3–5 weken
AI-proof of concept
Eén use case valideren op je echte data, met meetbare resultaten.
AI-implementatie voor bedrijven: ML-modellen, NLP, computer vision, RAG en automatisering, productieklaar. Senior engineers in Kosovo, gratis adviesgesprek.

AI voor bedrijven die in productie draait, niet alleen in een demo: we verzorgen de AI-implementatie van documentverwerking, aanbevelings- en voorspellingsmodellen, computer vision en retrieval-augmented (RAG) assistenten op je eigen data, met monitoring en evaluatie ingebouwd.
3–5 weken
Eén use case valideren op je echte data, met meetbare resultaten.
8–14 weken
Model- of RAG-pipeline geïntegreerd in je product, met monitoring.
3–6 maanden
Pipelines voor training, deployment en hertraining van meerdere modellen.
Voorspellende modellen staan of vallen met de data en de baseline, dus daar gaan de eerste weken naartoe, nog voordat iemand aan een hyperparameter draait. Elke stap eindigt met iets dat je kunt bekijken en een beslissing over doorgaan.
01
We vertalen de zakelijke vraag naar een precies doel: wat wordt voorspeld, voor welke entiteit, hoe ver vooruit en welke actie volgt. We kiezen een metric die naar geld te vertalen is, zoals gemiste voorraadtekorten of onterechte fraudemeldingen, en leggen vast hoe de beslissing vandaag wordt genomen. Jij beslist of het doel het modelleren waard is.
02
Op een historische extractie uit je warehouse of operationele database controleren we dekking, labelkwaliteit en leakage: velden die op het moment van voorspellen nog niet zouden bestaan. Je krijgt een datarapport en, waar uitkomsten nooit zijn vastgelegd, een labelplan met je domeinexperts. Dan beslissen we samen: nu modelleren, of eerst de data repareren.
03
Een eenvoudige regel of een lineair model legt de ondergrens. Gradient-boosted trees, tijdreeksmodellen of een gefinetuned visionnetwerk moeten die verslaan op een latere, apart gehouden periode, niet op een willekeurige split. De vergelijking komt als notebook met een kort rapport, en deze proof of concept van 3–5 weken sluit af met een besluit: bouwen of stoppen.
04
Het gekozen model gaat mee met zijn featurecode, zodat training en serving de invoer op precies dezelfde manier berekenen. Het draait als geplande batch die scores terugschrijft naar je database of als FastAPI-endpoint met een latencybudget, in een Docker-container in je AWS- of GCP-account. Elke voorspelling wordt gelogd met modelversie en invoer.
05
Dashboards volgen drift in de invoer, de spreiding van voorspellingen en, zodra echte uitkomsten binnenkomen, de live nauwkeurigheid tegenover de baseline. Hertraining loopt volgens schema of zodra drift een drempel overschrijdt, en een nieuwe versie vervangt de oude pas na dezelfde test op apart gehouden data. Je team krijgt runbooks en per release een model card.
Engineering rekenen we af tegen € 45–65 per engineeruur of via een vast squad vanaf € 15.000 per maand. Is de open vraag of een model überhaupt werkt op je data, dan beginnen we met een AI-pilot tegen een vaste prijs, beoordeeld op een afgesproken evaluatieset en afgesloten met een go/no-go-besluit.
Voorstellen voor machine learning lezen vaak alsof nauwkeurigheid gegarandeerd is. Deze vragen, eerlijk om aan elke leverancier te stellen, ook aan ons, laten zien wie begrijpt hoe voorspellende modellen falen zodra ze live data tegenkomen.
De vragen die je juridische, security- en financeteams gaan stellen, beantwoord nog voor de eerste regel code.
Niet altijd. Veel use cases werken met voorgetrainde modellen of LLM’s plus je bestaande documenten. We beoordelen eerst je data en zeggen eerlijk wat haalbaar is.
Elk project krijgt een evaluatieset en afgesproken metrics (nauwkeurigheid, precisie, latency, kosten per request) die we vóór en na de lancering bijhouden.
Ja. We kunnen modellen in je eigen cloudaccount draaien, providers gebruiken die garanderen niet op je data te trainen, en NDA’s en verwerkersovereenkomsten tekenen.
Wanneer de invoer een tabel met transacties, events of sensormetingen is en de uitkomst een prognose, een score of een klasse. Gradient-boosted trees en tijdreeksmodellen zijn goedkoper per voorspelling, sneller, beter uit te leggen en eenvoudiger te bewaken dan een LLM. Taalmodellen verdienen hun plek bij ongestructureerde tekst, en sommige systemen gebruiken beide naast elkaar.
Ja. Machine-learningadvies betekent bij ons meestal een bestaand model of een dataset reviewen, controleren op leakage en zwakke evaluatie, en adviseren of een use case haalbaar is met de data die je hebt. We rekenen het af tegen € 45–65 per engineeruur, en de schriftelijke bevindingen zijn van jou, of we daarna iets bouwen of niet.
Vaak is dat juist het waardevolste werk. We nemen notebooks die offline goed presteren en maken er pipelines met versiebeheer van, met tests, gedeelde featurecode, deployment en monitoring, terwijl je data scientists eigenaar blijven van de modelkeuzes. Engineers kunnen zo’n 48 uur nadat je hun profielen hebt goedgekeurd bij je team aansluiten.
Vertel ons wat je wilt bouwen of opschalen. Binnen 24 uur ontvang je een voorstel met een inschatting.