सेवा
AI बॅकएंड इंजिनिअरिंग: प्रोडक्शनमध्ये टिकणारे Python API आणि async वर्कर
मी AI फीचरभोवतीचा बॅकएंड बनवतो — API, क्यू, डेटाबेस आणि एरर हँडलिंग — जेणेकरून नोटबुकमध्ये चालणारे मॉडेल खऱ्या युजर्स आणि खऱ्या ट्रॅफिकमध्येही चालत राहील.
हे कोणासाठी आहे
- सध्याच्या प्रोडक्टमध्ये AI फीचर (LLM कॉल, व्हिजन मॉडेल, क्लासिफायर) जोडणाऱ्या प्रोडक्ट टीम.
- ज्यांच्या AI प्रोटोटाइपला आता विश्वासार्ह सर्व्हिस बनायचे आहे असे फाउंडर्स.
- ML कोडसोबत सहज काम करणाऱ्या बॅकएंड इंजिनिअरच्या शोधात असलेले इंजिनिअरिंग मॅनेजर.
मी कोणत्या समस्या सोडवतो
इन्फरन्स, मेसेज प्रोसेसिंग किंवा डेटाबेस राइट request thread वर चालतात म्हणून एंडपॉइंट हळू आहेत.
हळू काम Redis वर चालणाऱ्या Celery वर्करकडे पाठवा, लगेच उत्तर परत करा, आणि प्रत्येक टास्क पुन्हा चालवता येईल असा सुरक्षित ठेवा. Shivohini TechAI मध्ये एका क्लायंटच्या WhatsApp AI एजंटसाठी मी हेच केले.
प्रोडक्ट चालू असताना डेटाबेस बदलायचा आहे.
माइग्रेशन टप्प्याटप्प्याने करा आणि नवीन मार्ग सिद्ध होईपर्यंत जुना चालू ठेवा. मी प्रोजेक्टच्या मध्ये क्लायंट डेटाबेस MySQL वरून Supabase/PostgreSQL वर माइग्रेट केले, आणि AI एजंट चालू राहिले.
डेमोमध्ये नीट चालणारी पाइपलाइन प्रोडक्शनमध्ये शांतपणे फेल होते.
मॉनिटरिंग, रिकव्हरी आणि बॅकफिल जोडा, म्हणजे क्रॅश किंवा नेटवर्क गेल्यावर डेटा हरवणार नाही. Zuneko Labs मध्ये इंटर्नशिपच्या काळातील पाइपलाइन मॉनिटर होणाऱ्या, रिकव्हर होणाऱ्या सर्व्हिसमध्ये बदलणे माझ्या कामाचा भाग आहे.
तुम्हाला काय मिळेल
- FastAPI (Pydantic व्हॅलिडेशनसह) किंवा Django/Flask मध्ये REST API, डॉक्युमेंटेड एंडपॉइंटसह.
- Celery + Redis बॅकग्राउंड वर्कर: क्यू, रिट्राय आणि idempotent टास्क.
- SQLAlchemy सह PostgreSQL स्कीमा डिझाइन आणि माइग्रेशन; इव्हेंट डेटासाठी MongoDB.
- मॉडेल इन्फरन्स किंवा LLM API एका स्थिर इंटरफेसमागे जोडणे.
- वेबहुक इनजेशन आणि थर्ड-पार्टी इंटिग्रेशन (WhatsApp Business API, Twilio, Google Drive).
- Docker इमेज, GitHub Actions पाइपलाइन आणि pytest टेस्ट.
तंत्रज्ञान, आणि ते कुठे वापरले जाते
- FastAPI + Pydantic
- नवीन async API आणि मॉडेल-सर्व्हिंग एंडपॉइंटसाठी पहिली पसंती.
- Django / Flask
- जिथे प्रोजेक्ट आधीच यावर आहे, उदा. CCTV ॲनालिटिक्स बॅकएंड.
- Celery + Redis
- इन्फरन्स, मेसेज प्रोसेसिंग आणि डेटाबेस राइटसाठी async वर्कर.
- PostgreSQL / Supabase, SQLAlchemy
- रिलेशनल डेटा आणि माइग्रेशन, लाइव्ह MySQL → PostgreSQL माइग्रेशनसह.
- MongoDB
- बदलत्या स्वरूपाचे इव्हेंट — डिटेक्शन, बाउंडिंग बॉक्स, टाइमस्टॅम्प.
- Docker, Nginx, GitHub Actions
- या सर्व्हिसेसचे पॅकेजिंग, सर्व्हिंग आणि CI.
पुरावा
- CCTV ॲनालिटिक्स केस स्टडी (इंग्रजीमध्ये)
Django बॅकएंड, ज्यात Celery वर्कर पूल व्हिडिओ फ्रेम main thread पासून वेगळे प्रोसेस करतो.
- स्पीच इमोशन रिकग्निशन केस स्टडी (इंग्रजीमध्ये)
Django REST बॅकएंडसह रिअल-टाइम इन्फरन्स पाइपलाइनमागे डीप-लर्निंग मॉडेल.
- Agentic Honey-Pot (GUVI AI Impact Buildathon 2026)
API-key auth आणि rate limiting सह FastAPI ऑर्केस्ट्रेशन बॅकएंड. कोड GitHub वर.
जाणून घेण्यासारखे ट्रेड-ऑफ
टास्क क्यू फुकट नसतो
Celery + Redis म्हणजे एक ब्रोकर आणि वर्कर जे चालवावे आणि पाहावे लागतात. कमी व्हॉल्यूमवर FastAPI चा बॅकग्राउंड टास्क किंवा शेड्यूल्ड जॉब पुरेसा असतो — आणि मी ते स्पष्ट सांगेन.
FastAPI की Django
FastAPI async, फक्त-API सर्व्हिस आणि मॉडेल एंडपॉइंटसाठी योग्य आहे. ॲडमिन, ORM आणि auth तयार हवे असतील तर Django चांगले. फक्त बदलण्यासाठी चालू Django ॲप पुन्हा लिहीत नाही.
PostgreSQL की MongoDB
नियम असलेला रिलेशनल डेटा PostgreSQL मध्ये. ज्या इव्हेंटचे स्वरूप बदलत राहते — उदा. डिटेक्शन लॉग — त्यांच्यासाठी MongoDB चांगले ठरू शकते.
मर्यादा
- मी आधी बॅकएंड इंजिनिअर आहे. React प्रोजेक्ट्समध्ये वापरले आहे, पण फक्त-फ्रंटएंड काम घेत नाही.
- Kubernetes आणि AWS/GCP मधील माझा अनुभव मूलभूत पातळीवर आहे; मोठ्या क्लाउड इन्फ्रास्ट्रक्चरसाठी सोबत DevOps इंजिनिअर लागेल.
आपण एकत्र कसे काम करू
Do you work with international clients?
Yes. I'm based in Pune, India, and work with teams in India and remotely worldwide. Communication is async-first with scheduled calls when needed.
FastAPI or Django — which should I choose?
FastAPI suits async, API-only services and model-serving endpoints. Django is better when you need its admin, ORM and auth out of the box. I don't rewrite a working Django app just to switch frameworks.
Do I need Celery and Redis, or is that overkill?
For a few jobs a minute, FastAPI's BackgroundTasks or a scheduled job is often enough — and I'll say so. The queue earns its keep when work is slow, spiky, or must survive worker restarts.
How does an engagement work?
A short scoping call, a written scope (what gets built, what doesn't, how we'll know it works), then small reviewable milestones — with the code in your repository and a handover walkthrough at the end.
आपण एकत्र कसे काम करू
- समस्या, तुमची सध्याची सिस्टम आणि तुमच्या मर्यादा समजून घेण्यासाठी एक छोटा कॉल.
- लिखित स्कोप: काय बनवले जाईल, काय नाही, आणि ते काम करते हे कसे ओळखायचे.
- छोट्या माइलस्टोनमध्ये काम, जे तुम्ही तपासू शकता; कोड तुमच्या रिपॉझिटरीमध्ये.
- हँडओव्हर: डॉक्युमेंटेशन, डिप्लॉयमेंट नोट्स आणि वॉकथ्रू.
फुल-टाइम नोकरीसोबतच फ्रीलान्स आणि कन्सल्टिंग कामासाठीही उपलब्ध.
तुमच्या प्रोजेक्टबद्दल बोलूया
तुम्ही काय बनवत आहात आणि कुठे अडकला आहात ते सांगा. फ्रीलान्स, कन्सल्टिंग आणि फुल-टाइम — सर्व प्रकारच्या चर्चेचे स्वागत आहे.