Crystalloids

AI & Machine Learning op Google Cloud, van prototype naar productie

Het meeste AI-werk blijft steken tussen een veelbelovend prototype en een systeem waar de organisatie echt op kan leunen. Wij bouwen het datafundament, de modellen en de agents die dát punt voorbij komen, op Google Cloud.

Plan een kennismakingBekijk wat we bouwen

  • 20+ jaar op Google Cloud
  • Google Cloud Premier Partner
  • 50+ certificeringen
  • ISO 27001:2022
Waar de meeste teams staan

Wat er meestal gebeurt

Bijna geen enkele organisatie begint bij nul met AI. De meeste hebben drie of vier proeven lopen, oprecht enthousiasme, en geen duidelijke route van daaruit naar iets waar de organisatie dagelijks op vertrouwt.

Het prototype werkte, de uitrol niet

Een model doet het goed in een notebook, maar niemand is eigenaar van hertraining, monitoring of de afspraken over de data eronder. Als het afdrijft, is degene die het bouwde al met iets anders bezig.

Iedereen weet dat de data niet klaar is

Klantgegevens staan in een CRM, een webshop, een mailplatform en een paar spreadsheets die belangrijker zijn dan iemand toegeeft. Elk model daarbovenop erft alles wat eronder niet klopt.

De directie wil dit kwartaal resultaat

Er is druk om snel iets te laten zien, en druk om niet iets te bouwen dat binnen een jaar vervangen moet worden. Die twee wijzen zelden dezelfde kant op.

Wat er verandert

Van proef naar dagelijks gebruik

Het model zelf is meestal maar een deel van de opgave. Dagelijks gebruik vraagt ook helder eigenaarschap, navolgbare herkomst van de data, en het engineeringwerk dat het betrouwbaar maakt en bereikbaar voor andere systemen.

Voor

  • Modellen staan in notebooks op iemands laptop
  • Geen naam achter hertraining of monitoring
  • Inzicht komt weken ná de beslissing
  • Voorspellingen waar niemand op durft te handelen
  • Licentiekosten die stijgen met elke gebruiker en elke toepassing

Na

  • Modellen uitgerold, geversioneerd en gemonitord als dienst
  • MLOps-pijplijnen met helder eigenaarschap in je eigen team
  • Voorspellingen in de tools die mensen al gebruiken
  • Navolgbare herkomst achter elke uitkomst, zodat je die kunt verdedigen
  • Zelfgebouwde alternatieven die je bezit in plaats van huurt
Het platform

Op Google Cloud, zoals het hoort

Wij namen BigQuery vroeg in gebruik en bouwen sinds 2006 op Google Cloud. Lang genoeg om een paar golven aan machine learning-gereedschap te zien komen en weer verdwijnen. Dat geeft een redelijk stevig beeld van welke delen van de huidige golf een productiesysteem kunnen dragen.

Elk model, elke agent en elk platform op deze pagina draait op die stack. Daarom kunnen we ook concreet zijn over wat in jouw omgeving wel en niet gaat werken.

20+

Jaar bouwen op Google Cloud, van voordat het meeste een naam had

50+

Google Cloud-certificeringen in het team

Premier

Google Cloud Premier Partner, met specialisaties in data en infrastructuur

Wat we bouwen

AI- en ML-oplossingen die we bouwen

Elk traject begint bij de data die er al ligt, en die zit meestal in meer systemen dan iemand verwacht. Het fundamentwerk doe je één keer en gebruik je daarna voor elke volgende toepassing. Het tweede en derde model kosten daardoor aanzienlijk minder dan het eerste.

01

SaaS vervangen

Bekijk de dienst →

Ontwikkelen met AI erbij heeft de rekensom onder software op maat veranderd. Platformen die je EUR 100.000 tot 500.000 per jaar aan licenties kosten, zijn steeds vaker de moeite waard om zelf te bouwen — in eigen bezit, en direct gekoppeld aan de data die je al hebt.

Analyse & BI

Licenties als Qlik vervangen door een stack op BigQuery, met de semantische laag in eigen beheer.

Customer data platform

Tools als Segment vervangen door een CDP in je eigen warehouse, zodat klantdata niet meer het gebouw uit gaat om terug te komen.

Integratieplatform

Middleware in de trant van MuleSoft vervangen door diensten op Cloud Run, afgerekend op wat je draait in plaats van per gebruiker.

iPaaS

Boomi en vergelijkbare tools vervangen door een integratielaag op maat, gebouwd om jouw systemen en hun eigenaardigheden heen.

02

Generatieve AI & conversational agents

Advies over generatieve AI

Uitzoeken waar generatieve AI iets oplevert, en waar een eenvoudiger model of een simpele regel het beter doet voor een fractie van de kosten.

Conversational AI-agents

Agents die vragen beantwoorden op je eigen data, routine afhandelen en netjes overdragen wanneer dat hoort.

Bekijk de dienst →

Conversational commerce

Hulp met een LLM erachter in retail en dienstverlening, gevoed door actuele product-, voorraad- en orderdata.

Google Agentspace inrichten

Agents in handen krijgen van de mensen die ze nodig hebben, met het koppel- en governancewerk goed gedaan.

03

Klantinzicht & personalisatie

Customer lifetime value

Waarde voorspellen, zodat je budget voor behoud en acquisitie daar landt waar het het meest oplevert.

Lees het artikel (Engels) →

Verloop voorspellen

De eerste signalen van vertrek opvangen, zolang er nog tijd is om er iets aan te doen.

Lees het klantenverhaal (Engels) →

Kans op conversie

Zien wie waarschijnlijk koopt, en ophouden met betalen voor de rest.

Lees het klantenverhaal (Engels) →

Klantsegmentatie met ML

Klanten groeperen op gedrag, waarde en intentie in plaats van op aanname.

Lees het artikel (Engels) →

04

Aanbevelingsmodellen

Vergelijkbaar en vaak samen gekocht

Combinaties uit werkelijk gedrag, en niet uit het gevoel van de inkoper.

05

Zoeken, classificeren & contentinzicht

Zoeken verbeteren

Pagina's classificeren en taalverwerking inzetten, zodat mensen vinden waarvoor ze kwamen.

Lees het klantenverhaal (Engels) →

Content classificeren

Grote contentbibliotheken automatisch labelen en indelen, en zo houden.

Lees het klantenverhaal (Engels) →

Thema's vinden en clusteren

De thema's bovenhalen uit een archief dat niemand met de hand heeft kunnen ordenen.

06

MLOps & modelbeheer

Modellen uitrollen

Modellen als geversioneerde diensten met herhaalbare pijplijnen, zodat je een uitkomst een half jaar later opnieuw kunt maken.

Monitoring en afdrijving

Afdrijving, vertraging en kosten tegen grenswaarden, met meldingen die aankomen bij wie er iets aan kan doen.

Hertrainen

Een schema en een eigenaar, in plaats van een klus die wordt opgepakt als de nauwkeurigheid al gezakt is.

Governance en herkomst

Toegangsbeheer en een navolgbaar spoor van brontabel tot voorspelling, zodat je een uitkomst kunt verdedigen als ernaar gevraagd wordt.

Bewijs

Hoe dat er in de praktijk uitziet

Drie trajecten waarin het werk uit een model kwam en in het dagelijkse werk terechtkwam.

Nederlands Dagblad · uitgeverij

Voorspellen welke abonnees opzeggen

Abonneegegevens stonden in Zeno, Pubble en Google Analytics 4, zonder één beeld van gedrag. We brachten ze samen op Google Cloud, brachten 35 tot 40 mogelijke opzegsignalen terug tot de 12 met de meeste voorspellende waarde, en bouwden het model in BigQuery ML met maandelijkse updates en dashboards in Looker Studio.

Lees het klantenverhaal (Engels) →

BNA · ruim 1.100 aangesloten bureaus

Een zoekmachine die de juiste architect vindt

De architectenzoeker van de BNA trok bezoekers, maar mensen haakten er veel vaker af dan elders op de site, en de tool erachter kostte veel onderhoud. Archy is een zoekmachine met machine learning, getraind op zo'n 2.000 voorbeelden, die projectdata in real time van het web haalt. Architecten hoeven dus geen profiel bij te houden.

Lees het klantenverhaal (Engels) →

Publieke omroep · media

Kijkgedrag lezen binnen één uitzending

Een publieke omroep met 8 websites, 2 apps en meer dan 100 socialaccounts zag dat het kijkcijfer bewoog, maar niet waarom. Wij bouwden een toepassing op BigQuery en Cloud Run die de kijkcurve naast de onderdelen van elke aflevering legt.

Lees het klantenverhaal (Engels) →

Wat we vaak gevraagd worden

Voordat je contact opneemt

Onze data is een rommeltje. Is het te vroeg voor een gesprek?

Meestal niet. De meeste trajecten beginnen bij data die over systemen verspreid staat en deels niet gedocumenteerd is. Het eerste wat we doen is vaststellen wat werkbaar is en wat eerst gerepareerd moet worden. Dat gesprek voer je liever vroeg dan nadat een proef is mislukt om redenen die niemand heeft uitgezocht.

Hoe lang voordat er iets werkt?

Dat hangt af van hoe goed de onderliggende data bereikbaar is, en dat is een eerlijk antwoord en geen ontwijkend. Is de data al redelijk op orde, dan kan een eerste toepassing er vlot staan. Is dat niet zo, dan komt het fundamentwerk eerst — en dat zeggen we liever aan het begin dan halverwege.

Moeten we al op Google Cloud zitten?

Nee, maar het is waar wij werken en waar onze diepte zit. Zit je op een ander platform, dan zeggen we of overstappen in jouw geval de moeite waard is. Soms is het dat niet.

Wat gebeurt er met het werk als het traject stopt?

Het staat in jouw cloudomgeving, in jouw bezit, en het is genoeg gedocumenteerd om door je eigen team te worden onderhouden. Sommige klanten laten ons het beheren, maar dat is een keuze en geen afhankelijkheid die wij inbouwen.

Hoe gaan jullie om met governance en naleving?

Toegangsbeheer, herkomst en monitoring worden ingebouwd terwijl het werk naar productie gaat, niet er later bij geplakt. Wij zijn ISO 27001:2022-gecertificeerd, en voor klanten in een gereguleerde sector werken we volgens het raamwerk dat daar geldt.

Volgende stap

Wil je weten waar je data werkelijk staat?

Denk je over een AI-initiatief en wil je helder krijgen of het fundament het draagt? Dat zoeken we graag met je uit.