6.0 Inleiding op deel 6: Kunstmatige intelligentie

Kunstmatige intelligentie is van onderzoeksnieuwtje uitgegroeid tot een kernvermogen dat grote organisaties nu geacht worden verantwoord en op schaal in te zetten. Dit deel doorloopt de hele levenscyclus: beslissen waar AI het toepassen waard is, machine learning-systemen bouwen die het contact met productie overleven, applicaties bouwen op generatieve modellen, AI gebruiken om te helpen bij softwareontwikkeling zelf, je verplichtingen voor eerlijkheid en verantwoording nakomen en de gespecialiseerde infrastructuur draaien die dit alles nodig heeft. Eén idee verbindt elk hoofdstuk: het model is zelden het moeilijke deel. Het moeilijke deel is de engineering, governance en operationele discipline eromheen.

Voor grote teams verhogen schaal en traagheid de inzet. Een slecht geformuleerd initiatief kan budgetten verbranden, bekwame engineers afleiden en vertrouwen eroderen wanneer het publiekelijk faalt. Een goed gekozen initiatief kan sleurwerk automatiseren en inzicht boven water halen uit data die je nooit eerder kon bereiken. Over honderden ontwikkelaars en tientallen modellen tellen kleine gewoonten en kleine gaten in toezicht op tot organisatorische uitkomsten. Daarom tellen gedeelde platformen, standaarden en normen zwaarder dan welke slimme oplossing ook.

Context van onderneming en overheid voegt scherpere beperkingen toe, en ze lopen door elk hoofdstuk. Publieke organen moeten uitgaven rechtvaardigen, transparantie garanderen, onwettige discriminatie vermijden en verantwoording afleggen aan toezichthouders en het publiek. Aanbestedingsregels kunnen lock-in bij één leverancier verbieden en uitlegbaarheid en exitopties eisen. Opkomende wetgeving zoals de AI-verordening van de EU (de op risico gelaagde regulering van AI-systemen door de Europese Unie) en standaarden zoals het NIST AI Risk Management Framework en ISO/IEC 42001, een certificeerbare standaard voor AI-managementsystemen, leggen eisen op die naar risico zijn gegradeerd. In deze omgevingen zijn compliance, controleerbaarheid, reproduceerbaarheid en datasoevereiniteit eersterangs eisen, geen bijgedachten.

Hoofdstukken in dit deel

6.1 AI-strategie en gereedheid: De discipline van beslissen waar je AI toepast, waar je het vermijdt en welke fundamenten voor data, talent en governance moeten bestaan voordat het eerste model productie bereikt.
6.2 Machine-learningengineering (MLOps): Softwarerigueur brengen in de drieledige realiteit van code plus data plus modellen, zodat ML-systemen reproduceerbaar, observeerbaar en onderhoudbaar zijn in plaats van eenmalige demo’s.
6.3 Generatieve AI en LLM-applicaties: Betrouwbare applicaties bouwen rond probabilistische taalmodellen via contextbeheer, retrieval-augmented grounding, vangrails (runtimecontroles die de invoer en uitvoer van het model begrenzen) en rigoureuze evaluatie.
6.4 AI-ondersteunde softwareontwikkeling: AI-codeerassistenten gebruiken om de doorvoer te verhogen zonder kwaliteit te verlagen, via heldere normen, goede standaarden, sterke verificatie en aandacht voor beveiliging en licenties.
6.5 Verantwoorde en betrouwbare AI: Systemen bouwen die eerlijk, transparant, verantwoordelijk, veilig en privacyrespecterend zijn, en dat alles kunnen aantonen aan de betrokkenen en aan toezichthouders.
6.6 AI-infrastructuur en -operaties: De schaarse versnellers, vectoropslag (systemen die data indexeren als numerieke vectoren voor zoeken op gelijkenis) en servinglagen die AI-werklasten vragen inrichten en draaien, kostenefficiënt, betrouwbaar en observeerbaar.
6.7 AI-agents en agentische systemen: Software bouwen die een taalmodel in een lus met tools, geheugen en een doel gebruikt om acties te ondernemen, en dat veilig doen via begrensde autonomie, toolgebruik met minste privilege, goedkeuringen met een mens in de lus, vangrails tegen prompt-injectie en rigoureuze evaluatie van niet-deterministisch gedrag.
6.8 AI-evaluatie en -testen: AI betrouwbaar maken via evaluatiegedreven ontwikkeling, representatieve evaluatiesets en taakpassende statistieken, gekalibreerde LLM-als-rechter en menselijke review, red teaming, regressiepoorten in continuous integration en kwaliteit en afdrijving in productie bewaken.
6.9 Promptengineering en contextontwerp: Prompten behandelen als engineering, met gestructureerde prompts, few-shot- en chain-of-thought-technieken, gedisciplineerd contextbudget en retrieval, gestructureerde uitvoer en toolaanroepen, en prompts die als code worden geversioneerd, beoordeeld en geëvalueerd.

Hoe deze hoofdstukken samenhangen

Samen vormen deze hoofdstukken een levenscyclus die loopt van intentie tot operatie. Hoofdstuk 6.1 stelt strategie en gereedheid vast en kadert welke problemen AI überhaupt rechtvaardigen en welke fundamenten je eerst nodig hebt. Hoofdstuk 6.2 levert de engineeringruggengraat voor klassieke machine learning, terwijl hoofdstuk 6.3 de aparte patronen van generatieve modellen behandelt, waar gedrag wordt gevormd door prompts en opgehaalde context in plaats van een trainingsstap. Hoofdstuk 6.4 richt AI op het vak van softwareontwikkeling zelf, en hoofdstuk 6.6 levert het rekenvermogen, de opslag en de serving waarvan elk ander hoofdstuk afhangt. Hoofdstuk 6.5 is bewust niet het laatste woord maar een voortdurende metgezel: verplichtingen voor verantwoorde AI geven overal vorm aan strategie, beperken de modelkeuze, poorten deployment en informeren infrastructuurbeslissingen.

De rode draad loopt van strategie naar MLOps naar generatieve AI naar AI-ondersteunde ontwikkeling naar verantwoorde AI naar infrastructuur, maar zie het als een web, niet als een rechte lijn. MLOps en infrastructuur delen zorgen rond reproduceerbaarheid, kosten en serving, dus hoofdstuk 6.2 en hoofdstuk 6.6 worden het best samen gelezen. Verantwoorde AI verwijst terug naar strategie in hoofdstuk 6.1 en vooruit naar de bredere behandeling van ethiek en publiek belang in hoofdstuk 10.5, en leunt op de privacy- en gegevensbeschermingspraktijken in hoofdstuk 4.5. De bredere engineeringfundamenten van deze gids dragen het hele deel: continuous delivery in hoofdstuk 8.1, observeerbaarheid en bewaking in hoofdstuk 9.2, teststrategie in hoofdstuk 2.4 en codereview in hoofdstuk 2.5 zijn allemaal voorwaarden om AI goed te doen. AI vervangt goede software-engineering niet. Ze verhoogt de inzet om die goed te doen.