No. 12 · In ontwerp · AI & agents · TRAIN
ML voor Agent-Bouwers
Auto-training, fine-tuning en eval-loops voor LLM-gedreven systemen
Je agents roepen de hele dag modellen aan. Tijd om er een paar te bezitten.
Agents leunen voortdurend op modellen, maar de keuze om er een te bezitten blijft schimmig. ML voor Agent-Bouwers is een bouwloop voor de smalle modellen waar agents op draaien — heldere keuzes over fine-tunen versus RAG, labeling en eval-drift — zodat je wint op kosten, latentie en controle in plaats van alles te huren.
- pagina's
- 360
- hoofdstukken
- 15
- uur lezen
- ± 5
- edities
- EN · NL
- Ontwerp
- Schrijven
- Manuscript
- Productie
- Verschenen
Het boek
Auto-training, fine-tuning en eval-loops voor LLM-gedreven systemen
Je agent-stack verbrandt API-credits aan een taak die een classifier van 30 miljoen parameters net zo goed zelf zou kunnen doen. Elke routeringscall, elke rerank, elke moderatiestap gaat naar een frontier-model tegen frontier-prijzen, en de latency stapelt zich op terwijl de rekening oploopt. Je bent al een tijd van plan het op te lossen. Dan vreet het volgende debat ("fine-tunen of toch maar RAG erbij?") opnieuw een sprint op, en er gaat niets live.
Het gangbare advies is om eerst ML grondig te leren: volg de cursus, leid de gradiënten af, kom terug als je vanaf nul een netwerk kunt trainen. Dat faalt, omdat je geen paper wilt publiceren. Je wilt één klein, eigen model in productie zetten naast een LLM en het werkend houden.
ML for Agent Builders is geschreven voor dat gat. Het reikt je BUILD aan (een loop, geen labproject) voor elk model waarvan je agents afhankelijk zijn: beslis bouwen vs kopen vs prompten met een matrix in plaats van een wekelijkse discussie, richt op de metric vóór de architectuur, train en evalueer als product, en inspecteer drift voordat die het systeem stilletjes laat verslechteren. Het frontier-model orkestreert; jouw smalle modellen voeren uit. BUILD is hoe je ze hun plek laat verdienen.
Wat je leert
Wat je met dit boek kunt
- Het TRAIN-protocol: Target metric, Represent data, Automate, Inspect, Narrow
- Kies fine-tunen of RAG, beheers labeling en eval-drift
- Smalle modellen die winnen op kosten, latentie en controle
Het raamwerk
TRAIN, stap voor stap
Target metric, Represent data, Automate, Inspect, Narrow
-
Target metric
-
Represent data
-
Automate
-
Inspect
-
Narrow
De inhoud
Hoofdstuk voor hoofdstuk
Elk hoofdstuk van ML voor Agent-Bouwers met het motto uit de gedrukte editie, wat je erna kunt, en wanneer je het nodig hebt.
Introductie
Introductie: Modellen die je zelf bezit
Elke agent-stack komt vroeg of laat op een punt waarop de slimme prompt niet meer slim genoeg is, en de oplossing geen betere prompt is.
Hoofdstuk 1
Bouwen vs kopen vs prompten
De beslissing die je blijft uitstellen, wordt al genomen, standaard, door degene die het frontier-model heeft geschreven dat je nu aanroept.
Hoofdstuk 2
TRAIN, overzicht
Een lab-experiment loopt door totdat je er genoeg van hebt. Een productlus loopt door totdat het product er geen behoefte meer aan heeft.
Hoofdstuk 3
Bepaal de metriek
Een model dat getraind wordt zonder metriek is een kompas zonder naald. Het draait rond, stopt ergens, en wijst nergens in het bijzonder naartoe.
Hoofdstuk 4
Vertegenwoordig de data
Een team dat een model uitrolt zonder data-contract heeft het werk niet uitgesteld. Ze hebben het verplaatst naar een plek waar het veel duurder is, productiestoringen, onverwachte retrain-cycli, en endloze discussies over waarom het model is opgehouden te werken.
Hoofdstuk 5
Fine-tuning vs RAG
De vraag is nooit welke beter is. De vraag is van welke beperking je verlost wilt worden.
Hoofdstuk 6
Synthetische data met guardrails
De snelste manier om je eigen model te vergiftigen is vertrouwen op data die je zelf hebt gegenereerd.
Hoofdstuk 7
Agent-ondersteund labelen
De agent is snel, zelfverzekerd, en labelt tienduizend voorbeelden voor de lunch. Dat is precies de reden waarom jij in de kamer moet zijn terwijl hij dat doet.
Hoofdstuk 8
Automatiseer de pipeline
Een trainingsscript dat je met de hand uitvoert is een handleiding. Een pipeline die op een trigger loopt is infrastructuur.
Hoofdstuk 9
Eval-harnesses voor agent-ML
Automatisering zonder regressietests is niet sneller shippen. Het is sneller falen, met het vertrouwen van een werkende pipeline erachter.
Hoofdstuk 10
Uitrollen naast de LLM-router
Een model dat alleen in een notebook bestaat, maakt nog geen deel uit van het agent-systeem. Uitrollen is de beslissing die een experiment verandert in infrastructuur.
Hoofdstuk 11
Inspect Drift
Elk model is een foto van de wereld op het moment dat je het trainde. De wereld blijft bewegen.
Hoofdstuk 12
Smalle-scope discipline
Het model dat één ding goed doet is meer waard dan tien modellen die alles proberen en overal afdrijven.
Hoofdstuk 13
Casestudies, routing, reranking, moderatie
De discipline is pas echt als ze op een echt product draait. Drie walkthroughs, drie archetypen, en een kaart van het patroon naar jouw stack.
Conclusie
Conclusie, TRAIN op de kalender
Eigen modellen zijn niet het moeilijke deel. Het moeilijke deel is ze niet laten wegglijden.
Voor wie
Voor wie dit boek is geschreven
Dit is geen data science voor toeschouwers en geen MLOps voor een platformteam van vijftig man. Het is ML van operatorniveau: protocollen die je draait met een model in productie, een latency-budget dat pijn doet, en een agent bij de hand om te helpen labelen, genereren en testen.
Het resultaat is concreet. Je huurt geen frontier-compute meer voor klussen die een klein eigen model goedkoper, sneller en onder jouw controle doet, en je levert modellen op die je kunt verdedigen, monitoren en bewust kunt uitfaseren.
Als jij productiesystemen bouwt en klaar bent met de keuze tussen retailprijs betalen voor elke inferentie en doen alsof het fine-tune-debat zichzelf wel oplost, begin dan hier.
Edities
Edities en specificaties
| Editie | Formaten | Hoofdstukken | Pagina's | Leestijd | ISBN (paperback) |
|---|---|---|---|---|---|
| Nederlands ML voor Agent-Bouwers | In productie | 15 | 360 | ± 5 uur | — |
| Engels ML for Agent Builders | In productie | 15 | 342 | ± 5 uur | — |
Beide edities zijn zelfstandig geschreven. De Nederlandse tekst is geen machinevertaling van de Engelse. · Formaat: 6x9″
Veelgestelde vragen
Wat lezers meestal willen weten
Waar gaat ML voor Agent-Bouwers over?
TRAIN helpt agentbouwers bepalen wanneer eigen ML, fine-tuning, retrieval, evaluatie en driftmonitoring de operationele kosten waard zijn. De ondertitel luidt: Auto-training, fine-tuning en eval-loops voor LLM-gedreven systemen.
Wat houdt het TRAIN-raamwerk in?
TRAIN: Target metric, Represent data, Automate, Inspect en Narrow. Target metric, Represent data, Automate, Inspect, Narrow
Is er ook een Engelse editie?
Ja. De Engelse editie heet ML for Agent Builders en is een zelfstandig geschreven editie, geen machinevertaling. Die verschijnt in dezelfde productielijn.
Hoe lang is ML voor Agent-Bouwers?
Deze editie telt 15 hoofdstukken, 360 pagina's in druk en ongeveer 5 uur lezen.
Voor wie is ML voor Agent-Bouwers geschreven?
Als jij productiesystemen bouwt en klaar bent met de keuze tussen retailprijs betalen voor elke inferentie en doen alsof het fine-tune-debat zichzelf wel oplost, begin dan hier.
Het productiesysteem
Hoe dit boek is gemaakt
Elke titel doorloopt dezelfde gecontroleerde productielijn: onderzoek met bronregistratie, een bewijzenregister per claim, structuurreview, feitencontrole, red-team-kritiek en een tweetalige eindredactie. AI-agents doen specialistisch werk binnen die poorten; het oordeel, de stem en de verantwoordelijkheid blijven menselijk.
- Claims staan in een bewijzenregister met bron en gradatie voordat ze in de tekst komen
- Nederlands en Engels zijn twee zelfstandige edities, geen vertaling van elkaar
- Elk hoofdstuk passeert leesbaarheids-, ritme- en stijlpoorten voordat het gezet wordt
