Ayesha Farhath

Erstelle dein Portfolio mit ProoV
ProoV
EN Verifiziertes Arbeitsportfolio

ProoV Portfolio

Ayesha Farhath

Computer science and engineering (Aiml) · CMR College of Engineering & Technology

LinkedIn
Zum ProoV-Leaderboard

Projekte

Zertifiziert

Selbstgesteuertes Projekt

Amazon Robotics - Black-Friday Fleet Coordination

Softwareentwicklung · September 2026

96/ 100

Eine ProoV-Fallstudie · Lernprojekt, kein Arbeitsverhältnis

Built an end-to-end warehouse fleet coordination prototype for Black Friday surge conditions: framed the operational bottleneck as aisle congestion and dock contention, implemented optimal single-agent A* on a 4-connected grid, extended it to centralized cooperative A* with vertex and edge reservations, and validated a 200-robot simulation with zero collisions and zero deadlocks. The final pitch tied the policy to throughput, wait time, and a scoped single-zone pilot ask for leadership.

Bewertet nach

  • Problem framing & operational stakes20%
  • Algorithmic depth - A* and cooperative coordination30%
  • Coordination policy realism - deadlock, charging, idle25%
  • Throughput trade-off analysis15%
  • Executive pitch to leadership10%

Bestanden · Bestehensgrenze 55/100

Was herausstach6
  • Correctly identified that the bottleneck was congestion and dock-queue collapse, not robot speed
  • Implemented A* with an admissible Manhattan heuristic and showed it beat Dijkstra on node expansions
  • Built a reservation table that explicitly blocks both vertex collisions and head-on edge swaps
  • Chose a realistic operating policy: priority-watchdog deadlock handling, staggered charging, and dispersed perimeter idle parking
  • Leakage-Free Feature Engineering
  • Honest Model Evaluation
Meine eingereichte Arbeit20 Aufgaben

12 Aufgaben · 8.0k Zeichen · Python · 8 Textantworten · 198 Wörter

  • Role And Mission115 Zeichen
  • Amazon Robotics Context459 Zeichen
  • Program Overview133 Zeichen
  • Grid World Theory104 Zeichen
  • State Representation Task341 Zeichen
  • State Representation Task ValidatorPython · 1.8k Zeichen
  • Phase1 Recap348 Zeichen
  • Astar Theory124 Zeichen
  • Astar Implementation Cell3.8k Zeichen
  • Astar Solution Correct4 Zeichen
  • Single Unit Challenge467 Zeichen
  • Phase2 Recap374 Zeichen
  • Role And Mission1 Wort
  • Amazon Robotics Context37 Wörter
  • Program Overview1 Wort
  • Grid World Theory1 Wort
  • State Representation Task1 Wort
  • State Representation Task Validator133 Wörter
  • Phase1 Recap23 Wörter
  • Astar Theory1 Wort

Bewusst zusammengefasst — der eingereichte Code und die Texte bleiben privat, damit diese Seite nicht als Lösungsvorlage dient. Die vollständige Einreichung steht hinter dem verifizierten Zertifikat.

Verifiziertes ZertifikatFälschungssicher · ausgestellt von ProoV
Zertifiziert

Selbstgesteuertes Projekt

AI-Assisted Code Modernization with IBM

Junior Software Engineer · Softwareentwicklung · September 2026

96/ 100

Basierend auf einer öffentlichen Fallstudie von IBM · nicht mit IBM verbunden

Built and verified a full legacy-code modernization for KM-Waechter: fixed the wear calculation, handled missing service readings safely, corrected the nightly report’s average and crash case, found the quiet km-to-miles helper bug, and added the missing regression test. Also delivered a data-driven breakdown-risk analysis that follows the fleet history data rather than the misleading mileage assumption, with clear acceptance checks and documented review notes.

Bewertet nach

  • Fix and extend the repo with the agent35%
  • Diagnose the bug20%
  • Direct and audit the AI agent25%
  • Explain it like an engineer20%

Bestanden · Bestehensgrenze 60/100

Was herausstach6
  • Correctly identified the floor-division bug and explained why it turned a nearly worn car into 0% wear
  • Caught the agent’s attempt to change the 80% threshold and kept the business rules untouched
  • Verified the fix with all 11 checks passing in verify.py and documented the review process in NOTES.md
  • Built an analysis that explicitly rejects odometer_km and age_years as predictors and uses the data-supported factors instead
  • Leakage-Free Bug Diagnosis
  • Directed AI Agent Auditing

Das Ergebnis

Zum Codeayeshafarhath / proov-km-waechter-fix
Meine eingereichte Arbeit20 Aufgaben

12 Aufgaben · 1.9k Zeichen · 8 Textantworten · 74 Wörter

  • Division Predict71 Zeichen
  • Diagnose Line130 Zeichen
  • Diagnose Why122 Zeichen
  • Scope Prompt66 Zeichen
  • Audit Findings158 Zeichen
  • Audit Why160 Zeichen
  • Acceptance Checklist156 Zeichen
  • Bob Trial Click74 Zeichen
  • Bob Ready60 Zeichen
  • Template Repo Click152 Zeichen
  • Verify Report71 Zeichen
  • Exec Pitch720 Zeichen
  • Division Predict1 Wort
  • Diagnose Line10 Wörter
  • Diagnose Why19 Wörter
  • Scope Prompt1 Wort
  • Audit Findings1 Wort
  • Audit Why22 Wörter
  • Acceptance Checklist19 Wörter
  • Bob Trial Click1 Wort

Bewusst zusammengefasst — der eingereichte Code und die Texte bleiben privat, damit diese Seite nicht als Lösungsvorlage dient. Die vollständige Einreichung steht hinter dem verifizierten Zertifikat.

Verifiziertes ZertifikatFälschungssicher · ausgestellt von ProoV
2Abgeschlossene Projekte
2Verifizierte Zertifikate
96Durchschnittsnote
Erstelle dein Portfolio mit ProoV