Ik audit en optimaliseer je rag-pipeline voor betere retrieval

Je RAG-pipeline haalt verkeerde chunks op en je LLM hallucineert. Het probleem ligt niet bij het model, maar bij de retrieval.

Ik optimaliseer RAG-systemen met meer dan 9 jaar ervaring in search relevance engineering. De meeste RAG-fouten zijn retrieval-fouten, en ik los ze op bij de bron.

Wat ik verbeter:

- Slechte chunking strategieën die context splitsen

- Verkeerde selectie van embedding modellen

- Ontbrekende reranking stage

- Geen hybrid search (keyword + vector gecombineerd)

- Geen retrieval evaluatiemetrics

Wat je krijgt:

- Beoordeling van retrieval kwaliteit met voor/na metrics

- Optimalisatie van chunking strategie voor jouw data

- Evaluatie en aanbeveling van embedding modellen

- Reranking pipeline setup (cross-encoder of ColBERT)

- Implementatie van hybrid search (BM25 + vector + RRF)

- Evaluatiekader (precisie, recall, NDCG, MRR)

Ik werk met elke stack: LangChain, LlamaIndex, custom pipelines. Vector stores: Elasticsearch, OpenSearch, Pinecone, Weaviate, Qdrant, Meilisearch, pgvector.

Dit is geen gig voor het bouwen van chatbots. Ik verbeter de retrieval kwaliteit zodat je LLM niet meer hallucineert.

Stuur me een bericht met je huidige stack, datatypes en de problemen die je ervaart voordat je bestelt.