Wat we leren uit productie

Hoe je een flexibel uurloon-systeem bouwt dat rekening houdt met leeftijd, functieschaal, inkoopcontracten en overuren — zonder hardcoded tarieven

Uurlonen in de horeca en zorg zijn zelden simpel: ze variëren per leeftijd, per functieschaal, per cao, en per toeslag. Een salarisengine die dat correct berekent, volgt een duidelijke prioriteitsvolgorde — en legt de beslissing op elk niveau vast voor auditdoeleinden.

Hoe je berichten naar de juiste agent routeert met Nederlandse stopwoordlijsten, phrase-matching en topic-anchoring — zonder een classifier te trainen

De standaard-aanbeveling voor intent-classificatie is een ML-model. De praktijk is dat een goed gebouwde regelset sneller werkt, goedkoper is en makkelijker te debuggen is — zolang je domein beperkt genoeg is. Hier is onze volledige intent-detectie voor een HR-chatbot.

Hoe je gestructureerde data verzamelt via WhatsApp-chat zonder dat het aanvoelt als een formulier

Een registratieflow via WhatsApp hoeft niet te voelen als een formulier met verborgen labels. Met LLM-gestuurde slot filling verzamel je gestructureerde data uit vrije conversatie — inclusief foutafhandeling, annulering en escalatie naar een beheerder als het toch misgaat.

Waarom je niet moet kiezen tussen semantische search en keyword-matching — en hoe je beide combineert zonder dat ze elkaar tegenwerken

Vector search vindt conceptueel verwante chunks die een exacte keyword-match zou missen. Full-text search vangt exacte namen, termen en codes die embeddings wegsmoothden. In productie heb je beide nodig — en de manier waarop je ze samenvoegt is belangrijker dan elk afzonderlijk.

Observability als UX-feature — hoe je de interne stappen van een AI-agent live aan de gebruiker toont zonder de latentie te verhogen

AI-agents nemen beslissingen die voor de gebruiker onzichtbaar zijn. Door de interne stappen — context laden, kennisbank raadplegen, LLM-aanroep, actie uitvoeren — live te broadcasten via Supabase Realtime, maak je van observability een gebruikerservaring in plaats van een ops-tool.

Hoe je GPT-aanroepen, embedding-calls en WhatsApp-berichten per bericht doorberekent — en waarom je dit vanaf dag één moet bouwen

AI-kosten zijn verrassend eenvoudig te berekenen maar verrassend makkelijk te vergeten. Een productiesysteem dat GPT-4o, embeddings én WhatsApp combineert, heeft drie aparte kostenmechanismen die elk anders werken. Hier is hoe we dat per bericht bijhouden.

Hoe je inkomende WhatsApp-berichten betrouwbaar verwerkt via een polling job queue — inclusief idempotentie, concurrency en retry-strategie

Een Twilio-webhook die direct een LLM aanroept is fragiel: als de aanroep mislukt, is het bericht weg. Een job queue biedt retries, idempotentie en controle over concurrency. Hier is de volledige architectuur die we in productie gebruiken voor AI-auto-reply op WhatsApp.

Hoe je mensen kunt vinden op basis van velden die de gebruiker niet kent — door het LLM te laten beslissen welke synoniemen op welke databasequery mappen

Een HR-chatbot die 'wie spreekt Spaans?' begrijpt, maar 'wie is tweetalig?' niet, heeft een aliassing-probleem. De oplossing is om het LLM eenmalig aliassen te laten genereren per attribuutveld — en die als structurele hints mee te geven aan elke zoekopdracht.

Hoe je testcases aanmaakt vanuit echte gesprekken, agent-antwoorden replayed en regressies opspoort — zonder aparte testinfrastructuur

Unit tests zeggen niks over of je AI de juiste antwoorden geeft. Wij bouwen testcases rechtstreeks vanuit productielog-entries en replayed ze door dezelfde agent-pipeline. Zo ontdek je of een aanpassing aan de retrieval-logica iets breekt dat vorige week nog werkte.

Hoe je medewerkers prioriteert voor uitnodigingen op basis van gewogen factoren — en waarom je dat generiek bouwt in plaats van hardcoded

Een wervingscampagne die 'de beste kandidaten eerst uitnodigt' klinkt eenvoudig. Maar wat is 'de beste'? Leeftijd, beschikbaarheid, eerdere ervaring, afstand? Het antwoord verschilt per organisatie — en verandert in de tijd. Een gewogen scoringssysteem met configureerbare factoren geeft dat flexibiliteit.

Een pure Python solver was niet snel genoeg. Dit is hoe we de kern herschreven in C en hem naadloos integreerden.

Roosteroptimalisatie is een NP-hard probleem. Een greedy solver geeft snel een antwoord, maar niet het beste. Wij bouwden een genetisch algoritme in C dat binnen enkele seconden een kwalitatief rooster oplevert voor honderden medewerkers en diensten.

Hoe je filtervragen en toegangscontrole van elkaar scheidt — zonder privilege-escalation en zonder business-logica in je repositories

Row-level security in applicaties werkt alleen als de toegangsvraag ('mag deze gebruiker dit zien?') gescheiden is van de filtervraag ('welke rijen horen bij deze gebruiker?'). Het strategy-pattern maakt beide testbaar, consistent en privilege-escalation-vrij.

Hoe je een planningsysteem bouwt met een OPEN → APPROVED → REVERTED lifecycle — inclusief solver-integratie en onveranderlijke historie

Een planning is geen single source of truth — het is een reeks beslissingen in de tijd. Wie heeft wanneer goedgekeurd? Wat was de planning drie weken geleden? Hoe keer je terug naar een eerdere staat? Versiebeheer voor planningen werkt verrassend veel als Git.

Hoe we een genetisch algoritme in C integreerden in een Python worker, inclusief async progress polling en multi-build library discovery.

Je hebt een gecompileerde C library met een krachtig algoritme. Je hebt een Python service die die library moet aanroepen, de voortgang moet bijhouden en niet mag blokkeren. Dit is hoe we dat hebben opgelost — zonder Cython, zonder CFFI, gewoon ctypes.

Hoe je voorkomt dat event-handlers draaien terwijl de database-transactie nog kan terugdraaien — een Prisma middleware-patroon

Een event-bus die events emit terwijl de database-transactie nog open is, kan handlers triggeren op data die nooit wordt gecommit. De oplossing: buffer events per transactie-ID, commit ze na de DB-commit, en discard ze bij rollback.

Hoe we een roosteroptimalisatie-worker bouwen die jobs asynchroon verwerkt, real-time voortgang rapporteert en graceful degradeert bij fouten.

Een zware optimalisatierun wil je niet in een HTTP request verwerken. Je wilt hem in een queue zetten, asynchroon verwerken en de gebruiker live op de hoogte houden. Dit is de architectuur van onze BullMQ worker — inclusief fallback, progress events en de keuzes die we maakten.

Hoe je real-time verbindingen over meerdere server-instanties distribueert — met rooms, aanwezigheidsdetectie en herstel bij reconnect

Een Socket.IO-server die op één instantie draait, kent al zijn verbindingen. Zodra je horizontaal schaalt, weet instantie A niet welke sockets op instantie B zitten. De Redis adapter lost dat op via pub/sub — hier is de volledige implementatie inclusief reconnect-strategie en pending notifications.