Ich erstelle eine schnelle FastAPI REST API und stelle Hugging Face Modelle bereit

Wir setzen Textgenerierungs-LLMs, Embeddings, Klassifikations-, NER-, Computer-Vision-Modelle, Whisper-Audio-Transformers und maßgeschneiderte feinabgestimmte PyTorch-Checkpoints ein und integrieren sie.

Wir brauchen deine Hugging Face Modell-Repository-ID oder Modellgewichte, Beispielanfragen/-antworten sowie Cloud-Zugangsdaten, falls du eine direkte Cloud-Bereitstellung möchtest.

Nein, die Kosten für Cloud-Server und GPUs (AWS, GCP, RunPod, Lambda Labs usw.) zahlst du direkt bei deinem Cloud-Anbieter selbst.

Nein, wir arbeiten ausschließlich mit Open-Source-Technologien wie FastAPI, Uvicorn, PyTorch und Transformers, sodass keine proprietären wiederkehrenden Tool-Gebühren anfallen.

Revisionen umfassen die Anpassung von Endpoint-Input/Output-Schemas, Parameter-Tuning und Bugfixes. Das Hinzufügen völlig neuer Modelle außerhalb des ursprünglichen Umfangs wird als Extra berechnet.

Du erhältst den vollständigen Quellcode, Dockerfile, Setup-Anleitung, Postman-Testsammlung und interaktive Swagger-UI-Dokumentation für alle Endpoints.

Ja, wir bieten 14 Tage Support bei Bugfixes nach Projektabschluss. Außerdem gibt es monatliche Retainer-Pakete für kontinuierliche Überwachung und Updates.

Wir nutzen asynchrone Ausführung, ONNX Runtime/Quantisierung, effizientes Request-Batching und leichte Worker-Prozesse.

Leichte NLP-Modelle, Embeddings und Klassifikatoren laufen problemlos auf Standard-CPUs. Schwerere LLMs und Bildgenerierungsmodelle benötigen eine GPU-Instanz.

Eine vorherige Abstimmung ermöglicht es uns, die Modellgröße zu evaluieren, Hardware-Anforderungen zu prüfen und die genaue Paketstufe zu bestätigen, um Projektverzögerungen zu vermeiden.