Sudharsana Laxmi N

Erstelle dein Portfolio mit ProoV
ProoV
EN Verifiziertes Arbeitsportfolio

ProoV Portfolio

Sudharsana Laxmi N

Mechatronics · Visvesvaraya Technological University

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 robotics coordination solution for a Black-Friday-scale FC: framed the bottleneck as aisle congestion and dock contention, implemented optimal single-agent A*, extended it to centralized cooperative A* with vertex and edge reservations, and tuned charging/idle policies to sustain zero-collision throughput. The capstone simulation showed the chosen policy outperforming the naive baseline while keeping deadlocks at zero, and the executive pitch translated those results into a concrete single-zone pilot ask.

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
  • Implemented A* with an admissible Manhattan heuristic and showed it expanded far fewer nodes than Dijkstra
  • Built a reservation table that explicitly prevents both vertex collisions and head-on edge swaps
  • Chose a realistic fleet policy: staggered charging, dispersed perimeter idle parking, and priority-watchdog deadlock handling
  • Identified the concave throughput curve and locked the fleet size at the simulator’s sweet spot of 35
  • Leakage-Free Feature Engineering
  • Honest Model Evaluation
Meine eingereichte Arbeit20 Aufgaben

12 Aufgaben · 13 Zeilen · Python · 8 Textantworten · 191 Wörter

  • Role And Mission115 Zeichen
  • Amazon Robotics Context459 Zeichen
  • Program Overview133 Zeichen
  • Grid World Theory119 Zeichen
  • State Representation Task ValidatorPython · 1.8k Zeichen
  • State Representation Task341 Zeichen
  • Phase1 Recap348 Zeichen
  • Astar Theory124 Zeichen
  • Astar Implementation Cell2 Zeilen
  • Astar Solution Correct4 Zeichen
  • Single Unit Challenge465 Zeichen
  • Phase2 Recap374 Zeichen
  • Role And Mission1 Wort
  • Amazon Robotics Context37 Wörter
  • Program Overview1 Wort
  • Grid World Theory1 Wort
  • State Representation Task Validator126 Wörter
  • State Representation Task1 Wort
  • 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 a complete legacy-code modernization and verification pass for KM-Waechter: fixed the wear calculation, handled missing service readings safely, corrected the nightly report’s average and crash path, repaired a hidden mileage-conversion bug in the helpers, and added the missing regression test. Also delivered a data-driven breakdown-risk analysis that follows the fleet history rather than the naive mileage assumption, with acceptance checks and notes documenting what the AI agent got wrong and how the work was validated.

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
  • Caught and fixed the quiet helper bug in fleet_utils.km_to_miles, which is the strongest signal they swept beyond the obvious failures.
  • Added the missing fleet-report test for a car with no last_service_km reading and verified it through the acceptance script.
  • Wrote NOTES.md with concrete, student-owned observations about the agent’s mistakes and the checks used to validate the repair.
  • Produced an analyze.py that explicitly distinguishes predictive factors from non-predictive ones instead of relying on the mileage assumption.
  • Leakage-Free Bug Diagnosis
  • Directed AI Code Review

Das Ergebnis

Zum CodeNSudharsanaLaxmi / Ai-Assisted-code-optimization-with-IBM
Meine eingereichte Arbeit12 Aufgaben

6 Aufgaben · 1.3k Zeichen · 6 Textantworten · 166 Wörter

  • Division Predict70 Zeichen
  • Exec Pitch590 Zeichen
  • Bob Bonus437 Zeichen
  • Template Repo Click82 Zeichen
  • Verify Report71 Zeichen
  • Repo URL78 Zeichen
  • Division Predict1 Wort
  • Exec Pitch86 Wörter
  • Bob Bonus76 Wörter
  • Template Repo Click1 Wort
  • Verify Report1 Wort
  • Repo URL1 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