Je vais concevoir un MVP personnalisé en apprentissage automatique

Oui. Pour les prototypes, je commence souvent avec des datasets ouverts (Kaggle, HuggingFace, APIs publiques) qui correspondent à votre cas d'utilisation, afin que vous puissiez valider le concept avant d'investir dans la collecte de données. Une fois que cela fonctionne, nous planifions la stratégie de données pour la version 2. Contactez-moi avec le problème que vous cherchez à résoudre.

Ce service consiste à créer un prototype ou un MVP en machine learning à partir de zéro — modèle, démo, API. Le service de fine-tuning est spécifiquement destiné à adapter de grands LLM open-source (Llama, Mistral) à votre domaine avec LoRA/QLoRA. Si vous n'êtes pas sûr de ce qui vous convient, envoyez-moi votre cas d'utilisation et je vous orienterai vers la meilleure option.

Oui, c'est l'objectif. Je construis les prototypes de la même manière que je construis des systèmes de production — code propre, évaluation réelle, prêt pour Docker. Le niveau Premium est déjà de qualité production. Pour Basic/Standard, faire évoluer plus tard signifie ajouter de la surveillance, des pipelines de retrainement et la gestion de charge, pas réécrire tout le système.

Pas de problème. Je travaille aussi bien avec XGBoost et scikit-learn quand c'est adapté, qu'avec PyTorch et HuggingFace transformers quand ce n'est pas le cas. Je vous recommanderai l'approche la plus simple pour résoudre votre problème. Utiliser du deep learning pour chaque problème peut rendre les prototypes coûteux et lents.

Oui, je suis prêt à signer un accord de confidentialité avant que vous ne partagiez des informations sensibles. Envoyez-le-moi avant de commencer. Pour la plupart des prototypes, les conditions standard de Fiverr couvrent la confidentialité, mais un NDA personnalisé est possible si votre équipe juridique l'exige.

Cela dépend du problème. Le ML classique peut fonctionner avec quelques centaines d'exemples propres ; le deep learning en général nécessite des milliers. Si vous avez moins, nous pouvons utiliser le transfert d'apprentissage, l'augmentation de données ou des données synthétiques. Dites-moi ce que vous avez, et je vous dirai honnêtement si c'est suffisant.