme i prompt-caching radi kontrole latencije i troškova. Takođe smo koristili napredne tehnike prompt-engineering-a (na primer, prompt-chaining) da bismo izvukli strukturu iz nestrukturiranih podataka i maksimizovali tačnost i konzistentnost LLM-a.
Uprkos kratkim rokovima i izazovima zbog praznične sezone, naš iskusan tim je projekat održao u planu. Proaktivan i pragmatičan stav tima pomogao je da se efikasno upravlja kompleksnošću projekta. Mnogo pozitivne energije i dobar smisao za humor svakako su pomogli.
REZULTATI
Mirus Australia je pokazao izveštaj svojim klijentima i dobio izuzetno pozitivne reakcije. Napravili smo MVP. Funkcioniše, koncept je dokazan. Planiranje rollout-a za četiri lokacije je skoro gotovo!
Sledeći korak: LANSIRANJE!
AI u usklađenosti
poslovanja
Klijent: Letzz
KONTEKST
U strogo regulisanim industrijama poput iGaming-a, praćenje regulative može biti vremenski i finansijski zahtevno. Ograničeni resursi često primoravaju compliance timove da budu reaktivni, fokusirani na održavanje usklađenosti, umesto da budu pravi partneri biznisu, aktivno uključeni u strategiju kompanije i održiv rast. Postojeći alati ne pružaju značajnu pomoć.
PROBLEM
Ogromne promene, rastući troškovi uz manje ili statične budžete, praznine u poznavanju jurisdikcija, manjak efikasnih alata i stalno “gašenje požara” — sve to opterećuje retke i skupe resurse, čini da timovi teško balansiraju usklađenost i rast i ostavlja potencijalnu stratešku vrednost compliance-a neiskorišćenom.
Istovremeno, postoji razumljiv skepticizam prema upotrebi automatizacije u compliance-u. Ključno pitanje korišćenja veštačke inteligencije u oblasti prava i zakonodavstva je nivo tačnosti, koji mora biti veoma visok.
REŠENJE
Razvili smo tehničko rešenje za Letzz, prvi AI-powered Compliance Workspace. Platforma kontinuirano prati zvanične regulatorne izmene, validira ih i vodi ih kroz interpretaciju i implementaciju. Pomaže compliance officerima da daju precizniji i brži odgovor na sva compliance pitanja koja od biznisa mogu da stignu – od marketing kampanja do otvaranja novih tržišta.
Svaki upit ili promena dolazi sa potpunom sledljivošću i revizorski spremnim dokazima. Compliance tim u svakom trenutku vidi tačan izvor i zakonski osnov, što donosi mir i sigurnost da je promena ispravno protumačena. A Letzz sve prati. Nema propuštenih izmena u propisima.
Pored baze legislative koja se automatski i stalno ažurira, Letzz daje i jasan pregled regulatornih zahteva grupisan po oblastima i temama filtriranim za konkretan compliance tim. Umesto da sami postavljaju pitanja i vode internu evidenciju, sve promene – i predlozi kako ih primeniti u organizaciji – korisnike čekaju u platformi.
Letzz odlikuju industry-leading enkripcija, stroga usklađenost sa svim glavnim propisima o zaštiti podataka, dizajn prilagođen korisnicima i bezbedna, prilagodljiva okruženja.
Tehnologije: Java, PostgreSQL, Spring Boot, Python, React, TypeScript, Docker, Kubernetes.
REZULTATI
Već u ranim fazama, Letzz štedi značajan deo vremena koje bi inače bilo potrošeno na istraživanje regulative. Uz Letzz, operateri prelaze sa manuelne, fragmentisane i reaktivne usklađenosti ka proaktivnom, podacima vođenom i kolaborativnom modelu. Rezultat su brži izlazak na tržište, manja zavisnost od eksternih konsultanata i manje glavobolja tokom revizija — sve to u okviru bezbednog radnog prostora jednostavnog za upotrebu koji povezuje usklađenost sa ostatkom poslovanja. Letzz je trenutno prilagođen iGaming industriji i trenutno pokriva deset jurisdikcija širom sveta (Evropa, Južna Amerika). Sa novim klijentima, i taj broj raste.
Letzz je obezbedio prvu investiciju od Henrika Tjärnströma, bivšeg izvršnog direktora Kindred Group-a (sada deo FDJ UNITED), jednog od vodećih globalnih iGaming operatera.
HAIP
Klijent: HOOLOOVOO
KONTEKST
Posle AI proboja iz 2022, kao tech kompanija koja radi za klijente sa kompleksnim platformama i ogromnim skupovima podataka, odlučili smo da se fokusiramo na AI. Ideja je bila da izgradimo sopstvenu ekspertizu i koristimo AI da unapredimo svoje poslovanje, kao i da možemo da razvijamo sopstvene AI proizvode i pomognemo klijentima da iskoriste prednosti tehnologije.
PROBLEM
Većina naših inženjera nije imala stvarno iskustvo sa AI. Naši ljudi iz ne-tehničkih timova su imali malo ili nimalo razumevanja koncepta i mogućnosti AI. Bar neki su bili skeptični prema AI modelima, a većini je nedostajalo razumevanje kako AI može da im pomogne u svakodnevnom radu i životu. Da bismo postigli ekspertizu i mogli da je ponudimo klijentima, želeli smo da prihvatimo AI-Forward pristup u svakodnevnom poslovanju, kao deo kulture u svim odeljenjima naše kompanije.
REŠENJE
Naši inženjeri su razvili HAIP (HOOLOOVOO AI Playground), platformu sa nekoliko prilagođenih AI asistenata, kao jednostavan interni alat za uvođenje i korišćenje AI u celoj organizaciji.
HAIP-ovi AI asistenti su izuzetno prilagodljivi — koriste 10+ integrisanih AI modela i biraju one koji najbolje odgovaraju datom zadatku. Kao dodatne mogućnosti, asistenti nude napredne chat opcije: upload dokumenata, sumarizaciju, prevod, pretragu i drugo.
Sa robusnom enkripcijom i bez korišćenja korisničkih podataka za trening AI modela, HAIP je bezbedan, siguran i korisnički prijatan AI resurs, prilagođen specifičnim potrebama različitih odeljenja i timova.
Kako smo to uradili „ispod haube"? Integrisali smo HAIP sa našom Java bibliotekom da pojednostavimo interakciju sa različitim AI provajderima poput OpenAI, Anthropic i Amazon Bedrock, i uprostili AI integraciju kroz aplikacije. Backend se oslanja na Java, PostgreSQL i Spring Boot za efikasan razvoj servisa, uključujući bezbednu autentikaciju i autorizaciju kroz custom IAM komponentu. Za frontend koristimo React sa MaterialUI radi konzistentnog, responsivnog i prijatnog dizajna. Docker i Kubernetes upravljaju backend infrastrukturom i omogućavaju stabilan, skalabilan i efikasan deployment.
AI se brzo razvija, a HAIP se kontinuirano razvija sa njim — kroz stalna unapređenja koja sve efikasnije odgovaraju na poslovne potrebe naših korisnika.
Tehnologije: Java, PostgreSQL, Spring Boot, React, TypeScript, Docker, Kubernetes.
REZULTATI
HAIP je bio savršena ulaznica za demokratizaciju AI alata i pomogao je našim ljudima (svim našim ljudima) da razumeju, prihvate i koriste AI. Preko 60% naših ljudi (i taj broj raste) sada redovno koristi AI u svakodnevnom radu i pri tome se oseća dobro i sigurno.
Posle više od godinu dana praktične upotrebe i stalnih unapređenja, HAIP je idealna platforma za organizacije u ranoj fazi usvajanja AI-ja.
AI arheologija
legacy
koda
Klijent: DualSoft
KONTEKST
DualSOFT je IT kompanija sa više od 20 godina iskustva u sports betting i iGaming industriji. Njihovu potpuno integrisanu platformu za sportsko klađenje — online, mobilno, uživo i preko terminala — koriste partneri i korisnici u više zemalja. Građena je i dograđivana godinama. Kao i kod mnogih legacy sistema, nedostajala joj je formalna tehnička dokumentacija: znanje o arhitekturi, poslovnim pravilima i istorijatu odluka.
PROBLEM
Svaki novi inženjer učio je sistem uvidom u nepotpunu i potencijalno zastarelu dokumentaciju, “kopanjem” po kodu i ispitivanjem starijih kolega i koleginica. Uvođenje u kompleksne delove sistema trajalo je nedeljama. Poslovna logika se nalazila duboko u kodu, na raznim mestima. Odgovori na pitanja kao što su "šta ovo podešavanje zapravo uključuje?" ili "sme li ovo da se menja?" zavisili su od dostupnosti senior inženjera (“bus factor” rizik). Na red je došla modernizacija platforme. Klijent je reagovao. Direktno ubacivanje koda u generički AI model ne rešava problem: u ovakvom sistemu, kod je preveliki da bi ga bilo koji model "pročitao" odjednom, pa gubi nit i preskače delove. Još rizičnije je to što AI ume da izmišlja — u jednom od prvih pokušaja na realnom servisu klijenta, model je napisao uverljive opise koji su se pozivali na 27 funkcija koje u kodu uopšte ne postoje. Dokumentacija u koju se ne može verovati gora je od nepostojeće: navodi na pogrešne odluke.
REŠENJE
Zajedno sa klijentom, odlučili smo da testiramo multiagentski pristup analize koda i definisali repozitorijum na kom ćemo da radimo PoC. Tako je nastao AI Code Archaeologist, automatizovan sistem koji "iskopava" znanje iz izvornog koda. Tim od 11 specijalizovanih AI agenata analizira kod i generiše preglednu, strukturisanu dokumentaciju — od poslovnih pravila i rečnika domena do tehničkih detalja sa dijagramima. Osam "ekstraktor" agenata, svaki ekspert za jednu oblast, radi paralelno na izolovanim zadacima, dok preostala tri "investigator" agenta od tih strukturnih podataka sastavljaju priču poslovnim jezikom — šta servis radi i kako zahtev putuje kroz sistem. Sistem dodatno čita i git istoriju: popravke bagova otkrivaju granične slučajeve naučene u produkciji, a statistika izmena pokazuje ko je stvarni ekspert za koji deo sistema.
Dokumentacija je namerno podeljena po ulogama — poslovni deo (pravila i pojmovi, bez ijedne linije koda, za product i support timove) i inženjerski deo (tehnički detalji sa referencama na kod) — tako da svako čita samo svoj sloj.
AI ne može sve sam. Sistem je kompleksan, iza njega su ipak godine znanja. Zato je centralni princip rešenja bio da AI radi samo tamo gde je nezamenljiv, dok sve što treba precizno i ponovljivo da se uradi — radi klasičan, deterministički softver. Činjenice ne izvlači AI nego alati za analizu koda. Strukturu dokumenata ne piše AI nego šablon, kroz koji klasična skripta mašinski popunjava finalne stranice, pa isti ulaz uvek daje identičan izlaz. AI piše samo kratke poslovne narative o tome šta određeni deo sistema radi i čemu služi — i čak i tu prolazi kroz tri kontrole protiv izmišljanja: prevenciju (pre pisanja dobija zatvoren spisak svih stvarnih klasa i funkcija i sme da citira samo sa njega), proveru (poseban validator proverava svaki pomenuti naziv direktno protiv koda, a generisanje pada ako je nešto izmišljeno) i kontrolu na upisu (pomoćna skripta proverava format izlaza pre snimanja i vraća agentu precizan opis greške ako format nije ispravan).
Sistem je građen kroz spec-driven development, uz "ustav" projekta koji definiše pravila koja se ne krše — i kontinuirano testiran na realnom, produkcionom klijentovom servisu (jedan od core servisa platforme, plus tri zavisna repozitorijuma), gde je svako probno pokretanje otkrilo novu vrstu greške pretvorenu u ispravku i automatski test.
REZULTATI
Kao PoC (ne gotov proizvod), rešenje je ispunilo sva tri unapred definisana kriterijuma uspeha: ekstrakcija znanja, pouzdanost sadržaja i demonstracija brzine (kompletna dokumentacija iz jedne komande, za manje od sat vremena — posao za koji bi timu inženjera trebale nedelje). Kvalitet alata potvrđuju 360 automatskih testova, 73 provere konzistentnosti i deterministički render. Klijent je dobio verifikovanu dokumentaciju za tri profila korisnika (inženjeri u razvoju, timovi podrške i product/menadžment), dokaz da rešenje nije jednokratno, nego alat za višekratnu upotrebu, i konkretan, testiran uvid u to šta AI može sa njihovim sistemom — i šta još uvek ne može — kao osnovu za dalje strateške odluke. Pet recenzenata klijenta, iz sva tri profila, ocenilo je dokumentaciju kao dobar početak. Fidbek je precizno je ocrtao i zadatke za naredne iteracije. Pristup je moguće dalje skalirati na nove repozitorijume i u relativno kratkom roku pokriti ceo legacy kod — dokumentacijom koja se lako drži up to date. Naučili smo da se poverenje u AI ne postiže boljim promptom nego arhitekturom. Sve što može deterministički — ide deterministički. Sve što piše AI — ide uz mehanizam validacije. AI koristimo tamo gde je dobira (razumevanje i pisanje); klasičan softver za sve ostalo (parsiranje, struktura, provere). Testiranje — na stvarnom kodu klijenta. Operativno znanje koje nije u kodu — vrednosti parametara po okruženjima, logovi, uticaj izmena na druge sisteme — mora da dođe iz drugih izvora. PoC je tu granicu precizno ocrtao, i to je polazna tačka za sledeću fazu.