Van fine-tuning naar betrouwbare AI

Hoe pas je het gedrag van een AI-model aan, en hoe borg je dat het daarna consistent, voorspelbaar en veilig blijft? Lees wat fine-tuning is, hoe het verschilt van prompt engineering en RAG, en hoe je het resultaat risicogestuurd test met Evaluaite.
Kritische vragen over gevibecode tools

Met AI bouwt iedereen in een middag zijn eigen tool. Fantastisch, maar wie controleert of de uitvoer klopt? Over de tool die je zelf bouwt, en drie vragen die je erbij moet stellen.
Groei je als bedrijf, dan groei je zelf mee 🚀

Groei je als bedrijf, dan groei je zelf mee. Dirk Janssen, die vanuit het MT de HR-rol vervult bij QA Company, vertelt hoe de organisatie in een stroomversnelling zit. Van detachering naar consultancy, van automatiseren naar orkestreren en van kennis inzetten naar kennis creëren en delen. Over collega’s die elkaar laten groeien, nieuwsgierigheid die niet stopt na werktijd en waarom kwaliteit centraal blijft staan, ook in een wereld waarin AI steeds belangrijker wordt.
De Forward Deployed Quality Engineer

QA Company introduceert de Forward Deployed Quality Engineer. Waar een FDE eigenaar is van de kwaliteit van één oplossing, is de FDQE eigenaar van de manier waarop de klant kwaliteit borgt. Lees wat dat betekent aan de hand van drie voorbeelden: Testing AI, Framework Migratie en Testing Agents.
Lokale AI & autonome workflows

Toen mijn token-budget op was, realiseerde ik me dat de tools die ons het snelst maken ook de tools zijn waar we het minste controle over hebben. Hoe QA Company lokale AI inzet voor autonome workflows en waarom dat niet gaat over het vervangen van frontier-modellen.
Hoe Evaluaite van niet‑deterministische AI‑apps voorspelbare bedrijfsoplossingen maakt

AI-apps zijn per definitie niet-deterministisch. Hetzelfde antwoord van gisteren krijg je vandaag niet zomaar terug. Evaluaite maakt die onvoorspelbaarheid beheersbaar met meetbare kwaliteitscriteria.
QA als mitigatie voor de onzekerheid van AI-gegenereerde code

Toen rsync-onderhouder Andrew Tridgell AI inschakelde om sneller te patchen, ontstond een storm aan regressies en kritiek. Wat zegt dit over AI-gegenereerde code, testdekking en wie verantwoordelijkheid draagt in open source?
AI voor shift-left testing: betere specificaties, minder fouten achteraf

Onduidelijke requirements leiden tot herwerk, vertraging en risico. We laten zien hoe je AI inzet om al vóór de bouwfase ambiguïteit te verwijderen, risico’s expliciet te maken en uitvoerbare specificaties op te stellen, inclusief aantoonbaar bewijs dat herleidbaar is naar requirements en releases.
Testen in een wereld met AI Agents: AI versnelt, de expert bewaakt de richting

AI agents analyseren falende tests, stellen nieuwe testcases voor en genereren automatisch testcode. Dat versnelt, maar wat gebeurt er met kwaliteit als autonome systemen testcode aanpassen? We leggen uit waarom menselijke review onmisbaar blijft en hoe de tester de testintentie bewaakt, niet alleen het resultaat.
RAG & Bias Checklist: Zo voorkom je hallucinatie en bias in AI-modellen

RAG vermindert hallucinatie en bias in LLM’s niet automatisch, risico’s verschuiven alleen. De RAG & Bias Checklist biedt zes praktische stappen: relevantie, evidence-first, no-evidence-no-answer, bias-check, slim chunking en weigering. Maak risico’s meetbaar met harde kas-metrics zoals precision, faithfulness en refusal rate. Tools als Ragas en Promptfoo automatiseren kwaliteitschecks in CI/CD. QA-teams krijgen concrete grip op betrouwbare AI-toepassingen.