Van experiment naar toepassing:
AI bouwen bij Omoda Brands

Een collega die een A/B-test wil analyseren. Een klant die een btw-factuur nodig heeft. Een team dat elke ochtend controleert wat er in de onlineshop is veranderd. Als AI Engineer bij Omoda Brands onderzoek ik hoe we dat soort werk slimmer kunnen organiseren.

Dat begint met begrijpen hoe iemand werkt. Waar zit het uitzoekwerk? Welke handelingen komen steeds terug? Vervolgens duik ik de techniek in en bouw ik iets waarmee we kunnen testen of het beter kan.

Via CRO en data naar AI

Mijn achtergrond ligt in online marketing, data-analyse en conversieoptimalisatie. Bij onder andere Greetz, Emakina en DPG Media werkte ik aan gebruikersgedrag, experimenten en het verbeteren van digitale ervaringen. Ik heb teams opgebouwd en aangestuurd, en bleef daarnaast zelf bezig met analyses en technische oplossingen.

Automatisering kwam daarin steeds vaker terug. Rapportages maken, statistische analyses uitvoeren, experimenten klaarzetten: werkzaamheden die zich goed lenen om slimmer in te richten. Bij DPG Media ging ik ook aan de slag met generatieve AI, bijvoorbeeld voor marketingteksten en het analyseren van klantfeedback.

Die combinatie van experimenteren, bouwen en samenwerken neem ik mee naar Omoda Brands.

Een agent die mijn oude vakgebied kent

Een mooi voorbeeld is de CRO-agent waaraan ik werk. Die haalt de context van een A/B-test op, analyseert de bijbehorende data en licht de resultaten toe. Je kunt vervolgens doorvragen, bijvoorbeeld naar verschillen tussen nieuwe en terugkerende bezoekers.

Daar komt meer bij kijken dan een taalmodel toegang geven tot een database. Welke bezoekers horen bij het experiment? Wat doe je met iemand die beide varianten heeft gezien? En betekenen meer klikken ook dat een test geslaagd is?

De statistische berekeningen zitten daarom in een vaste rekenkern. De agent roept die aan en helpt de resultaten interpreteren. Mijn ervaring met CRO helpt om zulke keuzes expliciet te maken. Een soepel geschreven analyse is prettig, maar je wilt ook weten hoe de conclusie tot stand komt.

Code stelt vast wat er is veranderd; AI helpt beoordelen wat dat betekent.

Minder uitzoekwerk voor collega's

Andere projecten zitten dichter op dagelijkse handelingen. Voor de Klantenservice heb ik bijvoorbeeld gewerkt aan het automatisch genereren van btw-facturen. Een verzoek komt binnen, de juiste gegevens worden opgehaald en het document wordt aan het ticket toegevoegd. De uitdaging zit in het verbinden van systemen tot een proces waarop collega's kunnen vertrouwen.

Voor Online Merchandise bouwde ik een paginamonitor. Die controleert dagelijks belangrijke pagina's van Omoda en Assem en meldt wijzigingen in Slack.

Dat klinkt simpel, totdat je moet bepalen wat een relevante wijziging is. Een paar uitverkochte items in een carrousel zijn iets anders dan een volledig nieuwe selectie of campagne. Code stelt vast wat er is veranderd; AI helpt beoordelen wat dat betekent. Bij twijfel vraagt de monitor om een menselijke check.

Juist dat soort details bepaalt of een tool prettig werkt. Je wilt meldingen waar iemand iets mee kan.

Nieuwsgierigheid krijgt hier ruimte

Wat ik waardeer aan Omoda Brands is de ruimte om te experimenteren. Een idee kan uitgroeien tot een lokaal prototype waarmee je snel ontdekt wat werkt en waar het vastloopt.

Zo werk ik ook aan een agent die anatomische fouten in gegenereerde beelden signaleert. Die combineert een AI-model dat beelden beoordeelt met geometrische controles op lichaamshouding. Tijdens het testen bleek dat beide andere fouten oppikken. Door ze te combineren kunnen verdachte beelden gericht onder de aandacht van collega's komen.

Dat uitzoeken vind ik leuk: verschillende technieken proberen, de zwakke plekken ontdekken en de aanpak daarop aanpassen.

Van experiment naar productie

Mijn CRO-achtergrond komt steeds terug in dezelfde vraag: hoe weten we of een verandering beter is?

Daarvoor heb ik Langfuse ingericht. We beheren er promptversies en volgen via traces welke instructies, modelaanroepen en resultaten bij een uitvoering horen. Zo kan ik terugzoeken waarom een toepassing een bepaald antwoord gaf.

Nieuwe prompts test ik eerst in experimenten, met automatische evaluators en/of menselijke beoordelingen. Ik werk ook aan het automatisch voorstellen en verbeteren van prompts, zodat we varianten systematisch kunnen vergelijken.

Werkt een nieuwe versie goed, dan kunnen we die met één druk op de knop in productie brengen, zonder de toepassing opnieuw te deployen. Dat sluit mooi aan op experimenteren zoals ik dat uit CRO ken: een hypothese formuleren, testen, beoordelen en de verbetering doorvoeren.

Samen verder bouwen

De kennis van collega's is daarin essentieel. Zij kennen de uitzonderingen, herkennen een onbruikbaar antwoord en weten waar een extra handeling juist onhandig is. Die feedback helpt mij om een technisch werkend idee verder te brengen.

Ons AI-team gaat de komende tijd flink groeien. Er liggen genoeg vraagstukken voor mensen die graag bouwen, doorvragen en experimenteren. Voor mij maakt juist de combinatie het interessant: de ruimte om nieuwe techniek te onderzoeken, met concrete uitdagingen en collega's die je helpen om er iets bruikbaars van te maken.