Door categorieën bladeren
Ontdekken
Fiverr Pro
Nederlands
$
USD
Ik bouw een rag pipeline over je documenten
Michael S.
Over deze dienst
Automatische vertaling
Een RAG-systeem dat zelfverzekerd foutieve antwoorden geeft, is erger dan geen RAG. Het werk zit in chunking, de kwaliteit van retrieval en citaties, niet in het aanroepen van een embedding API.
Wat je krijgt:
- Documentinvoer met chunking die rekening houdt met de structuur van je documenten
- Een vector store opgezet en geïndexeerd, met metadata filtering
- Retrieval met reranking, zodat de juiste passage bij het model komt
- Antwoorden met citaties terug naar het bron document
- Een kleine evaluatie set, zodat je de retrieval kwaliteit kunt meten in plaats van gokken
Ik heb 1,5 jaar een AI SaaS platform geleid met een team van 9 tot 11 mensen, gebruikmakend van de OpenAI API, de Claude API en LangChain, met 18 jaar ervaring in backend engineering achter de infrastructuur.
Ik werk vanuit Oekraïne op CET.
Stuur me een voorbeeld van je documenten en de vragen die je gebruikers zullen stellen. Ik vertel je welke package het beste past en geef aan wat mogelijk niet goed werkt voordat je bestelt.
Maak kennis met Michael S.
Michael S.
CTO and AI Developer, 18 Years: LangChain, RAG, Voice AI, Python Backends
- Afkomstig uitOekraïne
- Lid sindsfeb 2023
- Gem. reactietijd1 uur
Talen
Russisch, Oekraïens, Engels, Duits
I'm Michael, founder and CTO at Meduzzen, 18 years in backend and AI engineering. Most AI projects don't fail on the API call. They fail on latency, hallucination and cost once real users arrive. My team and I build the part that holds up: FastAPI backends, LangChain and RAG, Whisper and ElevenLabs voice, voice agent audits, n8n automation and full stack AI SaaS. Earlier, I worked on a 5G VoIP platform at Siemens, IoT security for WeWork, and blockchain threat detection at Cyvers. Send your repo or workflow and I will tell you honestly what it takes.
Automatische vertaling
Mijn portfolio
Veelgestelde vragen
Automatische vertaling
1. Welke documentformaten ondersteun je?
PDF, Word, HTML, Notion exports en platte tekst. Stuur me een voorbeeld en ik bevestig het voordat je bestelt.
2. Welke vector database gebruik je?
Pinecone, Weaviate, pgvector of FAISS. Ik kies per project op basis van jouw schaal, budget en of je het zelf wilt hosten.
3. Kan de RAG op mijn eigen infrastructuur draaien?
Ja. Ik kan het op jouw servers implementeren met een lokaal model als je data niet uit je omgeving mag vertrekken.
4. Hoe zorg je dat antwoorden naar de juiste bron verwijzen?
Elk antwoord bevat citaties terug naar het bron document, en reranking plaatst de juiste passage voor het model voordat het antwoord wordt gegeven.
5. Hoeveel documenten kan het verwerken?
Tot 100 bij Basic, tot 1.000 bij Standard. Boven dat stel ik incrementeel herindexeren in bij Premium, of we maken er een maatwerk order van.
6. Bied je een evaluatie van de retrieval kwaliteit?
Ja. Je krijgt een kleine evaluatie set zodat je kunt meten of een verandering de retrieval beter of slechter maakt, in plaats van te gokken.
7. Kun je het koppelen aan mijn bestaande chatbot of app?
Ja. Je krijgt een query endpoint bij Basic en een chat endpoint bij Standard, zodat je app het direct kan aanroepen.
