AI bureau Tilburg
We bouwen AI die binnenkomende tekst indeelt en samenvat, getoetst in korte sprints met je team. Zo structureert WUA open antwoorden van respondenten.
Het respondentenonderzoek van WUA automatiseerden we met een topic classificatie-model
“De nauwe communicatie en gedetailleerde sprint reviews zorgden ervoor dat het model exact aansloot op onze behoeften, wat resulteerde in een succesvolle lancering bij onze klanten.” Yannick Ludwig, Head of Product, WUA
Hoeveel tijd gaat er op aan het lezen en doorsturen van reacties, mails en meldingen?
Tekst komt via formulieren, mail en enquêtes, en iemand moet hem lezen en doorsturen. AI deelt hem in op onderwerp, vat samen en zet hem bij de juiste persoon, zodat je team sneller antwoordt.
Tekst indelen, samenvatten en beantwoorden, met een mens die meekijkt
Open antwoorden op onderwerp
Voor WUA bouwden we een model dat open antwoorden van respondenten op onderwerp indeelt.
Vragen van medewerkers
Voor PostNL ontwikkelden we Dex, een zelflerende chatbot als centraal punt voor vragen van medewerkers.
Toon en sentiment
Voor de Respect Foundation bouwden we een social media monitor met LLM-sentimentanalyse.
Een mens beslist
Bij twijfel of een gevoelig onderwerp gaat de tekst naar een medewerker, met de reden erbij.
In korte sprints van voorbeeldteksten naar een model dat je team vertrouwt
-
Onderwerpen vastleggen
Samen met je team de indeling bepalen, op een stapel echte teksten uit je eigen inbox.
-
Sprint reviews
Elke sprint de uitkomst naast het oordeel van je mensen, tot het model aansluit.
-
In de werkstroom
Het model in je mail, ticket- of enquêtesysteem, met controle op nieuwe onderwerpen.
Hebben we genoeg tekst om een model op te bouwen?
Past als
Er komt elke week veel tekst binnen, je team besteedt veel tijd aan lezen en doorsturen, en je weet ongeveer welke onderwerpen terugkomen.
Past niet als
Het gaat om een handvol berichten per week. Dan is een goede inbox-regel of een formulier met keuzevelden eerst genoeg.
Waar de omvang van afhangt
Hoeveel kanalen en talen er meedoen, hoe fijn de indeling moet zijn, welke systemen we aansluiten en wie de indeling daarna bijhoudt.
Gaat onze tekst naar een AI-leverancier?
Dat bepalen we vooraf met je IT en privacy officer. Een model kan in je eigen omgeving draaien, en persoonsgegevens kunnen vóór verwerking worden weggehaald.
Trefwoorden, een getraind model of een taalmodel: wat past bij jullie teksten?
Regels op trefwoorden
Kies dit als een paar woorden het onderwerp verraden. Regels zijn snel te maken, maar missen alles wat anders verwoord is.
Een getraind model
Kies dit als de onderwerpen vastliggen en er veel voorbeelden zijn. Ons advies: begin hier bij grote aantallen, het is voorspelbaar en goedkoop in gebruik.
Een taalmodel
Kies dit als je ook wilt samenvatten of beantwoorden, of als de onderwerpen vaak veranderen.
AI op tekst bouwen we sinds 2016 voor organisaties in heel Nederland
Data Science Lab bestaat sinds 2016 en is partner van Microsoft en Databricks. We werkten voor WUA, PostNL en de Respect Foundation, en delen wat we leren op onze Techdays.

De tekst die jullie nu met de hand lezen, is waar het eerste gesprek over gaat
Stef Stoelwinder
Business DevelopmentStef is je aanspreekpunt. In het eerste gesprek bespreken we welke tekst binnenkomt en wat ermee moet gebeuren.
E-mail info@datasciencelab.nl
Telefoon +31 (0)20 3636 724
Met welke stroom tekst wil je beginnen?
Vertel waar de tekst binnenkomt en wat je team ermee doet. Je krijgt antwoord per mail, of we plannen een eerste gesprek.
Bericht verstuurd
Bedankt voor je bericht. We nemen zo snel mogelijk contact met je op.
Veelgestelde vragen
Een AI bedrijf als Data Science Lab bouwt toepassingen die een taak overnemen of versnellen, en houdt ze daarna bij. Op deze pagina gaat het vooral om tekst: open antwoorden, mails, meldingen en klantreacties indelen en samenvatten.
Alle toepassingen vind je bij AI-toepassingen.
Nee. We werken vanuit Amsterdam, aan de Westerdoksdijk. Met organisaties in Tilburg en de rest van Brabant werken we online, en voor workshops en sprint reviews komen we langs.
Geen van de cases hier speelt in Tilburg; ze laten zien wat we bouwen.
Een model dat een tekst aan een of meer onderwerpen koppelt. Voor WUA gebruikten we daarvoor NLP, embeddings en machine learning, zodat open antwoorden direct op onderwerp te bekijken zijn.
Meer over de techniek lees je bij tekstanalyse met NLP.
Ja. Het model bepaalt het onderwerp en de urgentie, en de mail komt in de juiste wachtrij. Bij twijfel gaat hij naar een medewerker.
Hoe dat werkt, lees je bij e-mailclassificatie.
Door de uitkomst te vergelijken met wat je eigen mensen kiezen, op teksten die ze al hebben ingedeeld. Bij WUA deden we dat in sprint reviews, tot het model aansloot op hun behoeften.
Na de livegang blijven we steekproeven controleren.
Dan zie je dat terug in teksten die het model niet goed kan plaatsen. Die verzamelen we, en met je team bepalen we of er een onderwerp bij moet. Het model leert dat daarna.
Zo blijft de indeling aansluiten op wat er echt binnenkomt.
Bij tekst van klanten of burgers vaak een DPIA, en afspraken over waar het model draait en wat er bewaard wordt. Indelen en doorsturen is meestal geen hoog-risicotoepassing, maar dat toetsen we per geval.
Meer lees je bij de AI Act.
Dat spreken we vooraf af: wij, jullie team, of eerst wij en daarna jullie. Er hoort een vaste controle bij of de indeling blijft kloppen, en een eigenaar die nieuwe onderwerpen toevoegt.
Hoe we modellen in productie houden, lees je bij MLOps.
Welke stap past nu: alle toepassingen, mails of beelden en metingen?
- AI-toepassingenAlles wat we bouwen, van taalmodellen en agents tot modellen die vooruitkijken.
- E-mailclassificatieMails automatisch op onderwerp en urgentie indelen en in de juiste wachtrij zetten.
- Data science bureau TilburgModellen op camerabeelden en meetdata voor organisaties in Tilburg en Brabant.