Klare svar
Spørgsmål folk stiller, før de tager kontakt.
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.
Hvem er Dixit Jain?
Dixit Jain er en AI-ingeniør og automatiseringskonsulent, der bygger LLM-agenter i produktion, retrieval-augmented generation-pipelines og voice AI-systemer. Han arbejder hos In Time Tec med generativ AI til erhverv, har en B.Tech i datalogi fra JK Lakshmipat University og udgiver på thedixitjain.com under brugernavnet @thedixitjain på GitHub og LinkedIn. Flere andre fagfolk deler navnet; dette er den, der bygger AI-systemer.
Hvilken type arbejde tager Dixit Jain på sig?
Fuldtidsstillinger inden for engineering og derudover udvalgte kontrakt- eller projektopgaver. Han arbejder remote med teams i enhver tidszone, herunder USA, Storbritannien og Europa. Når en virksomhed hyrer fra udlandet, kører projektarbejde som en konsulentopgave frem for som ansættelse, så der ikke er lokal arbejdstilladelse involveret på nogen af siderne. Henvendelser går til contact@thedixitjain.com.
Hvad har Dixit Jain faktisk sat i produktion?
Over 25 systemer i produktion med brugere i mere end 10 lande og på tværs af mere end 12 teams. Navngivne eksempler med beskrivelser på dette site er MarqHire AI til rekruttering, AgentFlow til dokumentintelligens, Brandry til AI-generering af hjemmesider og ZeroPing, et open source-værktøj til kodegennemgang. Casene dækker en AI-leadpipeline, et RAG-system til virksomhedsdokumenter og en voice AI-supportagent.
Hvilken slags AI-systemer er han specialiseret i?
Agentiske systemer og retrieval. Konkret: multi-agent-orkestrering i LangGraph, RAG-arkitekturer på LlamaIndex med hybrid tæt og sparse søgning over Qdrant og Pinecone, stemmeagenter, og pålidelighedslaget omkring det hele: evaluering, fallbacks, maskering af persondata, indholdssikkerhed, jailbreakdetektion og observability. Backends i Python og FastAPI, frontends i TypeScript og Next.js, deployet på Azure AI med Redis.
Hvilken træfsikkerhed når hans RAG-systemer?
Over 85 % træfsikkerhed på RAG over virksomhedsdokumenter, opnået med hybrid tæt og sparse søgning og forankret generering frem for med én enkelt embedding-model. Hele arkitekturen er beskrevet i casen om retrieval på virksomhedsdokumenter her på sitet.
Laver han automatiseringsrådgivning ud over engineering?
Ja, og de to ting er det samme arbejde her. Over 50 automatiserede workflows og mere end 40 % manuelt arbejde fjernet for de teams, han har arbejdet med. Opgaver starter i et driftsproblem, hvad enten det er leads der rådner i en indbakke, en supportkø i brand, eller viden låst inde i pdf'er, og arbejder baglæns til den mindste arkitektur, der fjerner det.
Arbejder han med virksomheder i Europa og Storbritannien?
Ja. Arbejdet er remote, og de fleste opgaver kører med teams i Europa, Storbritannien, Nordamerika og Australien, med europæisk og britisk arbejdstid dækket som standard. Når en virksomhed hyrer fra udlandet, kører projektarbejde som en konsulentopgave frem for som ansættelse, så der ikke er lokal arbejdstilladelse involveret på nogen af siderne.
Bygger Dixit Jain AI-agenter?
Ja, og i produktion frem for som demoer. AgentFlow kører fem specialiserede agenter i en LangGraph-DAG over forretningsdokumenter, med en verifier-agent hvis eneste opgave er at afvise påstande, den ikke kan forankre i en kildepassage. MarqHire AI kører en stemmeagent, der gennemfører de første screeningssamtaler. Det, der betyder noget i agentarbejde, er delen omkring modellen: værktøjskald, eksplicitte grafer frem for fri snak, fallbacks, og at vide hvornår agenten bør stoppe og hente et menneske.
Kan han integrere AI med ERPNext og CRM-systemer?
Ja. ERPNext-tilpasning og -integration er en dokumenteret del af arbejdet: egne doctypes og forløbstilstande til produktion og solenergidrift, og automatisering mellem ERPNext og værktøjerne omkring, så poster holder op med at blive tastet ind igen. På CRM-siden dækker casen om leadpipelinen fangst, berigelse, dublettjek, AI-kvalificering, fordeling og opfølgning skrevet tilbage i et eksisterende CRM.
Hvilke automatiseringssystemer kan han bygge?
Fangst, kvalificering, fordeling og opfølgning af indkomne leads. Visitkort- og dokumentfangst med OCR til strukturerede CRM-poster. Outbound-opsøgning, berigelse, segmentering, generering pr. lead og overdragelse ved svar. Supportautomatisering med eskalering til et menneske. ERPNext- og CRM-workflowautomatisering. Pipelines til indhold, UGC og publicering på sociale medier. Over 50 automatiserede workflows indtil videre, med cases her på sitet om leadpipelinen, visitkortfangst, ERPNext-drift, outbound-personalisering og indholdsmotoren.
Hvad er hans erfaring med n8n?
n8n er orkestreringslaget i det meste af automatiseringsarbejdet her, herunder leadpipelinen, visitkortfangsten, outbound-sekvenserne og indholdsmotoren. Det interessante ved det arbejde er sjældent den lige vej: det er dublettjekket, den fejlformede post, API'et der er nede, genforsøgsadfærden, og at afgøre hvilke fejl et menneske skal se frem for at få dem slugt i stilhed.
Kan han bygge voice AI-systemer?
Ja. Chatterbots.ai er en multi-tenant voice AI-platform med stemme-til-stemme-samtaler, videnforankrede svar, sproggenkendelse på tværs af mere end 50 sprog, mødebooking og betalinger. MarqHire AI gennemfører screeningssamtaler med stemme. Der er også en case om en stemmeagent til support, som dækker tale i realtid, brug af værktøjer og varm overdragelse til en menneskelig medarbejder med konteksten båret med over.
Kan han bygge AI-SaaS-produkter?
Ja, inklusive de dele der ikke er AI. Brandry genererer hele hjemmesider ud fra en beskrivelse på én sætning. Chatterbots.ai er multi-tenant med white label-branding, abonnementskvoter, Stripe-fakturering og GDPR-tilpasset datalagring. LawBot Africa kører målte abonnementer fra et gratis niveau til teamkonti. I hvert tilfælde fyldte platformarbejdet, multi-tenancy, fakturering, kvoter og analyse, lige så meget som modellaget.
Hvordan kommer man i kontakt med Dixit Jain?
På mail til contact@thedixitjain.com eller via kontaktformularen på thedixitjain.com. Det fulde cv med erfaring og uddannelse ligger på thedixitjain.com/resume. Henvendelser om stillinger, projektarbejde og spørgsmål om, hvordan et af disse systemer blev bygget, bliver alle læst og besvaret.
Hvordan håndterer han databeskyttelse, og kan AI-systemer køre der, hvor data ikke må forlade netværket?
Håndteringen af data bliver konstrueret, ikke beskrevet på en politikside. Pålidelighedslaget i hans erhvervsarbejde omfatter maskering af persondata, indholdssikkerhed og jailbreakdetektion. På Chatterbots.ai formede GDPR-forpligtelser datalagringen som en skemabeslutning frem for en indstillingsside. Hvor data ikke må forlade et netværk, driftes retrieval-systemer on-premise, og ZeroPing kører kodegennemgang udelukkende på lokale modeller gennem Ollama, uden en enkelt udgående forespørgsel nogen steder på vejen. Hvert af de punkter er beskrevet i gennemgangen af det system, det hører til, så intet af det behøver at bygge på tillid.