Japonics / EDTECH

KOTORI

Platforma nauki jezykow obcych łącząca kursy, powtorki, listening, speaking, szkoly jezykowe i content operations dla wielu jezykow rownolegle.

System design Development AI/ML
KOTORI preview
Klient: Japonics Rok: 2026

Platforma nauki języków local-first

Punkt wyjścia projektu

Kotori łączy SRS, aktywną praktykę i AI z operacjami szkoły językowej w jednym modelu domenowym, w którym nauka działa lokalnie, a AI i chmura rozszerzają produkt zamiast być jego jedynym trybem działania.

Sytuacja wyjściowa

Nauka jezyka rozpada sie na aplikacje od fiszek, kursy, notatki, lekcje online i osobne systemy szkoly.

Obrany kierunek

Kotori łączy domeny learningu i language school bez mieszania odpowiedzialnosci. Content ma wersjonowanie, cwiczenia maja lifecycle, SRS ma osobny model planowania, a szkoly otrzymuja panel operacyjny dla grup, nauczycieli i postepu.

Biznes / Produkt

Problemy i rozwiązania

Każdy kafelek łączy realne napięcie produktu z decyzją projektową, która porządkuje domenę, UX albo operacje.

Problem

Nauka jezyka rozpada sie na aplikacje od fiszek, kursy, notatki, lekcje online i osobne systemy szkoly.

Rozwiązanie

Zaprojektowac platforme, która łączy learning engine, content, SRS i operacje szkoly w jednym modelu.

Efekt Pelna mapa domen EdTech
Problem

Zakres mogl latwo zamienic sie w liste funkcji bez wspolnego modelu produktu, danych i odpowiedzialnosci.

Rozwiązanie

Kotori łączy domeny learningu i language school bez mieszania odpowiedzialnosci. Content ma wersjonowanie, cwiczenia maja lifecycle, SRS ma osobny model planowania, a szkoly otrzymuja panel operacyjny dla grup, nauczycieli i postepu.

Efekt SRS i content authoring jako osobne domeny
Problem

Projekt potrzebowal decyzji, ktore zostana czytelne po pierwszej wersji: dla uzytkownika, zespolu i dalszego delivery.

Rozwiązanie

SRS i content authoring jako osobne domeny. Listening/speaking gotowe pod AI feedback.

Efekt Wyrazny model content lifecycle

Role i kompetencje

Kompetencje, których wymagał ten projekt

Kompetencje są pokazane jako role odpowiedzialności: od CTO i Tech Leada po engineering, DevOps, cloud, security oraz AI tam, gdzie były częścią pracy.

01

Fractional CTO

Spinanie tezy produktu, ryzyka domenowego i priorytetow tak, zeby technologia wspierala decyzje biznesowe zamiast tworzyc osobny tor pracy.

Otwórz kompetencję
Zakres
  • Kategoria produktu i pozycjonowanie
  • Priorytety zakresu i ryzyka
  • Decyzje gotowe do rozmowy z founderem albo CTO
Wyniesione doświadczenie
  • Teza produktu zamieniona w priorytety techniczne.
  • Ryzyka opisane jezykiem zrozumialym dla biznesu.
02

Tech Lead

Ukladanie granic odpowiedzialnosci, modelu domeny i decyzji architektonicznych tak, zeby projekt mogl rosnac bez przypadkowego monolitu.

Otwórz kompetencję
Zakres
  • Bounded contexts i odpowiedzialnosci
  • Czytelne decyzje techniczne
  • Roadmapa bez chaosu implementacyjnego
Wyniesione doświadczenie
  • Granice domen i decyzje, do ktorych mozna wrocic po MVP.
  • Model odpowiedzialnosci czytelny dla kolejnych etapow delivery.
03

Software Engineer

Przekladanie domeny na ekran, API, przeplywy i model utrzymania, z naciskiem na prostote, czytelnosc i rozwoj po MVP.

Otwórz kompetencję
Zakres
  • Backend i kontrakty aplikacyjne
  • Powierzchnie UX gotowe do iteracji
  • Kod i model utrzymania
Wyniesione doświadczenie
  • Implementacja podpieta pod realny workflow produktu.
  • Kontrakty i kod przygotowane na iteracje po pierwszej wersji.
04

DevOps Engineer

Projektowanie sciezki delivery, obserwowalnosci i operacji tak, zeby release, diagnostyka i recovery byly elementem produktu.

Otwórz kompetencję
Zakres
  • CI/CD i release readiness
  • Observability i sygnaly produkcyjne
  • Operacje bez recznych rytualow
Wyniesione doświadczenie
  • Release, diagnostyka i recovery zaprojektowane jako czesc produktu.
  • Sygnaly produkcyjne gotowe do utrzymania bez zgadywania.
05

Cloud Engineer

Dobor fundamentow chmury, danych i integracji tak, zeby skala, koszt i niezawodnosc nie byly dopisane po fakcie.

Otwórz kompetencję
Zakres
  • Google Cloud i uslugi zarzadzane
  • Dane, eventy i storage
  • Koszt i operacyjna kontrola
Wyniesione doświadczenie
  • Chmura dobrana pod koszt, skale i odpowiedzialnosc danych.
  • Integracje i storage opisane jako fundament, nie dopisek.
06

Security Engineer

Dostep do tresci i danych ucznia jest kontrolowany na poziomie biblioteki i profilu, a local-first model nauki ogranicza to, co w ogole musi trafic do chmury.

Otwórz kompetencję
Zakres
  • Kontrolowany dostep do tresci przez library API keys
  • Izolacja postepu i preferencji per profil ucznia
  • Local-first jako redukcja ekspozycji danych w chmurze
Wyniesione doświadczenie
  • Prywatnosc, role i audyt wbudowane w model produktu.
  • Bezpieczenstwo widoczne w decyzjach domenowych, nie tylko w UI.
07

AI/ML Engineer

Traktowanie AI jako funkcji produktu: z kontekstem, ograniczeniami, wersjonowanymi sygnalami i bez mieszania faktow z interpretacja.

Otwórz kompetencję
Zakres
  • LLM jako kontrolowana funkcja
  • Jakosc sygnalow i projekcji
  • Odpowiedzialne ograniczenia produktu
Wyniesione doświadczenie
  • AI ograniczone kontekstem, sygnalami i odpowiedzialnoscia produktu.
  • Granica miedzy faktami i interpretacja utrzymana w architekturze.

Stack według kompetencji

Tech stack

Stack jest uporządkowany według kompetencji, żeby było widać nie tylko technologie, ale też odpowiedzialność: software, leadership, DevOps, cloud, security i AI.

Software Engineer
  • .NET / ASP.NET Core
  • TypeScript
  • .NET MAUI mobile client
  • Angular web client
  • Domain logic engines
  • PostgreSQL
Tech Lead
  • Domain modeling
  • Offline-first domain model
DevOps Engineer
  • OpenTelemetry
  • Cloud Logging
Cloud Engineer
  • Object storage
Security Engineer
  • Privacy architecture
  • Local-first data minimization
  • Scoped content access control
AI/ML Engineer
  • LLM orchestration
  • AI feedback loops
.NET / ASP.NET Core .NET MAUI mobile client Domain logic engines Domain modeling OpenTelemetry Object storage Local-first data minimization LLM orchestration .NET 8 LLM feedback Angular Scoped API keys per library .NET / ASP.NET Core .NET MAUI mobile client Domain logic engines Domain modeling OpenTelemetry Object storage Local-first data minimization LLM orchestration .NET 8 LLM feedback Angular Scoped API keys per library .NET / ASP.NET Core .NET MAUI mobile client Domain logic engines Domain modeling OpenTelemetry Object storage Local-first data minimization LLM orchestration .NET 8 LLM feedback Angular Scoped API keys per library
TypeScript Angular web client PostgreSQL Offline-first domain model Cloud Logging Privacy architecture Scoped content access control AI feedback loops SRS engine .NET MAUI Local-first sync Per-profile isolation TypeScript Angular web client PostgreSQL Offline-first domain model Cloud Logging Privacy architecture Scoped content access control AI feedback loops SRS engine .NET MAUI Local-first sync Per-profile isolation TypeScript Angular web client PostgreSQL Offline-first domain model Cloud Logging Privacy architecture Scoped content access control AI feedback loops SRS engine .NET MAUI Local-first sync Per-profile isolation