Om mig
Forretningsproblemet først,
modellen bagefter.
AI-ingeniør og automatiseringskonsulent, der bygger LLM-agenter, RAG-pipelines og stemmesystemer, som holder i produktion og ikke kun i en demo. Hvert system starter i et driftsproblem og arbejder baglæns til den mindste arkitektur, der fjerner det.
Hvad jeg mener om det her arbejde
Demoer er nemme. Produktion er arbejdet.
De fleste AI-projekter dør mellem notebooken og deploymentet. Jeg bygger den del, der overlever: evaluering, fallbacks, observability og robuste systemer, der opfører sig, når rigtige brugere dukker op.
Forretningsproblemet først, modellen bagefter.
Hvert system, jeg leverer, starter i en driftsmæssig smerte: leads der rådner i en indbakke, supportkøer i brand, viden låst inde i pdf'er. Derfra arbejder jeg baglæns til den mindste arkitektur, der fjerner den.
Full stack, hele vejen igennem.
Agentorkestrering i LangGraph, retrieval på hybrid søgning, FastAPI-backends og React-frontends. Én person ejer hele systemet, så intet går tabt i overleveringen.
Den samme løkke,
i hvert system.
Uanset om det er et job, en kundeopgave, eller noget leveret alene. Trinnene ændrer sig ikke; kun hvor længe hvert af dem tager.
Jeg ejer arkitekturen og bygningen. Når en opgave kræver mere udførelseskapacitet, end én person har, tager jeg et lille engineering- og automatiseringsteam med, som jeg har arbejdet med før, og forbliver ansvarlig for det, der leveres.
- 01
Forstå
Det egentlige problem og dets rammer, før en model eller et framework røres. Resultat: et klart billede af, hvad produktion faktisk kræver.
- 02
Design
Systemarkitektur, modelvalg og datastrømme, tænkt igennem og skrevet ned før der er kode.
- 03
Byg
Produktionsrettet implementering i korte gennemløb, testet tidligt mod rigtige input og ikke mod syntetiske.
- 04
Lever
Deployet, overvåget og dokumenteret. Ingen sorte kasser og ingen huller i overleveringen.
- 05
Forbedr
Evalueret og justeret efter lancering. Systemer bliver bedre i produktion, ikke dårligere.
Erfaring
Fra virksomheden,til produkt, til AI.
Fem roller, hver sin del af den samme udvikling: at forstå hvordan virksomhedssystemer bliver til, at lære at tænke i produkter, og så at bygge AI-systemerne selv.
Bygger produktionsklare generative AI- og agentiske AI-systemer til erhvervsbrug, med vægt på systemer der forbliver pålidelige under rigtig belastning frem for på eksperimentelle prototyper.
Om In Time TecGlobal AI & software partner
A global technology partner trusted by enterprise clients across the US, built on a rare promise: ROI, or they don't get paid.
- Bygger agentiske AI- og LLM-applikationer i produktion med LangGraph og FastAPI
- Designer RAG-arkitekturer på LlamaIndex og Qdrant med hybrid søgning og forankret generering
- Bygger skalerbare AI-agenter på Python, Azure AI og Redis med tilstandsbaseret workfloworkestrering
- Implementerer mekanismer for AI-sikkerhed og pålidelighed: maskering af persondata, indholdssikkerhed og jailbreakdetektion
- Forbedrer systemer i produktion gennem observability og parallel udførelse
Uddannelse
B.Tech, datalogi
JK Lakshmipat University, Jaipur
Studentereksamen, fysik, kemi, matematik
Delhi Public School, India
Grundskolens overbygning
St. Anselm's Pink City Sr. Sec. School
Sådan arbejder jeg med teams
Arbejder remote med teams i enhver tidszone, med europæisk og britisk arbejdstid dækket som standard. De systemer kører for brugere i mere end 10 lande.
Tager fuldtidsstillinger inden for engineering og derudover udvalgte kontrakt- eller projektopgaver, remote og i enhver tidszone. Størstedelen af det arbejde kører med teams i Europa, Storbritannien, Nordamerika og Australien. Når en virksomhed hyrer fra udlandet, kører projektarbejde som en konsulentopgave frem for som ansættelse, så der ikke kræves lokal arbejdstilladelse på nogen af siderne.
Sådan forløber en opgave
De fleste opgaver starter med auditten, for et fast, afgrænset første skridt er det, der gør et større andet skridt til noget, man kan tage stilling til. Intet herunder er en pakke: trinnene findes, så du kan se formen for dig, og omfanget skrives ned, før nogen af os binder sig.
- 01
Audit
1 til 2 uger · Sædvanligt startpunkt
Et fastafgrænset kig på det workflow, du vil automatisere, eller den AI-funktion, du vil bygge: hvordan data faktisk ser ud, hvilke dele der reelt har brug for en model, hvilke der er bedre tjent med at være deterministiske, og hvad drift ville koste.
Du får
En nedskrevet arkitektur og en byggeplan, du ejer, uanset om bygningen sker med mig eller ej. - 02
Byg
4 til 12 uger
Implementering i korte gennemløb mod rigtige input, ikke syntetiske. Du ser fungerende software hver uge, og det, der bygges, er arkitekturen fra auditten, så diskussioner om omfang foregår på papir frem for i koden.
Du får
Et deployet system, dets evalueringsopsætning, og dokumentation en anden på dit team kan tage over på. - 03
Drift
Månedligt, kan opsiges når som helst
Den del, de fleste AI-projekter springer over. Modeller driver, prompts forældes, bagvedliggende API'er ændrer formen på deres output, og en pipeline, der var præcis i måned ét, er stille og roligt forkert i måned fire, hvis ingen måler.
Du får
Overvågning, evalueringskørsler, og en månedlig note om, hvad der ændrede sig, og hvad det kostede.
Det jeg ikke tager
Fire ting der dukker op tit nok til at sige højt. Ingen af dem er en dom over det arbejde; det er steder, hvor en anden gør det bedre end jeg.
- Modeltræning fra bunden
- Finjustering hvor den fortjener sin plads, ja. At fortræne en foundation-model er en anden disciplin med et andet budget, og den, der fortæller dig, at det er svaret på et forretningsproblem, sælger som regel træningskørslen.
- En chatbot uden system bagved
- At pakke et API ind i et chatvindue tager en eftermiddag og løser intet varigt. Det, der er værd at betale for, er retrievalet, evalueringen og driften omkring, og det er præcis dér, de demoer, der aldrig kommer i luften, går galt.
- Rent design- eller brandarbejde
- Grænsefladerne her er bygget til at gøre systemet læsbart, ikke til at vinde en designpris. Hvis leverancen er et brandsystem eller en visuel identitet, skal du bruge et bureau, og bygningen bliver bedre af det.
- Ekstra hænder pr. time
- Opgaver afgrænses til et resultat, med en nedskrevet arkitektur bagved. En åben plads på et backlog er en rigtig ydelse og et rimeligt køb; den er bare ikke denne her.