Tijdsbesparing en verhoogde productiviteit door LLM Anthony Chat
Fokker Services Group
AI engineer inhuren
AI engineers in dienst bij Data Science Lab bouwen in je eigen team toepassingen op taalmodellen, zoals de RAG-assistent voor Fokker Services Group.
Anthony Chat, de RAG-assistent die we voor Fokker Services Group bouwden, beantwoordt vragen over interne documenten
"Working with Data Science Lab on projects ranging from market intelligence to AI-driven chat solutions has been invaluable", zegt Kaveh Alizadeh, Manager Program Management bij Fokker Services Group.
Hoe komt onze proef met een taalmodel verder dan de demo?
De proef werkte in de demo, maar op echte vragen antwoordt het model soms naast de documenten. Een testset en bronvermelding ontbreken, net als de koppeling met de systemen waar het antwoord staat. Een AI engineer bouwt dat in jullie team.
Een AI engineer bouwt de toepassing rond het taalmodel, niet het model zelf
Zoeken in eigen documenten
Documenten opdelen, indexeren en laten beantwoorden met retrieval-augmented generation (RAG), zoals bij Anthony Chat voor Fokker Services Group.
Koppelingen met bestaande systemen
De assistent haalt kennis uit systemen die er al zijn, zoals de chatbot Dex die we voor PostNL aan bestaande systemen koppelden.
Een taalmodel in een analyse
Een LLM als stap in een datastroom, zoals bij de Respect Foundation, waar een LLM het sentiment van berichten op social media analyseerde.
Testen en vangrails
Een testset met echte vragen, metingen op juistheid en relevantie, en maatregelen tegen prompt injection voordat een assistent of agent live gaat.
Een AI-kandidaat spreek je over jouw use case en je bronnen
-
Use case en bronnen
We bespreken welke vraag de toepassing beantwoordt, welke documenten en systemen erachter zitten en wie eigenaar wordt.
-
Kandidaten spreken
We stellen collega's voor die met taalmodellen bouwen. Je spreekt ze vrijblijvend en kiest zelf wie je inhuurt.
-
Bouwen en testen
De engineer bouwt in jullie omgeving. Code, testset en evaluatieresultaten blijven achter als de opdracht klaar is.
Toe aan een AI engineer, of moet de use case eerst scherper?
Past als
Er ligt een afgebakende vraag, zoals zoeken in handboeken of contracten, de documenten zijn beschikbaar en jullie team wil de toepassing zelf leren bouwen en beheren.
Past niet als
Er is nog geen use case, of je wilt een kennisassistent als opgeleverd project. Dan past eerst een gesprek over strategie of een project beter dan extra handen.
Inzet en tarief
Hoeveel uur per week en hoe lang bepaalt de opdracht; een vaste minimale of maximale inzetduur is er niet. Het tarief hangt af van de gevraagde expertise, de ervaring en de duur.
In dienst bij ons
Je huurt geen zzp'er in: de AI engineer is bij Data Science Lab in dienst en wordt bij je gedetacheerd. Selectie, onboarding en opvolging lopen via één aanspreekpunt.
Een AI engineer detacheren, een GenAI-project of zelf iemand aannemen?
Detacheren
Kies dit als jullie team eigenaar blijft van de toepassing en zelf wil leren bouwen, testen en beheren. Ons advies als de eerste use case er al ligt.
Als project
Kies dit als je een werkende assistent of agent wilt laten opleveren, met de verantwoordelijkheid bij ons, zie generatieve AI.
Zelf aannemen
Kies dit als er structureel toepassingen op taalmodellen bijkomen. Bevalt onze engineer, dan kun je met ons in gesprek over overname in vaste dienst.
Onze AI engineers bouwen voort op wat collega’s bij Fokker en PostNL opzetten
Collega's bouwden de RAG-assistent voor Fokker Services Group en de chatbot Dex voor PostNL. Daarnaast zijn er ons interne lab en de Techdays. Data Science Lab bestaat sinds 2016 en is Databricks Partner en Microsoft Partner.
Je use case en je documenten bepalen het eerste gesprek
Stef Stoelwinder
Business DevelopmentStef is je eerste aanspreekpunt. In het eerste gesprek bespreken we je use case, je bronnen en welk profiel daarbij past.
E-mail info@datasciencelab.nl
Telefoon +31 (0)20 3636 724
Welke toepassing op een taalmodel willen jullie bouwen?
Vertel welke vraag, welke bronnen en welk team het zijn. Je krijgt antwoord per mail, of we stellen een eerste gesprek voor.
Bericht verstuurd
Bedankt voor je bericht. We nemen zo snel mogelijk contact met je op.
Veelgestelde vragen
Een AI engineer bouwt toepassingen op bestaande taalmodellen (LLM's): een assistent die in eigen documenten zoekt, een agent die stappen in een werkproces uitvoert, of een LLM als stap in een analyse. Hij kiest het model, bouwt de koppelingen met bronsystemen en test of de antwoorden kloppen.
Zoek je een genai engineer of llm engineer, dan is dit meestal dezelfde rol. Op onze pagina over detacheren staat de AI-engineer bij de rollen voor data science en AI.
De AI engineer bouwt op een taalmodel dat al bestaat en werkt vooral aan bronnen, prompts, koppelingen en evaluatie. Een machine learning engineer traint eigen modellen op je data en brengt die naar productie. Een MLOps engineer richt de route in waarmee alle modellen in productie blijven: registry, CI/CD en monitoring.
Wil je een voorspelling uit eigen data, dan past de ML engineer. Moet een assistent vragen over documenten beantwoorden, dan de AI engineer.
Bij retrieval-augmented generation haalt een zoekstap eerst relevante passages uit je eigen documenten. Die zijn vooraf in stukken (chunks) gedeeld en met een embeddingmodel als vectoren opgeslagen. Het taalmodel formuleert het antwoord op basis van die passages en noemt de bron, zodat je het kunt controleren.
Bij Fokker zagen we twee valkuilen: een vraag met meerdere deelvragen vindt niet alle passages, en vergelijkbare contracten van verschillende klanten raken door elkaar. Deelvragen splitsen en duidelijke metadata helpen. Meer in ons artikel over interne LLM's en RAG.
Met een testset van echte vragen en de antwoorden die je verwacht. Microsoft onderscheidt bij RAG twee soorten meting: de zoekstap (haalt de assistent de juiste passages op?) en het antwoord. Bij het antwoord kijk je naar groundedness (staat er niets in wat niet in de bronnen staat), relevantie en volledigheid.
Een ander taalmodel kan zulke scores als beoordelaar geven. De AI engineer draait die test bij elke wijziging aan prompt, model of index, zodat je ziet of een aanpassing iets verbetert of breekt.
Dat begint bij welke gegevens erin gaan. Werkt je organisatie al in Azure, dan ligt Azure OpenAI voor de hand: daar is een standaard verwerkersovereenkomst en kun je de tijdelijke opslag van invoer laten uitschakelen. Een open model op eigen infrastructuur geeft de meeste controle, maar vraagt het meeste werk en eigen vangrails.
De afwegingen tussen privacy, hosting, kosten en gebruiksgemak staan in ons artikel hoe kies je de juiste LLM.
Het grootste risico is prompt injection: tekst in een vraag, document of webpagina die het model andere instructies geeft. OWASP noemt dat het eerste risico voor LLM-toepassingen. Bij agents, die zelf systemen aanroepen, weegt het zwaarder.
OWASP raadt onder meer aan de agent alleen de rechten te geven die hij nodig heeft, externe inhoud apart te markeren, een mens te laten goedkeuren bij acties met grote gevolgen en de toepassing actief aan te vallen in tests. Meer over agents bij agentic AI.
Mensen moeten weten dat ze met een machine praten. Volgens de Europese Commissie gelden de transparantieregels van de AI-verordening vanaf augustus 2026. Zet je een assistent in voor beslissingen over mensen, bijvoorbeeld bij het sorteren van sollicitaties, dan kan hij onder de strengere regels voor hoog risico vallen.
De AI engineer zorgt dat herkomst van antwoorden, versies en tests vastliggen. Of een toepassing onder de regels valt, beoordeelt je jurist of compliance-afdeling. Meer bij AI-governance.
Als er nog geen afgebakende use case is, heeft een engineer niets om te bouwen. Begin dan bij data- en AI-strategie. Zijn de documenten verouderd of verspreid, dan helpt eerst het data fundament. Moet er een eigen voorspelmodel komen, dan past een machine learning engineer beter.
Zoek je een interne kennisassistent zonder eigen bouwteam, kijk dan naar Joost, onze AI-assistent voor interne kennis.
Hoe we met taalmodellen en onderhoudsdata werken bij een MRO-bedrijf, lees je op AI in vliegtuigonderhoud en MRO.
Een assistent laten opleveren in plaats van een engineer inhuren?
- DetacherenWelke data- en AI-specialisten we nog meer leveren, van data engineer tot data strateeg, en hoe we een kandidaat selecteren.
- Generatieve AIAls je een kennisassistent, documentverwerking of een AI-agent als project wilt laten bouwen.
- Interne LLM's en RAGHoe een assistent op eigen documenten werkt, met de lessen uit Anthony Chat voor Fokker.