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.
Vibe coded applicaties – minder testen, meer observeren
Vibe coding met agentic IDE’s zoals Windsurf en Cursor genereert applicaties razendsnelAl maar accepteert snelheid ook risico’s in beveiliging en kwaliteit. Traditioneel testen kan niet volgen. QA Company stelt voor: observability vervangt testing. Monitor kritieke metrics in productie: trage queries, onverwachte file reads, error spikes, responstijden. Voor AI-driven development is inzicht in live-systemen cruciaal. Kies tussen volle vibe coding snelheid of beheerde AI-enhancement met controle.
Het LLM Quality Canvas: Waarom traditioneel testen faalt bij AI
Waarom traditioneel testen faalt bij AI-applicaties. Het LLM Quality Canvas is een denkkader met zes pijlers: promptrobuustheid, outputkwaliteit, ethiek, use case representatie, regressie en evaluatiemethoden. Large Language Models zijn non-deterministisch, zonder vaste output. Standaardtestmethoden schieten tekort. QA Company presenteert een praktische teststrategie voor betrouwbare AI-systemen, van automatische metrics tot menselijke validatie. Transformeer hoe je LLM’s en AI-applicaties test.