Ik bouw een private self-hosted rag chatbot over je eigen documenten

De meeste RAG-tools sturen je documenten naar een externe API. Als je data niet je netwerk mag verlaten, vallen ze af.

Ik bouw retrieval-systemen die volledig op je eigen infrastructuur draaien. Lokale modellen via Ollama of vLLM, je vector database, geen externe calls.

Ik heb een MSc in Data Science van NUST MISIS. Recent heb ik een NLP-pipeline in een bank in productie genomen: een lokaal LLM gekoppeld aan een regelengine, 96-99% overeenstemming met handgelabelde data, elke output traceerbaar naar een leesbare regel.

Wat je krijgt:

Documentinvoer en chunking afgestemd op jouw bestandstypen.

Lokale modelhosting, zodat geen data je netwerk verlaten.

Vector database setup met bronvermelding tot op paginaniveau.

FastAPI endpoints, Dockerised, gedocumenteerd voor jouw engineers.

Overdrachtsdocumentatie en een walkthrough call.

Bij Premium lever ik ook een evaluatietool: recall@k, MRR en groundedness gemeten op jouw eigen data, zodat je kunt bewijzen dat het systeem werkt en het opnieuw kunt draaien nadat ik weg ben.

Stuur me een bericht met hoe je documenten eruitzien en wat mensen ermee moeten kunnen vragen, en ik vertel je precies hoe ik het zou bouwen.