Hoe wij AI trainen op echte orders zonder de data te bewaren

De meeste AI-oplossingen voor orderverwerking moeten je ruwe klantdata bewaren om ervan te leren. Dat brengt GDPR-risico's mee en zet je vast bij één leverancier.

Wij kozen een andere weg: we trainen op structuur en context, niet op bewaarde documenten. In dit artikel leggen we uit hoe context modelling werkt en waarom het de nauwkeurigheid boven 95 % heeft gebracht zonder ooit gevoelige orderdata bij te houden.

Welke drie aanpakken bestaan er voor AI-gestuurde orderverwerking?

AI bouwen voor orderautomatisering vraagt trainingsdata. De echte vraag is waar die data vandaan komt en wat ermee gebeurt.

In de praktijk zien we drie gangbare aanpakken. De meeste oplossingen kiezen een van de eerste twee. Wij kozen bewust de derde.

Aanpak 1: OCR gecombineerd met machine learning

De eerste aanpak start bij OCR. Een document wordt gescand, de tekst wordt eruit gehaald en een model leert er met de tijd patronen in herkennen. Meer weten over de Hyperfox IDP Agent.

Het klinkt logisch. In werkelijkheid loopt het snel vast.

OCR heeft het moeilijk met handschrift, ongewone lay-outs en scans van lage kwaliteit. De machine learning-laag erachter heeft grote hoeveelheden gelabelde data nodig voor ze betrouwbaar wordt.

Voor B2B-distributeurs met honderden verschillende orderformaten, van PDF's over spreadsheets tot foto's, wordt dat snel een onderhoudsprobleem. Elk nieuw randgeval vraagt hertraining.

Aanpak 2: een large language model fine-tunen

Een andere aanpak is een large language model trainen of fine-tunen op interne orderdata.

Het idee is dat het model uiteindelijk de bedrijfsspecifieke context leert.

Maar daar hangt een prijs aan. Je moet grote hoeveelheden ruwe orderdata bewaren, veel rekencapaciteit vrijmaken en maanden bijsturen voor het model stabiel is.

Je zit ook vast aan één modelarchitectuur. Brengt een aanbieder een nieuwe versie uit, dan moet het fine-tunen mogelijk opnieuw beginnen.

Aanpak 3: context modelling (wat wij effectief doen)

Wij kozen een derde weg: context modelling.

In plaats van ruwe orders in een trainingspijplijn te duwen, structureren we de context rond het order.

Per klant leggen we vast hoe een geldig order eruitziet. Dat omvat productcatalogi, prijsafspraken, leveringsregels, verpakkingsregels en de typische uitzonderingen die het team behandelt.

Met die gestructureerde context werkt de AI. Niet met het ruwe document zelf.

Komt er een order binnen, of dat nu een PDF, een Excel-bestand, de tekst van een e-mail of zelfs een voicebericht is, dan verloopt het zo.

De AI leest het document en haalt de relevante velden eruit.
Het systeem valideert die velden tegen de klantspecifieke regels.
Een mens kijkt de uitzonderingen na.
Feedback uit die controle maakt het systeem met de tijd beter.

Wat we niet bijhouden: ruwe orders, identificeerbare klantdata, prijsdetails of leveringsadressen.

Wat we wel bewaren: de structuur, de validatieregels en de randgevallen die de nauwkeurigheid helpen verbeteren.

Kort gezegd: we leren van patronen, niet van bewaarde documenten.

Waarom maakt context modelling in de praktijk een verschil?

Deze aanpak levert een aantal voordelen op die elkaar met de tijd versterken.

Snel operationeel

Omdat we niet voor elke klant een nieuw model trainen, duurt een implementatie dagen in plaats van maanden.

Het systeem leert uit structuur, niet uit volume. Zodra de contextlaag van de klant is ingericht met regels, mappings en uitzonderingen, kan de AI meteen orders beginnen verwerken.

Modelonafhankelijkheid

Context modelling betekent dat we niet vastzitten aan één modelaanbieder.

Komt er morgen een beter model, dan schakelen we over zonder alles opnieuw te bouwen. De intelligentie zit in de gestructureerde contextlaag.

Privacy als ontwerpprincipe

We hebben geen gevoelige orderdata nodig om nauwkeuriger te worden.

Bij sommige klanten is de nauwkeurigheid met deze aanpak met de tijd boven 95 % uitgekomen. Niet door privacy op te geven, maar door het systeem er rond te bouwen.

Dezelfde filosofie zit achter onze Codex-functie.

Codex is een gestructureerde kennislaag waarin de klantspecifieke interpretatieregels expliciet en machineleesbaar worden. De businesslogica die normaal in iemands hoofd zit, wordt deel van het systeem.

Zo kan een orderlijn als "4x mayonaise" bij de ene klant automatisch paletten betekenen en bij de andere emmers.

Het echte verschil

Veel aanbieders in orderautomatisering zeggen dat ze AI-gestuurde verwerking bieden.

In de praktijk betekent dat vaak OCR met een nettere interface, of modellen die maanden dataverzameling nodig hebben voor ze waarde leveren.

Wij denken dat de betere vraag niet is hoe slim de AI is.

De echte vraag is hoe goed het systeem jouw bedrijf begrijpt.

Voor dat begrip hoef je geen klantorders te bewaren. Het vraagt dat je de regels, de context en de uitzonderingen structureert, en dat je elk order valideert voor het je ERP bereikt.

Dat is wat context modelling mogelijk maakt.

Wil je zien hoe dit werkt met je eigen ordertypes, boek dan een demo met ons team. We lopen graag een live voorbeeld met je door.

Klaar om te zien hoe dit voor jouw bedrijf werkt? Boek een demo en we lopen een live voorbeeld door met je eigen orderdata.