Ik stem llm fijn af op jouw data, gpt, llama
Data scientist
Niveau 2
Voldoet aan hoge prestatiecriteria en heeft een bewezen staat van dienst in het voldoen aan de verwachtingen van de klant.
Zeer responsief
Geeft doorgaans uitzonderlijk snel antwoord
Over deze dienst
Waarom voor mij kiezen
- 160+ voltooide opdrachten op Fiverr + 5 jaar op Fiverr
- Sterke expertise in Machine Learning, Data Science, NLP, Computer Vision, Generative AI, Deep Learning, en RAG-gebaseerde systemen
- Praktijkervaring met Time Series Forecasting, AI Agents, en Chatbot-ontwikkeling
Ik bied AI model fine tuning / LLM fine tuning aan om jouw data, stijl en outputformaat te matchen. Ik stem modellen af en align en lever een reproduceerbaar training + inference pakket.
Fine tuning stack (niet beperkt tot):
- LangChain (integratie-klare workflows)
- Unsloth + Unsloth Docker image
- LoRA / QLoRA
- Lamini
- LlamaFactory (LLaMA-Factory)
- Stable Diffusion fine-tuning (LoRA/DreamBooth-achtige workflows)
- Run & fine-tune DeepSeek-R1-0528
- Train je eigen Reasoning Model
- Train en Run Mistral 3
Alignatiemethoden
- SFT, DPO, GRPO, PPO (RLHF)
- Quant Aware Training (QAT)
Leveringen (afhankelijk van pakket):
- Dataset formatting/prep
- Training code/notebook + configs
- Fine-tuned adapters/model checkpoints
- Evaluatiesamenvatting + inference script
- API + Deployment Gids
Wil je betrouwbare outputs, niet alleen een model dat draait? Stuur me je doel en voorbeeld data, en ik verzorg training, evaluatie en een nette overdracht.
Mijn portfolio
Veelgestelde vragen
Automatische vertaling
Ik heb niet de hardware om een groot model te draaien. Wat kunnen we doen?
Geen probleem. In het Enterprise pakket kan ik jouw model als een API (FastAPI) deployen op een GPU-hosting provider of cloud instance. Je krijgt een werkend endpoint + setup gids. Hosting/GPU kosten betaal jij rechtstreeks aan de provider (zodat jij eigenaar en facturatiecontrole houdt).
Fijn afstemmen versus RAG - welke moet ik kiezen?
Fijn afstemmen verbetert gedrag (formaat, toon, redeneerstijl). RAG verbetert de kennisnauwkeurigheid uit documenten en blijft up-to-date. Veel projecten werken het beste als hybride (RAG + lichte fine-tuning).
Hoe meet je verbetering?
Ik voer een baseline versus fine-tuned vergelijking uit met jouw testvoorbeelden (en/of aangepaste checks zoals formaatnauwkeurigheid, weigergedrag en consistentie in antwoorden) en deel een korte evaluatiesamenvatting.
Gebruik je mijn API-sleutels / cloud account?
Als hosting of OpenAI training nodig is, lever je sleutels/toegang via Fiverr vereisten.

