AI-flows die betrouwbaar draaien, dag na dag

Een demo met ChatGPT is op een namiddag gemaakt. Het echte werk begint wanneer die ene AI-stap deel moet worden van een proces: documenten die binnenkomen, gelezen, gecontroleerd, verrijkt en doorgestuurd worden, elke dag opnieuw en zonder dat er iemand naast zit. Dat is orchestration: meerdere AI-stappen, modellen en systemen die samenwerken in één flow.

Een typische pipeline ziet er zo uit. Een document komt binnen, een snel en goedkoop model classificeert het, een sterker model haalt de juiste gegevens eruit, een controlestap toetst het resultaat aan je eigen regels en pas dan gaat het je systeem in. Twijfelgevallen komen bij een mens terecht in plaats van stilletjes fout te lopen.

We verbinden die flows ook met je eigen kennis. Via retrieval antwoordt een model op basis van jouw documenten, prijslijsten of contracten in plaats van te gokken. Welk model we per stap inzetten, Claude, GPT of een open model, kiezen we op basis van wat meetbaar het beste presteert voor die stap, tegen de laagste kost.

We beginnen klein en meetbaar: één proces dat vandaag veel tijd of fouten kost. Voor we iets bouwen, leggen we samen een testset aan van echte voorbeelden met het juiste antwoord erbij. Die set is onze lat: elke versie van de pipeline moet erop scoren voor ze verder mag.

Dat meten maakt het verschil tussen een AI-project dat blijft hangen in de demofase en eentje dat in productie gaat. Wij kunnen je op elk moment tonen hoe goed elke stap presteert, waar de fouten zitten en wat een aanpassing oplevert.

De uitrol gebeurt naast je bestaande werkwijze. De pipeline draait eerst mee in schaduwmodus, je team controleert de resultaten en pas wanneer de cijfers goed zitten, neemt ze het werk echt over. Vertrouwen bouw je met bewijs.

Een pipeline die in productie draait, gekoppeld aan je systemen, met een dashboard waarin je elke run kan volgen: wat kwam er binnen, wat besliste elk model, wat ging er naar een mens en wat kostte het. Logging en kostenbewaking zitten er standaard in, net als foutafhandeling die problemen netjes opvangt.

Alles draait in jouw omgeving en je data wordt nergens gebruikt om modellen te trainen. Voor wie met gevoelige gegevens werkt, documenteren we de hele flow. Dat is meteen een stevige basis voor je verplichtingen onder de AI Act.