Ik help organisaties om een AI-vraagstuk te vertalen naar een systeem dat iemand echt kan gebruiken, testen en onderhouden. Denk aan LLM-applicaties, RAG, agentic workflows en automatisering binnen wat er al staat.
Een prototype laat zien wat mogelijk is. De volgende stap is bepalen waar data vandaan komt, wat er gebeurt bij twijfel en hoe iemand de uitkomst controleert.
De waarde zit vaak in APIs, data, autorisatie en foutafhandeling. Ik kijk eerst wat bruikbaar is voordat er nieuwe tooling wordt gekozen.
Toolrechten, evaluaties, logging, privacy en menselijke controle horen bij het ontwerp wanneer een systeem echte acties mag uitvoeren.
Mijn werk ligt op het snijvlak van software engineering en AI-engineering in productie. De techniek kan bestaan uit een LLM, RAG, een agent, een klassieke integratie of een combinatie daarvan.
Van probleemdefinitie en systeemgrenzen naar een uitvoerbare architectuur met duidelijke keuzes.
Een praktische route langs Azure AI, identity, retrieval, monitoring en de grenzen die je vooraf moet ontwerpen.
Lees de Nederlandstalige tutorials over agents, MCP, RAG, coding agents en AI-systemen in productie.
Wat moet beter, voor wie en wat gebeurt er wanneer het systeem het niet zeker weet?
Niet automatisch een agent: soms is een API, workflow of gewone software de betere oplossing.
Interfaces, tests, logging, security en een duidelijke menselijke beslisgrens horen bij de oplevering.
Stuur een korte schets van het proces, wat er al staat en waar het vastloopt. Dan kunnen we snel bepalen of een freelance AI engineer de juiste volgende stap is.