AI- en LLM-integraties

LLMs zijn makkelijk te demo'en en verrassend lastig in productie te krijgen. Ik help teams die stap te zetten: het juiste model kiezen, evaluatieframeworks bouwen en ontwerpen rond kosten, latency en de manieren waarop deze systemen falen.

Gevestigd in Groningen, werkzaam door heel Nederland en op afstand voor klanten wereldwijd.

LLM-functionaliteit voor bestaande apps en nieuwe producten: agent-workflows, RAG-pipelines en integraties met OpenAI, Anthropic en vergelijkbare providers.

Integraties die echt productie halen. Prompt engineering, evaluatiekaders en de minder glamoureuze kanten van LLMs in productie: kosten, latency en faalmodi.

Geschikt voor

Mijn aanpak

  1. Begin bij het werkproces. De vraag is nooit welk model het nieuwst is, maar waar taalmodellen je in jouw proces echt werk uit handen nemen. Ik zoek de stappen waar ze helpen en ben eerlijk over waar ze dat niet doen.
  2. Prototype op jouw echte data. Een klein werkend prototype op jouw eigen documenten of tickets zegt meer dan welke presentatie ook. Dat is meestal de eerste mijlpaal.
  3. Evalueren voordat het live gaat. LLM-features falen stilletjes. Daarom bouw ik evaluatiesets en regressiechecks, zodat een prompt- of modelwijziging die iets verslechtert opvalt voordat je gebruikers het merken.
  4. Live, met een vangnet. Fallbacks, budgetten voor kosten en latency, en menselijke controle waar dat nodig is. Het doel is een feature die je met een gerust hart live zet.

Werk dat ik kan laten zien

Tech die ik gebruik

Anthropic Claude, OpenAI, embeddings, vector databases, evaluatieframeworks, prompt caching.

Veelgestelde vragen

Wordt mijn data gebruikt om een model te trainen?

Standaard niet. De API's van Anthropic en OpenAI gebruiken je input onder de huidige voorwaarden niet als trainingsdata. Voor gevoelige workloads kunnen we ook een open-source model zelf hosten, zodat de data je infrastructuur nooit verlaat.

Hoe meet je of de AI-functionaliteit goed genoeg is?

Met een evaluatieframework dat draait op echte voorbeelden uit je domein. Elke release wordt op een vaste set testcases gescoord op accuratesse, latency en kosten, zodat regressies opvallen voordat gebruikers ze zien.

Hoe ga je om met hallucinaties?

Die behandel ik als ontwerpuitgangspunt. Outputs worden gevalideerd, fallbacks zijn expliciet en processen met veel impact krijgen een menselijke controlestap. Het doel is een functie die voorspelbaar faalt in plaats van onzichtbaar.

Kan mijn data privé of binnen de EU blijven?

Ja. Afhankelijk van je eisen gebruik ik EU-gehoste endpoints, zelf-gehoste open-source modellen, of ontwerp ik de feature zo dat gevoelige data je systemen nooit verlaat. Privacy-eisen neem ik vanaf het begin mee in het ontwerp, en in de praktijk is dat meestal ook wat er voor de AVG nodig is.

Wanneer is een LLM het verkeerde gereedschap?

Als de taak gegarandeerd exacte resultaten vereist, als een simpele regel of query het al oplost, of als het volume de kosten per aanvraag onredelijk maakt. Is dat jouw situatie, dan zeg ik dat en stel ik iets simpelers voor.

Kun je AI toevoegen aan een bestaande app?

Ja, en dat is een groot deel van het werk. Vaak is de beste stap een gerichte functie toevoegen aan software die er al is, een zoekfunctie, een samenvatter, een supportassistent, in plaats van het product eromheen opnieuw te bouwen.

Meer lezen:

Even sparren?

Vertel me wat je wilt bereiken. Ik laat eerlijk weten of ik een goede match ben.

Neem contact op

Andere diensten

Begin een gesprek