In het snel evoluerende vakgebied van AI-engineering zoeken we voortdurend naar manieren om verder te gaan dan simpele code-aanvulling en Large Language Models (LLMs) in te zetten voor complexere, projectspecifieke ontwikkeltaken. De uitdaging gaat niet alleen over het genereren van stukjes code; het gaat over het integreren van de LLM in onze ontwikkelcyclus als een echte samenwerkingspartner.
De weg naar een succesvol AI-gedreven product is vaak complex en vol uitdagingen. Op de recente Data Expo-conferentie deelden Dennis Maas, Head of Product bij Wolters Kluwer Schulinck, en Vincent Hoogsteder, Partner bij Mozaik, onze ervaringen uit de eerste hand uit een succesvolle samenwerking. Ze gaven een realistisch beeld van wat er nodig is om een AI-product van concept naar markt te brengen.
Hier is een samenvatting van de belangrijkste inzichten:
De 10 valkuilen die je moet vermijden:
- Kwaliteit meten bij de koffieautomaat: Vertrouwen op subjectieve feedback kan riskant zijn. In plaats daarvan raden ze aan een evaluatieraamwerk op te zetten om van subjectieve discussies naar geautomatiseerde, objectieve metingen te gaan.
- Technologische sprongen boven kleine aanpassingen stellen: Het is makkelijk om meegesleept te raken in de hype rond nieuwe technologie. Toch ontdekte het team dat een experimenteer-mindset, waarin zelfs kleine aanpassingen aan prompts en content worden gewaardeerd, vaak de beste resultaten oplevert.
- Zelfgenoegzaam zijn over de snelheid van leren: In de snelle wereld van AI kan wekenlang wachten op feedback de voortgang vertragen. Om dit tegen te gaan, hebben we juridische experts in het team opgenomen om een dagelijkse en persoonlijke feedbackloop te maken.
