Door categorieën bladeren
Ontdekken
Fiverr Pro
Nederlands
$
USD
Ik integreer llms in je python app met OpenAI, Gemini of open source modellen
Manas J
Over deze dienst
Automatische vertaling
Heb je al een Python app? Ik maak er slim van.
Ik integreer large language models in bestaande applicaties op een nette, efficiënte manier en klaar voor productie. Of je nu een klantenservice-bot, een document samenvatter, een code-assistent of een multi-turn conversatie-interface nodig hebt, ik heb het gebouwd.
Ik heb systemen met LLM's geleverd met OpenAI, Google Gemini en Anthropic Claude, waaronder een voice-enabled AI-assistent die werd erkend op de Google GenAI Hackathon 2025. Ik heb ook een 7-metric LLM evaluatie framework ontwikkeld om de outputkwaliteit te meten, zodat ik niet alleen modellen integreer, maar er ook voor zorg dat ze daadwerkelijk presteren.
Wat je krijgt:
LLM-integratie met jouw gekozen provider
Streaming responses via SSE of WebSocket
Multi-turn conversatie geheugen
Toolgebruik en functie-aanroepen
Netjes FastAPI endpoints die jouw frontend kan aanroepen
Broncode + documentatie
Werkt met OpenAI, Gemini, Claude, Mistral, LLaMA of elk HuggingFace model.
Neem contact met me op voordat je bestelt, elke integratie is anders en ik wil het goed in kaart brengen.
Maak kennis met Manas J
Manas J
Freelance AI Engineer
- Afkomstig uitIndia
- Lid sindsmei 2026
- Gem. reactietijd1 uur
Talen
Hindi, Odia, Engels, Punjabi
I am an AI Engineer and Backend Developer specializing in RAG pipelines, multi-agent systems, and LLM fine-tuning. I have extensive experience building production-grade backends with FastAPI, Celery, and Docker, and I have successfully led teams in high-stakes environment to deliver complex ML solutions.
Automatische vertaling
Mijn portfolio
Veelgestelde vragen
Automatische vertaling
Welke LLM-providers ondersteun je?
OpenAI (GPT-4, GPT-3.5), Google Gemini, Anthropic Claude en open-source modellen via Ollama of HuggingFace. Ik kan ook werken met elke provider die een OpenAI-compatibele API aanbiedt.
Kun je LLM-capaciteiten toevoegen aan mijn bestaande codebase?
Ja, dat is de belangrijkste use case. Ik integreer het netjes in je bestaande architectuur zonder dat je een rewrite hoeft te doen. Ik heb alleen toegang nodig tot je repo en een beschrijving van wat je wilt dat de LLM doet.
Wat is het verschil tussen dit en een RAG-pipeline?
Een basis LLM-integratie verbindt je app met een model voor generatietaken — chat, samenvatting, classificatie. Een RAG-pipeline voegt een retrieval-laag toe zodat het model antwoord geeft op basis van jouw specifieke documenten. Als je RAG nodig hebt, bekijk dan mijn andere gig.
Werkt de integratie in productie of alleen lokaal?
In productie. Ik lever Docker-geschikte code met omgevingsgebaseerd API-sleutelbeheer, foutafhandeling en rate limit awareness. Geen script dat alleen op mijn machine werkt.
Kun je evaluatie toevoegen zodat ik de outputkwaliteit van de LLM weet?
Ja, als extra. Ik heb een 7-metric evaluatie framework gebouwd dat relevantie, trouw, hallucinatiepercentage en meer behandelt. Stuur me een bericht als je dit wilt laten opnemen.
