maatwerk
Waarom een demo niet genoeg is
Een demo overtuigt in een presentatie en valt stil zodra echte gebruikers er echte vragen aan stellen. Het verschil zit in wat eronder ligt: data die is opgeschoond, een meetlat die vooraf vaststaat, en een systeem dat laat zien waar een antwoord vandaan komt. Wij bouwen zo dat je kunt controleren of het klopt, en dat het daarna in beheer kan.
Wat je krijgt
- 01
Benchmark met bekende uitkomst
Een vaste set vragen met een goedgekeurd antwoord. Daarop meten we elke versie, zodat kwaliteit een getal is en geen gevoel.
- 02
Werkende oplossing in fase 1
Iets dat draait op echte data en door echte gebruikers wordt gebruikt. Geen klikbare demo.
- 03
Bronvermelding en uitlegbaarheid
Elk antwoord of advies laat zien waar het vandaan komt, zodat iemand het kan nakijken voordat hij ernaar handelt.
- 04
Code en documentatie
Je houdt de code en de documentatie. Waar het kan bouwen we op open source, zoals bij GKN Vector Search.
Wat we bouwen
Bekijk ons werkRAG op grote datasets
Retrieval-augmented generation en semantisch zoeken over honderdduizenden bronnen.
Multi-agent systemen
Samenwerkende agents onder een orchestrator voor meerstaps taken.
Uitlegbare voorspelmodellen
Machine learning dat laat zien waar een voorspelling vandaan komt.
Benchmarking en evaluatie
Kwaliteit meten met onder meer RAGAS en eigen benchmarks.
Zo pakken we het aan
Onze werkwijze- Stap 1
Probleemstelling kortsluiten
We zitten aan tafel met de mensen die ermee gaan werken voordat er een regel code is. Zij bepalen wat een goed antwoord is.
- Stap 2
Data-exploratie
We gaan in de echte data zitten: hoe compleet is die, hoe consistent, en wat ontbreekt. Dat bepaalt wat haalbaar is.
- Stap 3
Benchmarks opstellen
Vraag-antwoordparen met bekende uitkomst, opgesteld samen met de vakinhoudelijke mensen. Dit is de meetlat voor alles wat volgt.
- Stap 4
Eerste versie bouwen
Een werkende oplossing op echte data, getest tegen de benchmark. Fase 1 levert iets op dat draait.
- Stap 5
Optimaliseren en adoptie meten
We verbeteren op basis van de benchmark en het echte gebruik, en dragen over aan beheer.
Werk in deze lijn
Alle cases
Bus, tram en metro slimmer plannen.
De Hybrid Intelligence Planning Engine, gebouwd met drie vervoerders. Na een geslaagde eerste fase op weg naar dagelijks gebruik.
Gebiedskennis in minuten in plaats van uren.
AI voor Regionale Expertise, met het Ministerie van LVVN en DICTU. Versnipperde bronnen samengebracht tot doorzoekbare kennis.
Onderzoeksmateriaal doorzoekbaar maken.
Semantisch zoeken door de kennisbibliotheek van Groen Kennisnet, volledig soeverein en op open source.
Veelgestelde vragen
Wat als de data niet goed genoeg blijkt?
Dan zie je dat in de data-exploratie, voordat we gaan bouwen. Je kunt dan bijsturen: een andere toepassing kiezen, eerst de data op orde brengen, of stoppen. Dat is goedkoper dan er halverwege achter komen.
Welke modellen en tools gebruiken jullie?
Wat past bij de vraag en bij de eisen aan waar data mag staan. Bij GKN Vector Search was dat open source, waaronder het Nederlandse Weaviate. Bij Vink Bouw bouwden we in Google Gemini Enterprise.
Kan de oplossing in onze eigen omgeving draaien?
Ja. AIRE draait volledig in een Nederlandse private cloud en GKN Vector Search in een datacenter in Amsterdam. Waar het draait bepaal jij; wij bouwen zo dat het kan.
Plan een koffie met Daan. We denken vrijblijvend mee.
We horen graag wat voor AI-uitdagingen je binnen jouw organisatie ervaart. Samen kijken we wat de eerste stap zou zijn.