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.
I work directly with you on architecture and implementation. Scope, responsibilities, and any additional contributors are agreed before an engagement starts.
- 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.
Ansættelseshistorikken beskriver min faglige baggrund. Arbejdsgivere sponsorerer eller anbefaler ikke mine selvstændige ydelser.
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
Jeg arbejder på afstand med internationale teams. Vi aftaler arbejdstider og samarbejdsform før projektstart.
Tilgængelig for uafhængig AI-rådgivning og udvikling.
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
Scope agreed first · Sædvanligt startpunkt
A fixed-scope look at the workflow you want automated or the AI feature you want built: what the data actually looks like, which parts genuinely need a model, which parts are better off deterministic, and what production would cost to run.
Du får
A written architecture and a build plan you own, whether or not the build happens with me. - 02
Build
Milestones agreed together
Implementation in short iterations against real inputs, not synthetic ones. You see working software every week, and the architecture from the audit is the thing being built, so scope arguments happen on paper rather than in code.
Du får
A deployed system, its evaluation harness, and documentation someone else on your team can pick up. - 03
Run
Support by agreement
The part most AI projects skip. Models drift, prompts rot, upstream APIs change their output shape, and a pipeline that was accurate in month one is quietly wrong by month four unless someone is measuring it.
Du får
Monitoring, evaluation runs, and a monthly note on what changed and what it cost.
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.