Tomasz Kobus

PROJEKTY

Co zbudowałem

Self-hosted infrastruktura serwerowa

99.92% uptime

Środowisko produkcyjne 24/7 — 30+ skonteneryzowanych serwisów na Xeon E5-2680v4 + Quadro RTX 4000 + 2 TB storage. Full-stack self-hosted: chmura plików, automatyzacja domu, ML/GPU tooling, serwery gier dla znajomych. Ekwiwalent ~$500+/mc w AWS.

▸Architektura Docker Compose z YAML anchors, izolowanymi sieciami (internal/external) i health checkami per-serwis

▸Zero-trust expose przez Cloudflare Tunnel (2 tunele, subdomenowy routing) — brak otwartych portów publicznych

▸ML/GPU: CellForge (własny notebook IDE) + PyTorch + CUDA 12.6 z NVIDIA Container Toolkit

▸Self-hosted cloud: Nextcloud (plik/kalendarz/kontakty), Home Assistant, Jellyfin + *arr stack, aplikacja Next.js z Postgres

▸Gaming: Pelican panel orkiestrujący 6× Minecraft + Terraria + Core Keeper dla znajomych

▸Monitoring: Uptime Kuma (99.92% za ostatnie 6 mc) + Glances + Watchtower auto-updates, custom Flask power-monitor (RAPL + nvidia-smi)

▸Cloudflare Workers dla custom error pages, SSH hardening (fail2ban + key-only auth), btrfs snapshoty jako safety net

Docker Docker Compose Ubuntu Server Cloudflare Tunnels Cloudflare Workers NVIDIA Container Toolkit Pelican fail2ban btrfs

CellForge — Notebook IDE w Rust

GitHub → Docs → GHCR →

Alternatywa dla JupyterLab zbudowana od zera w Rust + React — natywna implementacja Jupyter messaging protocol, real-time collaboration, PDF export przez Typst. Działa produkcyjnie na mojej infrastrukturze jako środowisko ML.

▸Backend: 7 crates Rust (axum + tokio + zeromq-rs) z rozdziałem odpowiedzialności — 186+ testów jednostkowych

▸Real-time collaboration przez Yjs CRDT — shared editing cel, remote cursors, per-notebook kernel sharing

▸PDF export przez Typst (~50× szybciej niż LaTeX), single binary, template-based

▸Reactive execution przez AST dependency analyzer — auto-rerun downstream cells przy zmianie zmiennej

▸Hub mode: multi-user SQLite + JWT auth, resource limits, plugin system z zipami

▸CI/CD: GitHub Actions build + push na GHCR, pre-built image z Python 3.12 + PyTorch + CUDA — deployment przez docker compose pull

Rust React 19 TypeScript Monaco Yjs CRDT ZeroMQ Typst GitHub Actions CUDA Open Source

InkWatchy — System internacjonalizacji

PR #34 → PR #23 →

Zaprojektowałem i zaimplementowałem kompletny system tłumaczeń wielojęzycznych dla InkWatchy — open source'owego firmware'u zegarka e-ink. Obsługuje EN, PL, DE, SK z compile-time definicjami preprocesora — zero narzutu na embedded hardware.

▸Framework lokalizacji ze 116+ walidowanymi kluczami tłumaczeń

▸Walidacja compile-time zapewniająca kompletność tłumaczeń

▸Format 12h/24h i jednostki Celsius/Fahrenheit

▸Reużywalny szablon języka dla kontrybutorów

▸Przepisany moduł kalendarza — import wielu URL, zdarzenia cykliczne, poprawki stref czasowych

▸Przeprojektowany system QuickAlarm z dynamiczną konfiguracją

C/C++ ESP32 Systemy Embedded Rust Open Source

LLM Benchmark Pipeline — Praca Magisterska

GitHub → Obrona Q4 2026

Wielowymiarowa ewaluacja 10 modeli LLM (6 komercyjnych + 4 lokalne) na 80 zadaniach — 800 wywołań, 4 metryki, własny pipeline w Pythonie z GPU-accelerated evaluation.

▸4 metryki: Pass@1 (unit tests), CodeBLEU (AST + dataflow), BERTScore (RoBERTa-large), G-Eval w skali 1-100 (LLM-as-a-Judge)

▸10 modeli: Claude Opus 4.6, GPT-5.2, Gemini 3.1 Pro, Grok 4, DeepSeek V3.2, KIMI K2.5 (API) + Qwen2.5 14B, Gemma3 12B, Mistral-Nemo 12B, Llama3.2 3B (lokalne przez Ollama)

▸Kluczowy wynik: modele lokalne 12-14B konkurują z komercyjnymi na zadaniach programistycznych (Gemma3 12B = 94% Pass@1, przebija 4/6 modeli API)

▸Odkrycie metodologiczne: efekt sufitowy w G-Eval skali 1-5 (5/6 modeli = 4,99-5,00), rozwiązany przez powtórną ewaluację w skali 1-100

▸Sandboxowane wykonywanie kodu z timeout protection · Master pipeline Bash z conda env management i auto-detekcją VRAM

▸GPU-accelerated ewaluacja (CUDA/PyTorch, BERTScore na RoBERTa-large) z automatycznym fallbackiem na CPU

Python Bash Ollama OpenRouter API PyTorch CUDA HuggingFace conda tree-sitter

GŁÓWNY STACK

Linux (Debian/Arch) Docker & Compose Cloudflare Tunnels NVIDIA / CUDA GitHub Actions SSH Hardening Rust Python PyTorch TypeScript React / Next.js Bash C++ Git

JĘZYKI

Polski (ojczysty) · Angielski C1 (certyfikat Cambridge)

DOŚWIADCZENIE

Historia pracy

04.2025 – Obecnie

Instruktor programowania

Giganci Programowania · Częstochowa

▸Prowadzenie zajęć programowania dla dzieci (9–12 lat) — Scratch, Python, Minecraft Education, Lua

▸Zarządzanie flotą stanowisk edukacyjnych (konwencja S0-S19, podział trener/student) — setup, patching, Veyon classroom monitoring

▸Deployment i utrzymanie edukacyjnych serwerów Minecraft na self-hosted infrastrukturze

▸Live incident response podczas zajęć — szybka diagnostyka issues sprzętowych i sieciowych

WYKSZTAŁCENIE

Politechnika Częstochowska

Mgr — Sztuczna Inteligencja i Data Science 2025 – Obecnie

Widzenie Komputerowe · Systemy Rekomendacyjne · Inteligentne Systemy Transakcyjne · NLP · Deep Learning · Architektury Obliczeniowe dla AI

Praca magisterska: Porównanie dużych modeli językowych (LLM) na zadaniach tekstowych i kodowych · Obrona Q4 2026

Inż. — Informatyka, Sieci Komputerowe 2020 – 2025

Bezpieczeństwo Systemów Komputerowych · Zarządzanie Infrastrukturą Datacenter · Sieci Bezprzewodowe · Administracja Sieciowymi SO · Systemy Wbudowane · Języki Skryptowe

Cambridge English C1 · 2022

Infrastruktura × AI.