Oprogramowanie projektowane z intencją

Precyzyjne oprogramowanie
dla szybko zmieniającego się świata.

Chronox Software projektuje i buduje inteligentne systemy, od konwersacyjnego AI po bazy danych, które trzymają je w ryzach. Wszystko mierzymy. Dwa razy.

0Zrealizowane duże projekty
0Średnia dostępność platformy
0Branże z wdrożeniami
0Dni roboczych do pierwszej odpowiedzi

Dlaczego istniejemy

Nasza misja

Upraszczamy inteligentne oprogramowanie. Budujemy systemy, które działają wyprzedzająco, tłumaczą swoje decyzje i nigdy nie zawodzą, aby Twój zespół mógł skupić się na tym, co naprawdę przynosi wyniki.

Zrzut ekranu produktu

Czym się zajmujemy

Nasze kompetencje w skrócie

Sześć specjalności, jeden zespół. Sprawdź, jak łączymy symulacje procesów z inżynierią oprogramowania.

Konwersacyjne AI

Rozmowy ukierunkowane na intencje, pamięć kontekstu, właściwy ton i płynne przekazanie wątku człowiekowi, gdy sytuacja tego wymaga.

LLM · RAG · Agenci AI

Bazy danych i architektura

Skalowalne schematy, zapytania, które nie zwalniają wraz ze wzrostem danych, oraz migracje przeprowadzone bezstresowo.

PostgreSQL · SQL Server · Projektowanie

Rozszerzona inteligencja

Systemy wspomagania decyzji, które wzmacniają Twój zespół, zamiast go zastępować.

Prognozy · Scoring · Alerty

Analityka danych

Od surowych zdarzeń po czytelne dashboardy, do których dyrektor finansowy zagląda z przyjemnością.

ETL · BI · Raporty

Web i automatyzacja

Wydajne interfejsy oraz procesy w tle, które działają niezawodnie i bezobsługowo.

API · Integracje · CI/CD

Niestandardowe wyzwania

Kafelki powyżej to obszary, w których mamy największe doświadczenie. Najciekawsze projekty to jednak te, które wykraczają poza utarte schematy. Powiedz nam, gdzie tkwi problem, a zaprojektujemy oprogramowanie, które go rozwiąże

Własne budowy · Prototypy · To, czego nie ma na liście

Interaktywnie

Symulacja

Symulacja naszego AI konwersacyjnego. Ta demonstracja jest w pełni skryptowana; prawdziwy silnik wdrożymy w Twojej firmie.

Chrono Symulacja

Co oferujemy

Nasze usługi

Każde zlecenie zaczyna się od krótkiego audytu. Rozwiń sekcję, aby zobaczyć co wykonujemy.

Zobacz, jak to budowaliśmy

Wzbogacamy Twoje procesy o algorytmy uczenia maszynowego. Budujemy systemy scoringowe, prognozy popytu, alerty o anomaliach i silniki rekomendacji. Człowiek zachowuje pełną kontrolę, a każdy wniosek AI otrzymuje proste, zrozumiałe wyjaśnienie.

PrognozyScoring ryzykaWykrywanie anomaliiRekomendacje

Inteligentni asystenci na stronach WWW, w komunikatorach i kanałach głosowych. Odpowiadamy za pełny stack: od projektowania intencji i architektur RAG, po bezpieczeństwo danych, analitykę i płynne przekazanie rozmowy człowiekowi w kluczowych momentach.

Czat webowyGłosRAGPrzekazanie człowiekowi

Architektura baz danych, optymalizacja wydajności i migracje. Projektujemy schematy, które rosną razem z Tobą, piszemy SQL, który pozostaje czytelny i pilnujemy, by model danych był spójny.

PostgreSQLSQL ServerOptymalizacjaMigracje

Potoki danych, magazyny i dashboardy. Zamieniamy rozproszone logi i arkusze w jedno zaufane źródło liczb oraz raporty, które management faktycznie czyta.

ETL/ELTDashboardyRaportowanieJakość danych

Aplikacje i portale internetowe tworzone na wymiar: od systemów intranetowych po produkty B2B i B2C. Szybkie, bezpieczne i stabilne tak bardzo, że po wdrożeniu po prostu zapominasz o ich istnieniu.

SPAPortaleAPIIntegracje

Jeśli jakieś zadanie sprowadza się do „kopiuj-wklej”, powinien wykonywać je skrypt. Automatyzujemy integracje między odizolowanymi systemami, oddając Twojemu zespołowi czas na wyzwania, które naprawdę wymagają ludzkiego myślenia.

RPAIntegracjeCI/CDMonitorowanie

W środku

Implementacje

Szczegółowe materiały o rozwiązaniach, które wdrożyliśmy: jak działały, co zawierały i co rozwiązywały.

Wnioskodawca składa wniosek główny wraz z pakietem załączników: PDF-y, pliki Word, arkusze, skany. Zanim cokolwiek trafi do modelu, warstwa kliencka przepuszcza obrazy i dokumenty Word przez Azure Document Intelligence (prebuilt-read) i normalizuje pozostałe formaty (ODT i ODS są najpierw konwertowane do DOCX i XLSX), więc strumień operuje wyłącznie na tekście. Backend nie przetwarza surowych plików.

Kryteria programu naborów definiuje się w pliku CSV: dla każdego kryterium nazwa, maksimum punktów i przedziały punktowe, każdy przedział z własnym warunkiem i uzasadnieniem, a całość składa się na strukturalny plik reguł. Do promptu trafiają: wniosek główny, każdy załącznik pod własnym markerem sekcji, plik wiedzy stałej i podsumowanie poprzedniej oceny, więc drugi przebieg opiera się na tym, co ustalił pierwszy, zamiast zaczynać od zera.

Pełna ocena przekracza 240-sekundowy limit nieaktywności platformy, więc żądanie zwraca status 202 i identyfikator zadania; klient odpytuje o status po tym identyfikatorze, a kolejka obsługuje zadania trwające do 15 minut, wysyłając heartbeat co 30 sekund. Model jest wybierany według oszacowanej liczby tokenów: główny deployment, gdy payload się mieści, automatyczny fallback, gdy nie. Każda odpowiedź jest weryfikowana przez Azure Content Safety z maksymalnie dwiema regeneracjami; jeśli trzecia próba też nie przejdzie, zwracana jest bezpieczna, przygotowana z góry odpowiedź zamiast surowego wyniku modelu.

Wynikiem jest werdykt dla każdego kryterium: punkty, cytat z dokumentu źródłowego i uzasadnienie zrozumiałe nawet dla osoby spoza dziedziny. Urzędnik przegląda go linia po linii.

Przed wdrożeniem ten przebieg wykonywano ręcznie: czytano każdą stronę wniosku i jego załączników, przechodzono po kolei przez kryteria; całość zajmowała godziny i zależała od formy oceniającego. System wykonuje pierwszy pełny przebieg w kilka minut, stosuje wobec każdej sprawy tę samą kolejność kontroli i przenosi ciężar pracy urzędnika z czytania na weryfikację. Gdy zmieniają się reguły programu naborów, zmiana działa jeszcze tego samego dnia roboczego, a następna ocena idzie już według zaktualizowanych reguł, bez żadnej zmiany oprogramowania.

Utrzymanie jest celowo lekkie: nowy program naborów to edycja CSV, pliki wiedzy znajdują się w Blob Storage i są wczytywane od nowa co trzy godziny, a osobne klucze API pozwalają temu samemu backendowi obsługiwać i punktowanie, i weryfikację załączników, i kontrolę błędów, i wypełnianie kart, bez ponownego wdrożenia.

Azure OpenAIDocument IntelligenceZadania asynchroniczneContent SafetyKryteria z CSV

Baza wiedzy to folder z dokumentami, a strumień treści jest celowo prosty. Indexer uruchamiany codziennie pobiera pliki z Azure Blob Storage, dzieli strony na fragmenty do 2000 znaków z 500-znakowym nakładem, żeby informacja nalająca się na granicę była zachowana po obu stronach, embeduje fragmenty w 1536 wymiarach i indeksuje wynik przez HNSW. Każdy fragment zawiera też do dziesięciu wyodrębnionych fraz kluczowych i odnośnik do strony nadrzędnej.

Zapytanie idzie oboma torami wyszukiwania naraz: BM25 po treści fragmentu, tytule (waga 3,0) i frazach kluczowych (waga 2,0), spięte z zapytaniem wektorowym fuzją RRF. Jeden round trip, oba tory, wykonywane po stronie serwera.

Połączone wyniki trudno bezpośrednio porównywać między torami, więc strumień robi reranking po swojemu: normalizacja min-max na całej partii kandydatów (z zabezpieczeniem od wariancji, żeby przy wyrównanej partii zachować kolejność zwróconą przez serwer), a potem skalowanie potęgą 0,7, które rozsuwa wyniki sklejone w jednym miejscu. Kilka linijek matematyki zastępuje dedykowany reranker, którego warstwa wyszukiwania nie oferuje, a indeks zachowuje się, jakby go miał. Najlepsze pięć fragmentów jest zwracanych razem ze źródłem, punktacją i trybem, który je znalazł.

Asystent pracuje przez natywne wywołania funkcji: narzędzie wyszukiwania, które obsługuje zapytania hybrydowo, wektorowo albo tekstowo, i narzędzie dokumentów, które wyciąga pełny tekst PDF lub Worda, gdy fragmentu nie wystarcza. Dopuszcza osiem rund i do dwudziestu czterech wywołań narzędzi, równolegle, gdzie to możliwe; po wyczerpaniu budżetu dostaje polecenie, by odpowiedział na podstawie tego, co już ma. Gdy embedding się zawiesi, zapytanie schodzi do trybu tekstowego, a każda odpowiedź jest sprawdzana pod kątem oparcia w pobranym kontekście, zanim opuści API.

Przed wdrożeniem pytanie w supporcie oznaczało ręczne znalezienie właściwego dokumentu, przeczytanie go i napisanie odpowiedzi od zera, a to samo pytanie za każdym razem odpowiadano od nowa. Asystent odpowiada na podstawie konkretnej strony, którą przeczytał, i dokleja do niej numer oraz punkt wyszukiwania, w takim samym standardzie o 21:00 co o 9:00. Czas zespołu zostaje dla spraw, które wymagają ludzkiego osądu.

Sekrety są przechowywane w Azure Key Vault, a usługa uwierzytelnia się managed identity, więc żaden statyczny klucz nie znajduje się w samej usłudze. Jedna Logic App restartuje serwis codziennie (GC, odświeżenie połączeń), druga wysyła logi do Blob Storage, a endpoint zdrowotny raportuje stan healthy albo degraded. Dodanie dokumentu do bazy to wrzucenie pliku; następny przebieg indexera go podłapie i nic innego się nie rusza.

Azure AI SearchHybryda BM25 + wektorRęczny rerankingWywołania funkcjiKey Vault + Managed Identity

Wdrożenie objęło zestaw produkcyjnych instancji PostgreSQL na Amazon RDS, każdą z własnym harmonogramem. Wewnątrz serwera bazy danych nie dzieje się nic: silnikiem jest flota funkcji AWS Lambda uruchamianych regułami EventBridge, ze stanem w DynamoDB i jednym plikiem konfiguracyjnym na instancję w S3. Baza widzi wyłącznie zwykłe zapytania SQL przez standardowe połączenia.

Każdy przebieg zaczyna się od pomiaru: rozmiary tabel i indeksów względem poprzedniego przebiegu, degradacja oszacowana przez pgstattuple, martwe krotki z kolektora statystyk oraz stopień nieaktualności statystyk planera. Silnik przechowuje dla każdego obiektu szereg czasowy w DynamoDB, więc próg to porównanie z trendem, nie z ustaloną wartością: degradacja jest zgłaszana, gdy rośnie przez pięć przebiegów z rzędu, nie wtedy, gdy jednokrotnie przekroczy próg.

Drugi tor obserwuje plany zapytań. Najważniejsze zapytania z pg_stat_statements są co noc przechwytywane jako znormalizowane drzewa planów, a następny przebieg wykonuje EXPLAIN dla każdego z nich. Gdy plan się przewróci, skan indeksowy zamienia się w sekwencyjny albo zmienia się kolejność łączenia, a różnica trafia do raportu razem z drzewami sprzed i po, obok siebie. Regresja planu jest łapana w porannym raporcie, nie w zgłoszeniu, które wywołała.

Tabele z partycjonowaniem czasowym są prowadzone zgodnie z polityką: silnik tworzy partycje kolejnego miesiąca przed końcem bieżącego, usuwa wygasłe zgodnie z plikiem retencji, a gdy brakuje wymaganego ograniczenia, rezygnuje z obu kroków i zgłasza lukę, zamiast zgadywać. Sekwencje blisko maksimum są synchronizowane i raportowane, a blokady przekraczające ustalony próg są przechwytywane razem z zapytaniem oczekującym, zapytaniem blokującym i wiekiem transakcji.

Przed wdrożeniem konserwacją była lista kontrolna na wiki, której nikt nie przechodził: degradację znajdowano w incydencie, trzy tygodnie po tym, jak zaczęła rosnąć, a regresje planów znajdowano w zgłoszeniu, które wciąż było otwarte. Lista stała się pomiarem, a incydent wierszem w porannym raporcie. Ciężar pracy inżyniera przenosi się z odhaczania listy na rozstrzyganie kilku wierszy, które naprawdę wymagają decyzji.

Utrzymanie jest celowo proste: dodanie instancji to jeden plik konfiguracyjny w S3 i jedna reguła EventBridge, sam silnik się nie zmienia. Funkcje nie mają zaszytych statycznych danych dostępowych, każda uwierzytelnia się rolą IAM ograniczoną do własnej bazy, a kanał raportu to jedyne miejsce, w którym pojawia się człowiek.

AWS LambdaRDS PostgreSQLEventBridgeDynamoDBpg_stat_statements

Aplikacja desktopowa działa na komputerze klienta i jedynym ruchem wychodzącym z maszyny jest zapytanie inferencyjne. Wejściem jest to, co księgowa już ma: eksporty wyciągów bankowych, faktury PDF i pliki docierające mailem. Lokalna warstwa najpierw normalizuje formaty, więc model nigdy nie widzi surowego pliku, a lokalna księga w SQLite na tej samej maszynie to jedyny magazyn danych.

Inferencja idzie przez OpenRouter z flagą zerowej retencji ustawioną w każdym żądaniu, więc dostawca jest umownie zobowiązany do nieprzechowywania payloadu; model jest wybierany z zestawu kwalifikującego się do ZDR, a nie po prostu najszybszego albo najtańszego. Dokumenty księgowe to jedyny rodzaj pliku, w którym „model to widział” nie jest akceptowalnym końcem zdania. Model nigdy nie widzi całej księgi, tylko kawałka, o który jest proszony: jednej faktury, jednej pozycji wyciągu, jednej pary do dopasowania.

Warstwa LLM czyta: klasyfikuje wpis, dopasowuje kontrahenta do istniejących nazw w księdze, wyciąga z faktury kwotę, podatek, datę i pozycje oraz łączy pozycje wyciągu z fakturami, które opłacają, w oknie czasowym i z tolerancją kwotową. Każda ekstrakcja to strukturalne pole, nie zdanie, i każde pole jest walidowane lokalnie: pozycje sumowane od nowa i porównywane z kwotą całkowitą, podatek przeliczany od stawki, data sprawdzana względem wyciągu. Pole, które nie przejdzie walidacji, wraca do modelu raz; jeśli zawiedzie ponownie, trafia do kolejki weryfikacji wraz z zapisanym powodem.

Wpisy powyżej progu pewności księgują się same; reszta czeka w kolejce weryfikacji z tym, co maszyna zobaczyła, i z tym, w czym nie była pewna, więc człowiek czyta wątpliwość maszyny, nie fakturę. Każdy zaksięgowany wpis jest odwracalny jednym ruchem, a odwrócenie jest logowane jak każdy inny wpis, więc ślad audytorski nie ma dziury. Miesięczny raport to lista tego, co jest otwarte: niedopasowane pozycje, faktury bez pasującej pozycji w wyciągu i różnica między podatkiem należnym a naliczonym.

Przed wdrożeniem miesiąc zamykano po staremu: faktury czytane ręcznie, wpisy przepisywane do księgi, dopasowanie robione na oko, zamknięcie mierzone w dniach, a błędy znajdowane później, przez audytora. Maszyna czyta i dopasowuje; księgowa robi kilka rzeczy, które wymagają osądu, a zamknięcie mierzy się w godzinach. Księgi zostają na maszynie, na której zawsze były.

Utrzymanie jest celowo ciche: aplikacja aktualizuje się sama, lista modeli jest wczytywana codziennie od OpenRouter, więc nowy model kwalifikujący się do ZDR trafia do puli bez nowej wersji, a warstwa LLM ustawia zadania w kolejce offline i rusza, gdy połączenie wróci. Księga, konfiguracja i logi zostają na maszynie; jedyny ruch zewnętrzny to kanał inferencyjny z flagą retencji, którą dostawca zobowiązuje się uszanować.

OpenRouter (ZDR)Aplikacja lokalnaStrukturalna ekstrakcjaDopasowanieSQLite (lokalnie)

Ludzie

O nas

Zespół inżynierów i analityków danych, którym zależy na szybkim, uczciwym i kształtującym przyszłość oprogramowaniu.

Grzegorz Rygulski

Grzegorz Rygulski

Utrzymanie i kontakty zewnętrzne

Dba o działanie systemów po wdrożeniu: monitoring, aktualizacje i reagowanie na incydenty. Przedstawia Chronox na wydarzeniach branżowych i spotkaniach z partnerami.

Jakub Pierszke

Jakub Pierszke

Wdrożenia i badania

Przekłada badania naukowe na systemy informatyczne. W ostatnich latach zajmował się prywatnie aplikacjami, utrzymaniem systemów, bazami danych, przetwarzaniem obrazów i uczeniem maszynowym.

Maciej Nowak

Maciej Nowak

Marketing i finanse

Zajmuje się marketingiem i finansami: kampaniami, budżetem i planowaniem, dzięki czemu projekty trzymają się harmonogramu.

W skrócie

Chronox Software powstał w 2025 roku w Katowicach. Jesteśmy zespołem trzech wysoko wykwalifikowanych i certyfikowanych osób. Tworzymy oprogramowanie dla firm, które oczekują systemów łatwych w prowadzeniu i przewidywalnych w utrzymaniu. Pokażemy branży, jak wygląda przyszłość, i zbudujemy Wasz projekt, zanim zrobi to konkurencja.

Co słychać

Opinie

Opinie naszych klientów o współpracy i zrealizowanych projektach.

Zaufali nam

AutoPol CargoTrans MICON LEŚNA KRAINAGÓRNEGO ŚLĄSKA
Profesjonalna firma. Korzystając z usług otrzymałem szybkie i efektywne wdrożenie pomocnego narzędzia do automatycznej oceny wniosków. Wszystko działa poprawnie, polecam
PL Piotr L.Dyrektor Biura „Leśna Kraina Górnego Śląska”
Zbudowali mi aplikację do kontaktu z klientami. Działa od pierwszego dnia. Wiadomości nie giną, a ja przestałam ręcznie pilnować skrzynki.
PC Patrycja C.Grafika i marketing
System rezerwacji po prostu działa. Na każdą wizytę klienta wchodzimy przygotowani.
MD Michał D.AutoPol
Nasz zespół musiał łączyć dane z trzech systemów, żeby wiedzieć, gdzie jest cargo. Teraz same trafiają do jednego dashboardu. O problemach dowiadujemy się, zanim zadzwoni klient.
TW Tomasz W.Koordynator logistyki
Raporty na koniec miesiąca zabierały dwa dni. Teraz są gotowe, zanim zacznie się spotkanie.
AK Anna K.CFO

Skontaktuj się z nami

Kontakt

Opowiedz nam o swoim projekcie, danych albo procesie, który jest problematyczny. Odpowiemy w jeden dzień roboczy.

Prawne

Polityka prywatności

Ostatnia aktualizacja: listopad 2026

Prawne

Polityka plików cookies

Ostatnia aktualizacja: listopad 2026