Parcourir les catégories
Explorer
Fiverr Pro
Français
$
USD
Je vais construire une pipeline RAG de production avec langchain, chromadb et fastapi
Manas J
À propos de ce service
Traduction automatique
Vous développez un produit IA qui doit réellement fonctionner en production, pas seulement une démo ?
Je crée des pipelines RAG de niveau production en utilisant LangChain, ChromaDB et FastAPI. J'ai déployé des systèmes RAG avec récupération multi-documents, recherche sémantique, mémoire de conversation et interfaces vocales, dont un projet reconnu lors du Google GenAI Hackathon 2025. J'ai aussi publié une bibliothèque AutoML open-source sur PyPI et construit un cadre d’évaluation LLM à 7 métriques à partir de zéro.
Ce que vous obtenez :
Pipeline RAG multi-documents avec LangChain + ChromaDB
Backend FastAPI asynchrone avec des endpoints REST clairs
Recherche sémantique avec stratégie de découpage intelligente
Mémoire de conversation + citation des sources
Déploiement Docker prêt à être livré
Code source + documentation détaillée
Je ne fais pas de prototypes. J'architecte des systèmes conçus pour de vrais utilisateurs et une vraie échelle.
Contactez-moi avant de commander, je souhaite comprendre votre cas d’usage et m’assurer de fournir exactement ce dont vous avez besoin.
Découvrez Manas J
Manas J
Freelance AI Engineer
- DeInde
- Membre depuismai 2026
- Temps de réponse moy.1 heure
Langues
Hindi, Oriya, Anglais, 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.
Traduction automatique
Mon portfolio
FAQ
Traduction automatique
Quel type de documents ou de sources de données le pipeline RAG peut-il gérer ?
PDF, texte brut, documents Word et contenu récupéré sur le web. Le pipeline utilise une stratégie de découpage intelligente pour gérer efficacement de grands documents, en conservant le contexte entre les morceaux pour une récupération précise.
Quels LLM puis-je utiliser avec ce système RAG ?
OpenAI (GPT-4, GPT-3.5), Google Gemini, Anthropic Claude ou modèles open-source via Ollama/HuggingFace. L'architecture est indépendante du modèle — changer de LLM nécessite peu de modifications.
Pourrai-je faire fonctionner cela sur mon propre serveur ?
Oui. Tout le système est conteneurisé avec Docker et Docker Compose. Vous obtenez une configuration auto-hébergeable sans dépendance à un fournisseur. Je fournirai également des instructions claires pour le déploiement.
Ai-je besoin de connaître Python ou l’IA pour utiliser le système livré ?
Non. Je fournis une API fonctionnelle avec documentation. Si vous avez une équipe de développement, elle pourra l’étendre facilement. Sinon, le système fonctionne directement via les endpoints FastAPI.
De quoi avez-vous besoin de ma part pour commencer ?
Une brève description de votre cas d’usage, les données/documents que vous souhaitez que le système interroge, et le fournisseur de LLM que vous préférez. Je confirmerai le périmètre avant de commencer.
