Від резистора до DynamoDB: як я за допомогою Gemini зібрав свій перший hardware-проєкт

💡 Усі статті, обговорення, новини про AI — в одному місці. Приєднуйтесь до AI спільноти!

Як я використав Gemini на реальному hardware-проєкті

Білий Артур, Frontend Developer в Levi9

Всім привіт, я Білий Артур, фронтенд-інженер в компанії Levi9. В цій статті я хочу поділитися тим, як мені вдалося створити свій перший hardware-проєкт завдяки AI. Минулої зими відключення світла змусили мене вийти за межі звичного фронтенду, і несподівано привели до першого саморобного пристрою.

Коли побутова проблема стає інженерною задачею

Відсутність світла з різною інтенсивністю супроводжують нас уже четвертий рік. Узимку 2026-го ця проблема знову стала особливо гострою, а найпопулярнішим повідомленням у чаті будинку було: «Чи є зараз світло?». Саме тоді я нарешті дозрів до ідеї створити автоматизоване рішення для відстеження відключень. Мені завжди подобалося, коли технології допомагають вирішувати конкретні повсякденні проблеми, тому цього разу мотивація була дуже практичною. Для реалізації задуму довелося зануритися в роботу з hardware-модулями та AWS-сервісами.

Чому я роками не чіпав hardware

Оскільки певний досвід роботи з AWS у мене вже був, то найбільше переживань викликала саме hardware частина проєкту. Так склалось, що раніше я майже не мав справи з електронікою: востаннє збирав електронні схеми ще в школі на уроках фізики, і паяльник жодного разу не тримав у руках. Це все здавалося дуже складним, з купою нюансів, і постійним ризиком необережно щось спалити :)

Gemini стає в нагоді

Давно користуюсь LLM від Google: вона допомагає мені тренуватись, готувати страви, вирішувати різні побутові питання й розбиратись в чомусь новому. Тому вирішив разом із цим AI-асистентом побудувати і hardware-рішення для своєї задачі.

Після промпту з описом ідеї Gemini порадив усе, що було потрібно для реалізації: мікроконтролер ESP8266 з вбудованим Wi-Fi-модулем, макетну плату, проводи та резистори для збирання схеми. Саме ESP8266 став центральною частиною проєкту: він відстежував наявність живлення від розетки та тригерив AWS Lambda, яка зберігала дані й надсилала повідомлення.

Після покупки комплектуючих, найважчим челенджем було зібрати схему, але завдяки Gemini це вийшло зробити буквально за півгодини. LLM від Google на пальцях пояснила, що таке розпіновка, по моїх фото зрозуміла, де в мене помилки, нагадала шкільну формулу дільника напруги та в цілому всіляко сприяла, щоб я не спалив плату, подаючи занадто багато напруги від розетки. Gemini дуже пришвидшив мою роботу і став містком від ідеї до реалізації.

Був щиро вражений, наскільки якісно Gemini міг розібрати мою розпіновку і вказати на помилки.

ESP в парі з AWS

Зібравши схему й перевіривши в Arduino Console, що плата успішно зчитує наявність або відсутність напруги на піні, я перейшов до AWS. Одразу знав, що cloud-провайдер AWS добре підійде для цього завдання, тому не виникало питань, кому довірити зберігання та обробку даних, а також відправлення повідомлень у Telegram.

Я налаштував інфраструктуру, яка дозволяє приймати сигнал від ESP, обробляти його, зберігати дані в базі та надсилати повідомлення в Telegram-канал.

• Amazon API Gateway — створив публічний REST endpoint, на який плата надсилає POST-запити.
• AWS Lambda — основний обчислювальний сервіс. Створив дві лямбди написані на NodeJS: одна функція приймає дані від плати, наповнює базу та пушить повідомлення в Telegram канал.

  

  

• Є ідея створити третю, яка буде скрапити і відправляти в канал графіки, але планую зайнятися цим з приходом вірогідних літніх відключень.
• А інша — генерує щоденні звіти по тривалості відключень.
• DynamoDB — база даних, де робиться запис кожного нового статусу і його час.

  

• Amazon EventBridge — тригерить відповідальну за звіти Лямбду кожен день опівночі.
• AWS IAM — можливо, трохи оверхед для проекту, але також обмежив Лямбди і їх права, тож вони можуть писати і читати тільки з бази, де зберігаються статуси.
• Amazon CloudWatch — звичайний сервіс для логів та відладки коду, допомагав ловити баги в Лямбдах при розробці.

Рішення може бути масштабоване на декілька девайсів і навіть зі збільшенням навантаження все одно буде залишатись в рамках AWS Free Tier.

Загальна схема:

І власне фото трекера:

Висновки

Для мене, як для фронтенд-інженера, це була чудова можливість трохи глибше розібратися в hardware, а також застосувати на практиці багато базових сервісів AWS. Бот працює вже кілька місяців і стабільно інформує мене та сусідів про ситуацію зі світлом.

Звісно, мій кейс — лише один із багатьох прикладів того, як ШІ допомагає розібратися в чомусь новому, розширити межі власної компетенції, а також пришвидшити й спростити робочі процеси. AI-інструменти відкривають нові можливості: ми можемо більше фокусуватися на вирішенні проблеми загалом, не зупиняючись перед «незнайомим» стеком чи доменом.

Втім, роль людини досі залишається визначальною. Саме від неї залежить валідація рішень, згенерованих штучним інтелектом, правильне застосування цих рішень і, зрештою, відповідальність за результат. Тому розвиток критичного мислення та хард скілів усе ще залишається критично важливим для професійного інженера.