Blog | februari 2026
Je Eigen AI-Model Trainen:
Zo Doen Wij
Het
Wij trainen ons eigen AI-model. Niet omdat het hip is, maar omdat geen bestaand model onze taal spreekt. Dit is het eerlijke verhaal: waarom we het doen, hoe het werkt, en wat het ons kost.
Ritchel AkwaliWaarom een eigen model?
GPT-4 kent geen ISO 14224. Claude weet niet wat een “KKS-code” is. En Gemini heeft nog nooit een werkbon van een monteur in Oost-Nederland gelezen.
Wij hebben een model nodig dat één ding goed doet: de rommelige, informele, dialect-rijke taal van de werkvloer vertalen naar gestandaardiseerde data. Geen model op de markt kan dat out-of-the-box.
“We trainen geen AI om slim te zijn. We trainen het om precies te zijn.”
Het Proces in 4 Stappen
Dataset samenstellen
We verzamelen echte werkbonteksten, vertaald naar gestructureerde ISO 14224 output. Elke sample is een <input, output> paar dat we handmatig valideren.
Base model kiezen
We starten met Qwen 7B als base model. Compact genoeg voor één GPU, krachtig genoeg voor ons domein. Bekijk onze AI-Roadmap →
Gericht trainen met ingebouwde straf
Wij trainen het model in twee stappen. Eerst leert het wat het juiste antwoord is. Tegelijkertijd bouwen we een wiskundige straf in voor gokken: als het systeem niet zeker is, geeft het liever geen antwoord dan een verzonnen antwoord. Het resultaat: een stuk gereedschap dat zijn mond houdt als het iets niet weet.
Comprimeren en installeren
Het getrainde model wordt gecomprimeerd zodat het op standaard hardware past. Van 28 GB naar ~4.5 GB — klein genoeg voor een standaard GPU, zonder dat het slechter presteert.
Wat het kost (eerlijk)
€15-25
per trainingsrun
(cloud GPU, ~4 uur)
40+ uur
dataset curatie
(handmatig, geen shortcut)
€2.500
on-premise hardware
(industriële PC + GPU)
Dit is geen €100K enterprise AI-project. Dit is een chirurgisch gereedschap, gebouwd met chirurgische precisie.
Video: Het trainingsproces in actie
Wordt binnenkort toegevoegd.
Drie Lessen die we geleerd hebben
Data > Model
100 perfecte samples leveren betere resultaten dan 10.000 matige samples. De kwaliteit van uw dataset is belangrijker dan de grootte van uw model.
Specialisatie is het doel
Voor een gespecialiseerd model wíl u dat het zich volledig richt op uw domein. Het hoeft geen gedichten te schrijven. Het moet ISO 14224 codes produceren. Consistent. Elke keer.
Evaluatie is handwerk
Er bestaat geen automatische benchmark voor “vertaalt monteurstaal correct naar storingscode”. Elke output wordt handmatig beoordeeld door domeinexperts.
De gesloten lus: RAG geeft al 85%
Model-training is één onderdeel. Maar het zware werk doet de gesloten lus: uw Kennis-Kluis (RAG) gecombineerd met continu lerende data. Zonder uw bedrijfsdata scoort een AI-systeem slechts 12%. Mét de gesloten lus: 85% — en stijgend.
12%
Zonder uw bedrijfsdata
85%
Mét de gesloten lus
Benieuwd naar het resultaat?
Bekijk de Kennis-Kluis: het product dat op dit model draait.
Roadmap
AI-Roadmap
Van spraak tot voorspellend onderhoud, 100% offline.
Demo
Zero-Network Demo
Het model in actie, zonder internet.
Pillar Page
Waarom Edge-AI?
De strategie achter onze keuze.
Bijgewerkt: februari 2026
Geschreven door
Ritchel Akwali
Oprichter RaconSoft. Bouwt en traint AI voor de maakindustrie.
LinkedInDit artikel is samengesteld door de experts van RaconSoft, ondersteund door geavanceerde AI-tools voor analyse en redactie.