Ich werde einen RAG-Chatbot auf deinen Dokumenten mit Quellen und Bewertung erstellen


Über diesen Service
Automatische Übersetzung
Die meisten RAG-Demos scheitern in der Produktion, weil die Abfrage falsch ist, nicht das Modell. Ich stelle die Abfrage richtig ein: semantisches Chunking, Embeddings, hybride dichte+sparse Suche, Re-Ranking – und messe alles mit einem Bewertungssatz, sodass jede Änderung eine Zahl ist, kein Eindruck.
Was du bekommst: einen Chatbot, der aus DEINEN Dokumenten antwortet, seine Quellen nennt und "Ich weiß nicht" sagt, wenn er es sollte. Als API (FastAPI) mit Web-Chat, Dockerisiert, mit Spuren und Kosten pro Abfrage.
Stack: Python, LangChain/LangGraph, Qdrant oder Elasticsearch, OpenAI/Gemini/Mistral oder offene Modelle auf deiner Infrastruktur.
Aktuelle Arbeiten: Produktions-RAG-Engine für zwei Einzelhandelsmarken (Mulliez-Gruppe), OCR+RAG-Pipeline für ein EventTech-Startup, Dokumenten-Anti-Fraud-Engine für eine Bank.
Senior AI Engineer, über 6 Jahre Erfahrung, ansässig in Frankreich. Ich leite Teams von 2 bis 5 Ingenieuren.
Lerne Younes B kennen
Senior AI Engineer
- AusFrankreich
- Mitglied seitApr. 2025
- ⌀ Antwortzeit1 Stunde
Sprachen
Französisch, Englisch, Arabisch
Automatische Übersetzung
Mein Portfolio
FAQ
Automatische Übersetzung
Welches LLM verwendest du?
Deine Wahl: OpenAI, Gemini, Mistral oder ein offenes Modell, das bei dir gehostet wird, um Vertraulichkeit zu wahren. Ich empfehle eines basierend auf deinen Dokumenten und deinem Budget.
Meine Dokumente sind gescannte PDFs. Ist das ein Problem?
Nein. LLM-vision OCR ist Teil der Pipeline: Scans, Fotos und nicht-standardisierte Layouts werden verarbeitet.
Wo läuft der Chatbot?
In Docker auf deinem Server oder deiner Cloud (GCP, Azure, AWS). Nach der Lieferung bleibt nichts auf meiner Seite.
Woher weiß ich, dass es funktioniert?
Du erhältst einen Bewertungssatz: deine Fragen, die erwarteten Antworten und eine Punktzahl pro Version. Jede Änderung wird gemessen, nicht geraten.

