Case: een AI-gedreven kennissysteem
Om de AI-verdieping uit mijn sabbatical concreet te maken bouwde ik een persoonlijk kennis- en productiviteitssysteem in .NET. Gesproken notities en taken gaan zonder handwerk de kennisgraaf in: lokaal getranscribeerd, gestructureerd geëxtraheerd en automatisch gerelateerd aan bestaande kennis.
Hoe het werkt
Een gesproken notitie ("bel Jan morgen om één uur over het contract") wordt lokaal door OpenAI Whisper getranscribeerd — audio verlaat het apparaat niet. Een LLM-call met structured output zet de tekst om naar getypte data: entiteitstype, titel, datum/tijd, betrokken personen. Die data vult properties in een kennisgraaf van taken, notities, personen en projecten. Vector search zoekt vervolgens semantisch verwante entiteiten en stelt relaties voor — zodat de taak vanzelf aan de juiste persoon en het juiste project hangt.
Voor classificatietaken draait BERT naast de LLM-calls: waar een vraag vaak terugkomt, is een klein lokaal model goedkoper, sneller en consistenter dan elke keer een LLM aanroepen.
Het systeem in beeld
Architectuurkeuzes
Lokale transcriptie
Whisper draait lokaal in plaats van via een cloud-API: persoonlijke audio is precies het soort data dat je niet wilt laten uitwaaien. Dezelfde afweging speelt bij elke enterprise-integratie.
Structured output, robuust
LLM-antwoorden worden afgedwongen en gevalideerd als getypte data — geen vrije tekst parsen en hopen. Fouten leiden tot herstel of afwijzing, niet tot vervuilde data.
BERT naast LLM
Niet elke AI-taak verdient een LLM. Terugkerende classificatie draait op een klein BERT-model: lagere kosten, lagere latency en voorspelbaarder gedrag.
Gebouwd met AI-tooling
Ontwikkeld in combinatie met Copilot en Claude — het project is daarmee ook een dagelijkse oefening in AI-ondersteund bouwen met bewaakte architectuur.
Wat dit wel en niet bewijst
Dit is een persoonlijk R&D-project: geen klantopdracht, geen productie-load, geen team eromheen. Wat het wél laat zien: de volledige LLM-pipeline — van onbetrouwbare invoer naar gestructureerde, gerelateerde data — werkend gebouwd in .NET, met dezelfde afwegingen (privacy, kosten, robuustheid) die bij enterprise-integraties spelen. Een publiek demo-project in modern .NET, gericht op agentic workflows, is in ontwikkeling.