AI Projects

Benvenuto nella sezione portfolio del mio sito. Qui puoi esplorare la mia evoluzione professionale, dal web development tradizionale ai progetti di intelligenza artificiale. Il mio percorso rappresenta un ponte tra la creatività del design frontend e le possibilità innovative offerte dall'AI.

In questo spazio raccolgo ciò che imparo dai libri, articoli e dalle mie esplorazioni nel mondo della programmazione, intelligenza artificiale e machine learning. Trovo connessioni tra logica, scrittura e illustrazione, scoprendo come i dati e la creatività si intrecciano.

Schermata di esempio dell'applicativo AI Interview Preparation

Interview Preparation Assistant with CrewAI

  • Applicazione avanzata che utilizza CrewAI per orchestrare agenti AI specializzati nella preparazione ai colloqui di lavoro, offrendo un'esperienza personalizzata e interattiva
  • Un sistema modulare con tre agenti principali (Research Agent, Interview Coach, Interview Agent) che collaborano per ricercare aziende, generare domande e fornire feedback sulle risposte
  • Interfaccia utente intuitiva sviluppata con Streamlit che guida l'utente attraverso il processo di preparazione, dalla ricerca alla simulazione di colloquio
  • Architettura flessibile basata su file YAML per la configurazione degli agenti, permettendo facile manutenzione e personalizzazione multilingue
Tecnologie utilizzate: CrewAI, Streamlit, Python, UV (gestore pacchetti), YAML, SerperDevTool, ScrapeWebsiteTool, OpenAI API, sanitizzazione input
Scopri il progetto
Schermata di esempio dell'applicativo Nutrichoice

NutriCHOice - Sistema multi-agente

  • Sistema multi-agente basato su LangGraph che implementa l'approccio "Generate then Fix" per la creazione di ricette personalizzate con target nutrizionali specifici
  • Un agente generatore crea ricette creative mentre un agente verificatore ottimizza il contenuto di carboidrati (CHO) tramite strategie adattive multi-livello
  • Sistema avanzato di matching semantico con FAISS e SentenceTransformer per collegare ingredienti generati dall'LLM al database nutrizionale
  • Interfaccia web Streamlit che permette agli utenti di impostare preferenze dietetiche e visualizzare ricette ottimizzate con presentazione HTML strutturata
Tecnologie utilizzate: LangGraph, FAISS, SentenceTransformer, OpenAI API, Streamlit, Python, Pydantic, base64, deepcopy
Scopri il progetto
Schermata di AWS per il testing degli agenti.

AI Travel Agent with AWS

  • Applicazione multi-agente basata su AWS Bedrock che integra agenti AI collaborativi per fornire un servizio di travel planning completo
  • Un agente supervisore gestisce le richieste degli utenti e le smista ad agenti specializzati (alloggi e ristoranti) che forniscono informazioni dettagliate
  • Gli agenti utilizzano funzioni Lambda per interrogare database CSV in S3 e restituire risultati filtrati in base alle preferenze dell'utente
  • API Gateway consente di esporre l'intero sistema come un servizio accessibile via HTTP, testabile attraverso Postman o altre interfacce
Tecnologie utilizzate: AWS IAM, S3, Bedrock, API Gateway, Lambda, Claude 3.5 Sonnet v2, Python, pandas
Scopri il progetto

AI Assistant with RAG

  • Applicazione interattiva che integra tecnologie di Retrieval-Augmented Generation (RAG) per creare due strumenti: Document Q&A e Meal Planner.
  • Il modulo Document Q&A consente di porre domande sui documenti caricati e ricevere risposte precise basate sul contenuto, oltre a generare riassunti completi.
  • Il modulo Meal Planner permette di caricare ricette, generare piani alimentari personalizzati basati su preferenze dietetiche e creare liste della spesa ottimizzate.
Tecnologie utilizzate: Python, Streamlit, LangChain, OpenAI API, Chroma DB, PyPDF, Docx2txt, RecursiveCharacterTextSplitter
Scopri il progetto
Schermata del sito web 'Classificatore di Razze Canine'. L'immagine mostra un'interfaccia utente semplice con un'area di caricamento delle foto e istruzioni per ottenere risultati accurati (foto chiare, un solo cane, buona qualità)

Dog Breed Classifier

  • Applicazione web interattiva per la classificazione di razze canine basata su deep learning
  • Frontend sviluppato con Streamlit che permette agli utenti di caricare immagini e ottenere predizioni
  • Jupyter notebook completo che documenta l'intero processo di sviluppo e addestramento
Tecnologie utilizzate: Python, TensorFlow, Keras, Streamlit, Transfer Learning, MobileNetV2Vision
Scopri il progetto
veronicaschembri
Copyright © Veronica Schembri

Privacy Policy
Cookie Policy