Senior Python development met Django, FastAPI en de moderne Python-stack. Voor data-platforms, AI/ML applicaties, internal tooling en high-performance APIs.
Python is de lingua franca van data, ML en moderne API-development. Geen taal heeft een grotere community in scientific computing en AI. Voor projecten die data, ML, integraties en automatisering combineren, is Python vaak de beste keuze.
Wij werken op de moderne Python-stack: Django 5 voor data-rijke applicaties met admin-panels, FastAPI voor high-performance APIs, en de scientific stack (NumPy, Pandas, scikit-learn, PyTorch) voor data en ML.
Onze projecten omvatten data-platforms voor industrie, AI/ML pipelines voor forecasting en classificatie, internal tools voor finance en operations, en API-backends voor mobile/web. Met Docker, Kubernetes en CI/CD vanaf dag 1.
Niet "we kunnen ook deze stack" — wel: dit is waar onze engineers 10+ jaar diepgang hebben.
Django 5 met DRF voor REST-APIs, Django-Tenants voor multi-tenancy, Django-Admin voor automatisch admin-panel, Celery voor async-tasks. Excellent voor business-applicaties met veel CRUD en complexe domain-logica.
FastAPI met Pydantic v2 voor validatie, async-flows voor I/O-heavy endpoints, automatic OpenAPI documentation, en native WebSocket support. Voor high-performance APIs en microservices.
NumPy, Pandas, Polars voor data-processing. Scikit-learn, XGBoost, LightGBM voor ML-modellen. PyTorch voor deep learning. Met MLflow voor experiment-tracking en BentoML voor model-deployment.
Wij zijn niet voor iedereen de juiste partner. Voor deze profielen zijn we juist sterk:
Pipelines voor extractie, transformatie en laden van data uit ERPs, CRMs, marketplaces. Met orchestratie via Airflow of Dagster.
Training, deployment en monitoring van ML-modellen voor forecasting, classificatie, fraude-detectie en recommendation.
FastAPI-backends voor mobile apps, microservices en third-party integraties. Met async-flows en native OpenAPI.
Streamlit, Plotly Dash of Django voor internal tooling — finance, operations, analytics. Snel gebouwd, lang onderhoudbaar.
RAG-systemen op interne kennis, AI-agenten voor specifieke taken, document-processing met OCR en LLMs.
Simulaties, optimalisatie, statistical computing voor onderzoek en R&D. Met Jupyter, NumPy en SciPy ecosystem.
Een B2B-distributeur in industriële artikelen werkte met statische ROP-formules: te veel voorraad op slow-movers, frequente stock-outs op A-items. Externe consultants hadden eerder een SAP IBP-implementatie geprobeerd — €600k besteed, geen meetbare verbetering.
We bouwden in 4 weken een POC: XGBoost-model per SKU-cluster met seizoens-, kalender- en macro-economische features. Eerste validatie tegen 18 maanden historische data: 22% accuracy-verbetering tov ROP. Daarna productie-versie in 3 maanden.
Lees deze case volledigPlan een eerlijke kennismaking. Een Project Manager met domeinkennis belt binnen 24 uur. We kijken samen of onze aanpak past.