alpAI

Applied AI
Product Case Study

Od ideje do delujočega sistema, ki povezuje gorske poti, razmere, vreme, varnost in umetno inteligenco.

Oglej si aplikacijoKako deluje AI ↓
  • AI
  • Product Engineering
  • Mobile
  • Maps
  • Safety
  • Structured Data

01 — Problem

Problem

Načrtovanje gorske ture zahteva povezovanje informacij iz več različnih virov: poti, zahtevnosti, višinske razlike, vremena, razmer, koč, dostopa, opreme in varnostnih priporočil.

alpAI raziskuje, kako lahko strukturirani podatki, klasična programska logika in generativna umetna inteligenca te informacije združijo v uporabniku razumljivo podporo pri načrtovanju ture.

AI ni vir dejstev o gorskih poteh. Njegova naloga je interpretacija, personalizacija in razlaga podatkov.

02 — Product

Product demo

Posnetka dejanskega produkta, uporabljena tudi na obstoječi spletni strani.

Domači zaslon aplikacije alpAI s turami, vremenom in AI nasvetom
Home / mountain overview
Podroben vremenski pregled za gorsko turo z opozorili
Weather / conditions / warnings

03 — Product engineering

Moja vloga

Projekt je nastajal kot razvoj dejanskega produkta, ne kot demonstracijski chatbot. Razvoj vključuje produktne odločitve, strukturiranje domenskega znanja, delo z zemljevidi in podatki, AI integracijo ter iterativno izboljševanje uporabniške izkušnje.

Product concept
AI workflows
Data architecture
Mobile application
UX/UI iteration
API & data integration
Testing & validation

04 — Architecture

Kako deluje alpAI

01

User

  • User preferences
  • Experience / goals / selected trip
02

Structured data

  • Routes
  • Trailheads
  • Elevation
  • Difficulty
  • Duration
03

Context

  • Weather
  • Mountain conditions
  • Huts
  • Transport
  • Daylight
04

Rules & validation

  • Hard constraints
  • Safety checks
  • Data validation
05

AI layer

  • Interpretation
  • Personalisation
  • Explanation
06

User output

  • Route recommendation
  • Warnings
  • Alternatives
  • Contextual explanation

LLM je plast za interpretacijo in komunikacijo – ne vir geografskih dejstev.

05 — Primer poteka

Od zahteve do priporočila

User input
  • Sobota
  • 5–6 ur
  • Dobra kondicija
  • Želim zahtevnejšo označeno pot
alpAI

Routes · Weather · Conditions · Safety · User context

Recommendation

Viševnik iz Rudnega polja

✓ primerno trajanje

✓ razmere ustrezajo

✓ zaključek pred sončnim zahodom

⚠ nad 2000 m je lahko hladneje

⚠ preveri potrebno opremo

Ilustracija procesa — podatki niso predstavljeni kot aktualna napoved v realnem času.

06 — Grounding & validation

Ko verjeten odgovor ni nujno pravilen

Med razvojem se je pokazal pomemben problem: generativni model lahko poda geografsko informacijo, ki zveni povsem verjetno, vendar je napačna. Pri poizvedbah za Triglav se je lahko pojavilo neustrezno izhodišče. To je vodilo do pomembne arhitekturne odločitve.

Before

User

↓

LLM

↓

Route information

Problem: verjetno ≠ pravilno
After

Verified / curated route data

↓

Application logic

↓

AI interpretation

↓

User

AI naj interpretira dejstva, ne pa jih izmišljuje.
  • Grounding
  • Hallucination awareness
  • Deterministic + generative logic
  • Validation
  • Safety-critical thinking

07 — Applied AI

Trije ključni AI scenariji

01

AI Route Recommendation

  • čas / time
  • izkušnje / experience
  • kondicija / fitness
  • želje / preferences
  • razmere / conditions
02

AI Route Check

  • vreme / weather
  • čas / time
  • zahtevnost / difficulty
  • logistika / logistics
  • opozorila / warnings
03

AI Mountain Assistant

  • razlaga razmer / conditions
  • priprava opreme / equipment
  • orientacija / orientation
  • varnost / safety
  • informacije o turi / trip context

AI pomočnik ni nadomestilo za gorskega vodnika, GORS, uradne vremenske vire ali človeško presojo.

08 — Safety

Safety by design

Preverjeni podatki, kjer je mogoče
Jasno izražena negotovost
Stroga varnostna pravila
Kontekst pred priporočilom
Nujne informacije ostanejo deterministične
AI ne nadomešča uradnih informacij
STOPSTOP / Orientacija
112SOS / 112
◌Razmere
!Opozorila

09 — Technology

Tech stack

Mobile

Flutter

Cross-platform mobile product

Frontend

Next.js + React

Public website and case study

Backend

Node.js + Express

AI and transport service endpoints

AI

OpenAI API

Interpretation and conversational layer

Maps

Mapbox + OpenStreetMap

3D maps, routes and geographic data

Weather / data

ARSO + Meteoblue + Open-Meteo

Weather context and forecasts

Services

Firebase + Sentry

Authentication, data and diagnostics

Deployment

Vercel

Website deployment configuration

10 — Process

Razvoj produkta

  1. 01Opredelitev problema
  2. 02UX in informacijska arhitektura
  3. 03Modeliranje poti in podatkov
  4. 04Prvi delujoči produkt
  5. 05Integracija AI
  6. 06Testiranje realnih robnih primerov
  7. 07Izboljševanje zanesljivosti
  8. 08Trenutni razvoj

11 — Reflection

Kaj sem se naučil

AI ≠ podatkovna baza

Generativni modeli so odlični pri interpretaciji in komunikaciji, vendar niso zanesljiv primarni vir domenskih dejstev.

AI UX je pomemben

Ni dovolj, da model vrne odgovor. Uporabniku je treba pokazati, zakaj je nekaj priporočeno in na kaj mora biti pozoren.

Varnost spremeni arhitekturo

Pri gorski aplikaciji napačen odgovor ni samo slab UX. Zato morajo določena pravila in podatki ostati deterministični.

Dejanski produkti razkrijejo robne primere

Razvoj dejanske aplikacije hitro pokaže težave, ki jih prototip chatbota pogosto skrije: podatki, stanja, napake, uporabniški kontekst, mobilni UX in integracije.

alpAI

alpAI je še vedno v razvoju.

Projekt uporabljam tudi kot praktični laboratorij za razvoj uporabnih in bolj zanesljivih AI sistemov.

Oglej si aplikacijoKontakt