Van concept tot productie: ik bouw AI-applicaties die écht werken. Als full-stack developer met een specialisatie in RAG-systemen en conversational AI combineer ik diepgaande technische kennis met een pragmatische aanpak. Mijn achtergrond ligt in software engineering (MSc Computer Science, TU Delft), maar ik heb me de laatste 3 jaar volledig gespecialiseerd in AI-toepassingen. Ik werk het liefst met Python, LangChain en Next.js — een stack die zich bewezen heeft in productie-omgevingen. Recente projecten: • RAG-systeem voor een advocatenkantoor (5000+ juridische documenten, 95% accuracy) • Conversational AI receptionist voor een hotelketen (3 talen, 24/7) • Interne Q&A bot voor een verzekeraar (proceshandleidingen, compliance docs) • Document processing pipeline voor een notariskantoor (OCR + classificatie + extractie) Ik onderscheid me door mijn focus op production-readiness. Elk systeem dat ik bouw bevat monitoring, fallback-mechanismen, en een duidelijke evaluatie-pipeline. Geen demo's die alleen op het podium werken, maar robuuste systemen voor dagelijks gebruik.
Ik ontwikkel autonome AI agents die complexe taken uitvoeren zonder menselijke tussenkomst. Van research en data-analyse tot klantenservice en content creatie. **Voorbeelden van agents die ik bouw:** - Research agent: analyseert marktdata, genereert rapporten - Customer support agent: beantwoordt tickets, escaleert wanneer nodig - Data processing agent: verwerkt documenten, extraheert informatie - Sales assistant agent: schrijft gepersonaliseerde outreach, plant follow-ups **Technologie:** - LangChain/LangGraph voor agent orchestratie - Tool-use met custom functions (API calls, database queries, web search) - Memory management voor lange conversaties - Human-in-the-loop voor kritieke beslissingen - Observability via Langfuse/Helicone Elk agent-project omvat een uitgebreide evaluatie-fase waarin we de agent testen op 100+ scenario's voordat deze in productie gaat.
Ik bouw een production-ready RAG (Retrieval Augmented Generation) systeem dat uw medewerkers in staat stelt om in natuurlijke taal vragen te stellen over al uw interne documentatie. **Wat u krijgt:** - Volledig custom RAG-systeem afgestemd op uw domein - Ondersteuning voor PDF, Word, Notion, Confluence, SharePoint - Hybrid search (semantisch + keyword) voor maximale recall - Antwoorden met exacte bronvermelding en confidence score - Role-based access control (niet iedereen ziet alles) - Evaluatie-dashboard met accuracy metrics - API voor integratie in uw bestaande tools **Mijn aanpak:** Na 10+ RAG-projecten heb ik een bewezen methodologie: 1. Document analyse en chunking-strategie bepalen 2. Embedding model selectie en benchmarking op uw data 3. Retrieval pipeline bouwen en optimaliseren 4. Generation layer met guardrails tegen hallucinations 5. Evaluatie met golden dataset en iteratieve verbetering 6. Deployment, monitoring en overdracht Typische accuracy: 90-95% op domeinspecifieke vragen.