Ik bouw en implementeer een multimodaal rag-systeem voor jou

Jouw documenten, afbeeldingen, websites en live APIs bevatten allemaal antwoorden, maar alleen als er iets is dat er tegelijk doorheen kan zoeken. Ik bouw multimodale RAG (retrieval-augmented generation) systemen die precies dat doen: één AI-assistent, gebaseerd op elke bron die je hebt, die antwoord geeft met echte citaties in plaats van gissingen.

Wat er inbegrepen is:

• Invoer van documenten, afbeeldingen en URL's, OCR en vision embeddings voor afbeeldingen, geïndexeerd in een vector database (Pinecone, Chroma of Weaviate)
• Hybride semantisch zoeken met re-ranking, zodat de retrieval nauwkeurig blijft naarmate je kennisbasis groeit
• Live API-integratie, zodat antwoorden opgeslagen kennis combineren met real-time data, niet alleen statische bestanden
• LLM-integratie (OpenAI, Claude of open-source modellen zoals Qwen) met prompt engineering die hallucination vermindert
• Een overzichtelijke chatinterface of API-endpoint, met broncitaten bij elk antwoord

Waarom met mij werken:

Ik ben een computer vision en machine learning engineer met 5 jaar ervaring in productie, inclusief LLM fine-tuning (QLoRA op Qwen) en vision systemen. De exacte skill overlap die multimodale RAG echt nodig heeft, niet alleen prompt wrapping.

Vertel me je data bronnen en gebruiksgeval voordat je bestelt, en ik maak een passend architectuurplan