Realiseren
Je weet wat je wilt bereiken. Nu moet het nog werken.
Misschien heb je al een duidelijk idee voor een AI-toepassing. Een interne assistent die met jullie kennis kan werken. Een toepassing die documenten analyseert. Een agent die informatie uit verschillende systemen combineert. Of software die dankzij AI ineens haalbaar is geworden.
Het idee is er. Misschien zelfs al een prototype.
Maar tussen ‘dit zou moeten kunnen’ en iets dat mensen daadwerkelijk kunnen gebruiken, zit nog behoorlijk wat werk.
Van een goed idee naar werkende AI vraagt meer dan een goede demo.
Van gewenste uitkomst naar technische oplossing
Je hoeft niet met een volledig uitgewerkte technische specificatie te komen.
Vertel me wat het uiteindelijk moet kunnen, wie ermee moet werken en in welke omgeving het moet functioneren. Vanuit systems engineering vertaal ik dat naar requirements en een technische aanpak. We kijken bijvoorbeeld naar:
- wat de toepassing daadwerkelijk moet kunnen;
- wie ermee moet werken;
- welke informatie en systemen nodig zijn;
- wat AI zelfstandig mag doen;
- waar menselijke controle nodig is;
- welke bestaande software we kunnen gebruiken;
- wat we moeten verbinden;
- en wat we eventueel zelf moeten bouwen.
Daarna kunnen we het ook daadwerkelijk realiseren.
Niet alleen bedenken. Bouwen, testen en gebruiken.
Afhankelijk van de vraag kan ik een prototype bouwen om een aanname snel te testen, bestaande AI-tools en systemen met elkaar verbinden, software of agents ontwikkelen, informatiebronnen ontsluiten en samen met gebruikers testen of het in de praktijk doet wat het moet doen.
Het doel is niet een indrukwekkende AI-demo.
Het doel is iets dat in jouw werkelijke omgeving bruikbaar is — en waarvan we onderweg kunnen aantonen dat het daadwerkelijk het probleem oplost waarvoor we begonnen.
Voorbeeld — Systemmatic
Binnen Systemmatic is AI toegepast op de verwerking van ICAO State Letters. Binnenkomende PDF's werden automatisch gelezen en geïnterpreteerd; AI haalde onder andere ICAO Annex(en), deadlines, officiële en interne referenties en andere metadata uit de documenten.
Werk waarvoor ongeveer drie beheerders nodig waren, kon daarmee grotendeels door één beheerder worden uitgevoerd.
Niet alleen een AI-prototype, maar nieuwe operationele capaciteit.
Klein beginnen. Werkend maken. Daarna verder.
Een eerste versie hoeft niet meteen het volledige eindbeeld te realiseren. Juist bij AI is het vaak verstandiger om het belangrijkste onderdeel eerst werkend te maken en met echte gebruikers en echte informatie te testen.
Als het werkt, bouwen we verder. Als een aanname niet klopt, ontdekken we dat vroeg.
Zo blijft de investering beheersbaar terwijl er wel vanaf het begin iets concreets ontstaat.
Nog niet toe aan een gesprek?
Stuur me in één of twee zinnen wat je zou willen realiseren.