Ga naar inhoud

1. Kernactiviteiten & Rollen (Realisatie)

Doel

Overzicht van de kernactiviteiten en rolverdelingen tijdens de Realisatiefase, van data-automatisering tot modelontwikkeling en testvalidatie.

1. Kernactiviteiten

Datastromen Automatiseren

Het opzetten van pipelines die data automatisch opschonen en aanleveren (geen handwerk meer).

  • Data Pipelines: Geautomatiseerde ETL-processen (Extract, Transform, Load)
  • Kwaliteitscontroles: Automatische validatie van inkomende data
  • Versiebeheer: Tracking van data-wijzigingen en lineage

RAG & Fine-tunen

Het verbinden van de AI aan interne documenten en het Fine-tunen voor optimale prestaties.

  • RAG: Verbinden van de AI aan interne documenten, FAQ's, procedures.
  • Prompt Engineering: Optimaliseren van de Prompts.
  • Model-Afstelling: Aanpassen van parameters voor specifieke gebruikscasus.

Specificatie-eerst Methode

We schrijven eerst de verwachte uitkomst (de test), dan pas de implementatie. Zo borgen we kwaliteit.

  • Test-Driven Development voor AI: Definieer eerst wat het systeem moet doen.
  • Acceptatiecriteria: Heldere, meetbare eisen per functionaliteit.
  • Geautomatiseerde Tests: Continue validatie bij elke wijziging.

Variant: SaaS & Inkoop (Buy vs. Build)

Niet alle AI-oplossingen worden zelf gebouwd. Bij aanschaf van standaard AI-software (SaaS) verandert de focus van de Realisatie-fase:

  • Van Bouwen naar Configureren: Focus op het instellen van de juiste systeem-prompts, RAG-kennisbronnen en veiligheidsfilters binnen de leveranciersomgeving.
  • Validatie blijft Identiek: Ook een gekochte tool moet slagen voor de Validatiepilot (PoV) en de Golden Set test voordat deze live gaat. Vertrouw niet blind op de "demo" van de leverancier.
  • Modelkaart wordt Configuratiekaart: Documenteer welke instellingen, plugins en data-connecties actief zijn.
  • Vendor Lock-in Check: Controleer of data en logs exporteerbaar zijn voor compliance (EU AI Act).

Validatie op Drie Niveaus

Elke wijziging wordt getoetst op drie dimensies:

Syntactisch

  • Vraag: Werkt de code? Geen crashes of errors?
  • Check: Unit tests, integration tests

Technische Realisatie & Pijplijnen

  • Data Pipelines: Inrichten van robuuste stromen voor training en inferentie.
  • Automated Gates (Governance-as-Code): Integreer de Harde Grenzen en succes-metrics direct in de CI/CD-pipeline.
  • Voorbeeld: De build faalt automatisch als de bias-score te hoog is of de accuraatheid onder de drempelwaarde zakt.
  • Continuous Testing (CT): Geautomatiseerde evaluatie van model-outputs bij elke wijziging in de Prompts.

Gedrag

  • Vraag: Doet het wat we verwachten?
  • Check: Functionele tests, regressie tests

Doelgericht

  • Vraag: Helpt het de gebruiker? Levert het waarde?
  • Check: User acceptance testing, A/B testing

2. Team & Rollen

Rol Verantwoordelijkheid in Realisatie
Data Scientist Responsible: Ontwikkeling van AI-modellen en RAG.
ML Engineer Responsible: Bouwen van data pipelines en infrastructuur.
AI Product Manager Accountable: Eigenaar van de product backlog en prioritering.
QA Engineer Responsible: Uitvoeren van geautomatiseerde tests en validatie.
DevOps Consulted: Adviseert over Ingebruikname en infrastructuur.

5. Gerelateerde Modules

Sjablonen:

Verdieping:

Zie ook: Overzicht Fase 3 · Opleveringen


Volgende stap: Start de SDD-cyclus: schrijf de spec, leid de Golden Set af, bouw en valideer. → Gebruik de Technische Modelkaart als startpunt. → Zie ook: SDD Patroon | Validatierapport