AI stond begin van dit jaar volop in de belangstelling. Inmiddels is de interesse teruggelopen en komen verwachting en capaciteit meer met elkaar in balans. Voor ons techneuten wordt het nu pas echt interessant om AI-technologie op gepaste en nuttige wijze voor onze klanten in te zetten.
Elk jaar grijpen wij week 42 aan om onze klanten te bedanken voor de prettige samenwerking. Maar waar komt dat getal 42 nou eigenlijk vandaan?
Een goed in software geïntegreerde AI agent laat voor de bouwer sporen na die je later kan analyseren. Meer nog dan bij traditionele software moet je goed nadenken over welke sporen om er de juiste informatie uit te halen. In deze post laten we zien hoe we dat bij de Tingit 8QL agent hebben gedaan.
Het integreren van AI in software is niet zonder kosten. Als gewone software – de robot – kan wat de AI kan – de aap – dan is het vaak goedkoper en betrouwbaarder om te kiezen voor de robot. De aap kies je om dingen te doen die de robot niet kan. En daar zijn kosten aan verbonden.
42 organiseert regelmatig een kennisuitwisselingsdag, KTM genaamd, bestaand uit een tjokvol inhoudelijk programma. Deze dag sloten we af met percussie drummen en diner in de Heeren van Soetermeer.
Om de 8QL agent in Tingit te kunnen gebruiken, moest de gebruikersinterface aangepast worden. Middels de nieuwe chatbot wordt jouw vraag omgezet naar een complexe en direct uitgevoerde 8QL query en zie je de deelnemers waar je om gevraagd hebt.
In een risicoanalyse hebben we vastgesteld dat er geen noemenswaardige risico's zijn voor gebruik van de 8QL agent in Tingit. Het gebruik van de 8QL agent is volledig in overeenstemming met de AVG/GDPR en AI Act.
Via reverse engineering van de bestaande broncode naar een formele Tingit 8QL taaldefinitie, waarmee binnen Tingit 8QL expressies gegenereerd kunnen worden.
Met behulp van het product Maintainability Cloud hebben we inzicht in hoe wij het doen op het gebied van de software kwaliteit van onze producten ten opzichte van andere systemen. Daar zijn we best trots op.
Stel, je kunt Extract-Transform-Load (ETL) pipelines opzetten, maar in plaats van dat je alles zelf verzint, heb je een AI-assistent die het zware werk voor jou doet. Het resultaat van de pipelines – een gecombineerde tabel geschikt voor BI-oplossingen – kun je vervolgens uitlezen via een API call.
In Java-applicaties worden conform best practices aparte klassen gebruikt voor invoer en uitvoer. BeanMapper ondersteunt dat design pattern door de overheveling van data te vereenvoudigen.
Moeten we rekenen op Artificial General Intelligence (AGI) of is het aannemelijker dat kleine, maar nuttige toepassingen van AI de komende jaren een belangrijker rol gaan spelen? 42 gaat uit van het laatste scenario.