Onze aanpak

Snel waarde. Daarna blijven we bakken.

De meeste AI-projecten lopen op dezelfde manier mis: een enorm plan, lang wachten en een grote onthulling waar niemand om vroeg. Wij beginnen klein, tonen snel iets echts, leren ervan en maken het beter. Elke ronde opnieuw.

Van BI naar AI. Van batch naar streaming.

De lus

Kleine baksels. Verse resultaten.

We werken in korte lussen. Elke lus eindigt met iets wat je kan gebruiken, testen of aan je team tonen, geen statusrapport.

i.

Kiezen

We kiezen één use case die het waard is om mee te beginnen: duidelijke waarde, echte data en een team dat erachter staat.

ii.

Bewijzen

Snel een eerste werkende versie. Genoeg om te zien of het klopt, klein genoeg om weg te gooien.

iii.

Opleveren

Wat werkt, gaat live bij de mensen die het gaan gebruiken, met de juiste vangrails.

iv.

Verbeteren

We meten de impact, luisteren naar de gebruikers en maken de volgende versie beter.

Hoe we werken

Begin klein. Itereer tot het klopt.

Itereren tot we de juiste oplossing vinden: zo werken we. We beginnen met een proof of concept en verbeteren die in korte rondes met je team. Elke ronde toont echte resultaten, zodat we vroeg kunnen bijsturen en het project binnen budget blijft.

  • 1
    Klein bewijzen

    Een proof of concept test het idee op je eigen data, nog voor er grote uitgaven zijn.

  • 2
    Verbeteren in rondes

    Elke iteratie bekijken we met je team, en we lossen eerst de grootste missers op.

  • 3
    Binnen budget blijven

    Je ziet vroeg vooruitgang, dus je kan bijsturen of stoppen voordat de kosten oplopen.

  • Illustratie van hoe we werken: we starten met een proof of concept en verbeteren die in iteraties. Met elke iteratie stijgt de nauwkeurigheid.

De juiste ingrediënten kiezen

Voor we koken, gaan we winkelen.

De technologie en de use case waarmee je start, bepalen het meeste van wat volgt. Daarom vergelijken we de opties open, ook die waarbij wij niets hoeven te bouwen.

01

De juiste use case

Niet de meest spectaculaire, wel die die zich het eerst terugbetaalt en ons het meest leert. Waarde, beschikbaarheid van data en inspanning, naast elkaar.

In de praktijkStad Gent begon met een workshop en drie ideeën, en zette daarna een pilot op met het beste.
02

Kopen, bouwen of combineren

Standaard waar dat goed genoeg is. Maatwerk waar het je voorsprong is. Vaak een mix. We zetten de opties op een rij en wat elke optie kost om mee te leven, zodat jij beslist, en goed geïnformeerd.

In de praktijkVoor een private chatbot evalueerden we Redis, FAISS, Databricks, Weaviate en Pinecone naast Azure Cognitive Search.
03

Wetgeving en compliance

GDPR, datalocatie, toegangsrechten, audittrails en de Europese AI-regels. We bekijken vroeg wat van toepassing is, want ontwerpen voor de regels is veel goedkoper dan achteraf aanpassen.

In de praktijkAttentia: de data blijft in de eigen Azure-tenant van de klant, de regels staan los van de AI en elke stap wordt gelogd.
04

Bedrijfscultuur

Een briljant systeem dat niemand vertrouwt, is een dure schermbeveiliging. We kijken hoe je mensen werken, waar ze klaar zijn voor AI en waar een mens eerst moet blijven meekijken.

In de praktijkVersele-Laga: mensen bekijken enkel de bestellingen waarover het systeem twijfelt.
05

Architectuur

Wat je al hebt, telt. We passen nieuwe oplossingen in je bestaande landschap, zodat je niet eindigt met een blinkend eiland dat niemand kan onderhouden.

In de praktijkVersele-Laga: pas de technologie aan, niet de klant. Niemand moest overstappen op EDI.

De beste technologie is de technologie die past. Soms is dat een neuraal netwerk. Soms is het een goed afgesteld klassiek model, voor een fractie van de kost.

Bron: Case luchtkwaliteit, Europees Milieuagentschap

Na de livegang

We bakken niet en gaan er dan vandoor.

Doorlopende ondersteuning, troubleshooting en nieuwe use cases na de livegang. Je systeem blijft evolueren terwijl je bedrijf groeit, en wij groeien mee.

Een uitdaging in gedachten?

Vertel ons wat je team vertraagt. We zeggen je eerlijk of AI kan helpen.