Computer vision, RAG-pipelines, voice-agents en document-AI. Geen demo-AI maar systemen die maanden achter elkaar productie-traffic verwerken. Claude 4.7, GPT-4.5, Mistral en lokale modellen.
Plan kennismaking →
AI laten bouwen bij NedDev draait op een combinatie van Claude 4.7, GPT-4.5 en lokale modellen, ingebed in een RAG-pipeline op een vector-database. De prijs van een productie-AI-feature leggen we vast na een korte intake; de feature gaat in 4-8 weken live. Wij houden de modellen up-to-date en monitoren prompt-drift via Sentry en custom dashboards.
AI development is de juiste keuze wanneer je grote hoeveelheden documenten, gesprekken of beelden automatisch wilt verwerken: documentanalyse en classificatie, voice-agents en chatbots met domeinkennis, computer vision voor bouwtekeningen of ID-verificatie, en RAG-systemen die antwoorden uit je eigen kennisbank of CAO's halen.
Onze eigen basis voor multi-tenant SaaS: Laravel + Filament starter, audit-trail en tenantbeheer. Daar bouwen we klantplatforms op.
Intern gebruikt EDITORIAL · LONG-FORM ↗Onze schrijfsels over wat we leren. Case-studies, technische write-ups, design-decisions. Geen content-marketing, wel echte kennis.
42 artikelen RESEARCH · AI EXPERIMENTS ↗Side-projects en R&D. Voice-agent-prototypes, RAG-pipelines, AI-knowledge-graph-experimenten. Sommige worden product. De rest leert ons iets.
455 voorbeelden in het LabEen productie-AI-feature hangt bij NedDev af van datakwaliteit, integraties en het benodigde validatiewerk. RAG op je eigen documenten vraagt meer werk, inclusief vector-database-setup, omdat documenten geïndexeerd en doorzoekbaar gemaakt moeten worden. Computer vision vraagt de meeste voorbereiding, want beeldmodellen vragen meer trainingsdata en zorgvuldige validatie voordat ze betrouwbaar in productie draaien.
Wij kiezen per taak het sterkste model in plaats van één vast model. Claude 4.7 Sonnet voor lange-context taken zoals documentanalyse, GPT-4.5 voor complex reasoning, Mistral voor on-premise-scenario's waarbij data het bedrijf niet mag verlaten, en Grok 4.3 voor real-time data. Voor computer vision bouwen we eigen YOLO- en Shapely-pipelines, omdat algemene modellen daar tekortschieten.
Elke productie-AI bij NedDev draait op prompt-versioning, zodat een wijziging in de instructie nooit ongemerkt het gedrag verandert. Output valideren we via een JSON-schema, waardoor afwijkende antwoorden direct worden afgevangen voordat ze de gebruiker bereiken. Bij uitval schakelen fallback-modellen automatisch over, en Sentry bewaakt latency, kosten en output-kwaliteit. We loggen elke generatie, zodat regressies altijd traceerbaar zijn.
RAG staat voor Retrieval Augmented Generation. Het systeem zoekt eerst relevante chunks uit jouw documenten via een vector-database, geeft die als context aan een LLM, en genereert een antwoord met bronvermelding. Zo werkt Lexi AI bij vragen over cao's.
