Outcome 02
Maak van AI productiesoftware
De meeste AI-projecten sneuvelen in het gat tussen een overtuigende demo en een systeem waarop je kunt bouwen. Ik werk al jaren aan de productiekant van dat gat.
De symptomen
- Je hebt een veelbelovend prototype, maar geen pad naar productie.
- Er is geen eerlijke manier om te zien of het model echt goed is.
- Data is versnipperd en de pipeline breekt geruisloos.
- Niemand weet zeker wat het gaat kosten — en of het wel veilig live kan.
Wat ik doe
- 01Het dataplatform onder het model ontwerpen — streaming, opslag en recovery die geen data verliezen.
- 02LLM- en MCP-systemen bouwen die live bedrijfsdata veilig bij de juiste mensen brengen.
- 03Evaluatie en A/B-tests inrichten zodat modelkwaliteit gemeten wordt, niet aangenomen.
- 04Het pad naar productie in eigen hand nemen: deploymentpipelines, monitoring en kosten.
Bewijs
Medeoprichter & CTO — ML-personalisatie
End-to-end modeldeployment en continue A/B-tests ontworpen, met realtime aanbevelingen aan miljoenen gebruikers voor grote omroepen — 10.000+ requests per seconde bij een p99 van 19 ms, onder contractuele SLA’s.
20%+ meer paginaweergaven
AI/ML-platform engineer — e-commercegroep
Een ClickHouse-lakehouse gebouwd, gevoed door realtime streams uit 13+ webshops, plus een MCP-server die niet-technische collega’s LLM-analytics over live data via Claude geeft.
Live analytics voor niet-technische gebruikers
Lead data engineer — omroep
Een next-generation analytics- en ML-platform gearchitecteerd dat batch- en realtime-pipelines combineert voor aanbevelingen en kijkersinzicht.
50+ TB per dag verwerkt