--- title: "ML voor agent-bouwers — Auto-training, fine-tuning en eval-loops voor LLM-gedreven systemen | Len P. van der Hof" description: TRAIN helpt agentbouwers bepalen wanneer eigen ML, fine-tuning, retrieval, evaluatie en driftmonitoring de operationele kosten waard zijn. image: "https://lenvanderhof.com/books/covers/ml-for-agent-builders-nl-front.jpg?v=20260819-hitll-nobg" --- ![ML voor agent-bouwers — voorkant](https://lenvanderhof.com/books/covers/ml-for-agent-builders-nl-front.jpg?v=20260819-hitll-nobg) ![ML voor agent-bouwers — achterkant](https://lenvanderhof.com/books/covers/ml-for-agent-builders-nl-back.jpg?v=20260819-hitll-nobg) No. 12 · Manuscript compleet · 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. Kijk in het boek↓Houd me op de hoogte→← Alle boeken pagina's 428 hoofdstukken 15 uur lezen ± 5 edities EN · NL Productiestatus 1. Ontwerp 2. Schrijven 3. Manuscript 4. Productie 5. Verschenen De edities ## Kindle, Paperback en Hardcover Productieshots van de edities. Nog niet te koop — de pagina is de publieke werkversie. - ![ML voor agent-bouwers, kindle](https://lenvanderhof.com/books/editions/ml-for-agent-builders/nl-kindle-b4d9ed9a627a.jpg) ### Kindle De digitale editie, in elke Kindle-app. - ![ML voor agent-bouwers, paperback](https://lenvanderhof.com/books/editions/ml-for-agent-builders/nl-paperback-030767622d3f.jpg) ### Paperback Het werkexemplaar. Schrijf erin. Neem het mee naar de meeting. - ![ML voor agent-bouwers, hardcover](https://lenvanderhof.com/books/editions/ml-for-agent-builders/nl-hardcover-a9f59a6b3a20.jpg) ### Hardcover De schapeditie. Donkere full-art-omslag, gemaakt om in de kamer te blijven. Het boek ## Auto-training, fine-tuning en eval-loops voor LLM-gedreven systemen Een supportagent laat een frontier-model voor elk bericht een wachtrij kiezen. Dat kost geld, voegt latentie toe en hangt af van een leverancier die prijzen of modellen kan wijzigen. Je schrijft Python en koppelt API's. Je hebt nog geen volledige trainingspipeline gedraaid. Het debat over fine-tunen of RAG kan eindigen zonder toetsbare vraag. Hoofdstuk 9 verzint een stillere fout om te tonen wat een totaal verbergt. De nauwkeurigheid op de validatieset lijkt acht weken lang stabiel rond de 0,89, terwijl drie factureringsgeschillen vier dagen in de verkeerde wachtrij liggen. De modelarchitectuur was niet gewijzigd, de trainingsdata evenmin. Het product wel. Een totaal kan slagen terwijl een klasse faalt, en een definitief macrogetal is geen bewijs over de klasse waarvan het falen het duurst is. Een eigen model naast je LLM is een kandidaat, geen verbetering, tot een vergelijking op dezelfde berichten en acceptatiecriteria anders uitwijst. Het algemene model kan de juiste keuze blijven. Schrijf op waarom. TRAIN is de lus van vijf disciplines van de auteur, en elke discipline laat artefacten na: 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 1. 1 ### Target metric 2. 2 ### Represent data 3. 3 ### Automate 4. 4 ### Inspect 5. 5 ### Narrow Figuur 7.1: Voorstellen met hoge, gemiddelde en lage zekerheid passeren Uit het boek ## Figuur 7.1: Voorstellen met hoge, gemiddelde en lage zekerheid passeren ML voor Agent-Bouwers, gedrukte pagina: Figuur 7.1: Voorstellen met hoge, gemiddelde en lage zekerheid passeren Bekijk meer pagina’s↓ ## Kijk in het boek Bladzijden uit de gedrukte editie. - [Stap 1: Benoem de taak⤢](https://lenvanderhof.com/books/previews/ml-for-agent-builders/nl/approved-page-101-p096-5ee6f023d3708bcc4708549d-a7abd5b81c09a3f6d9921a8c.webp) - [Stap 1: Benoem de kandidaat en zijn kerntaak⤢](https://lenvanderhof.com/books/previews/ml-for-agent-builders/nl/approved-page-136-p144-5ee6f023d3708bcc4708549d-b2b8d596e7405129125e4962.webp) - [Generatiepromptaudit⤢](https://lenvanderhof.com/books/previews/ml-for-agent-builders/nl/approved-page-157-p166-5ee6f023d3708bcc4708549d-13905ec286e54b7e2462e000.webp) - [Figuur 7.1: Voorstellen met hoge, gemiddelde en lage zekerheid passeren⤢](https://lenvanderhof.com/books/previews/ml-for-agent-builders/nl/approved-page-166-p176-5ee6f023d3708bcc4708549d-49a3b983c6f010ca77c9fb45.webp) - [De bovenstaande checklist is bewust minimaal: de ondergrens die dit⤢](https://lenvanderhof.com/books/previews/ml-for-agent-builders/nl/approved-page-187-p208-5ee6f023d3708bcc4708549d-07b9297a5a6d9e5c18550678.webp) - [Figuur 9.1: De geversioneerde harness controleert gouden set, slice-register⤢](https://lenvanderhof.com/books/previews/ml-for-agent-builders/nl/approved-page-218-p253-5ee6f023d3708bcc4708549d-e5ce83704a991153cf70f2b5.webp) - [Bevestig de goedgekeurde respons, inclusief onthouding of blokkade⤢](https://lenvanderhof.com/books/previews/ml-for-agent-builders/nl/approved-page-253-p271-5ee6f023d3708bcc4708549d-f5959e03484da82642406d32.webp) - [Werkblad: beslissingslog 1 13 35⤢](https://lenvanderhof.com/books/previews/ml-for-agent-builders/nl/approved-page-35-p057-5ee6f023d3708bcc4708549d-b705d28dfef83bcc5a4f4d56.webp) · De inhoud ## Hoofdstuk voor hoofdstuk 15 hoofdstukken Elk hoofdstuk van ML voor agent-bouwers met het motto uit de gedrukte editie, wat je erna kunt, en wanneer je het nodig hebt. 1. IntroductieIntroductie: eigen modellen voor je agentsVoordat je een model traint, benoem je de taak die het onderhoud ervan zou rechtvaardigen. 2. Hoofdstuk 1Bouwen vs kopen vs promptenDe beslissing die je blijft uitstellen, wordt al genomen: door stilzwijgen, door inertie, door degene die het architectuurdocument schreef. 3. Hoofdstuk 2TRAIN, overzichtEen lab-experiment loopt door totdat je er genoeg van hebt. Een productlus loopt door totdat het product er geen behoefte meer aan heeft. 4. Hoofdstuk 3Bepaal de metriekEen model dat beoordeeld wordt zonder metriek is een kompasnaald zonder noorden. Het draait rond, stopt ergens, en wijst nergens in het bijzonder naartoe. 5. Hoofdstuk 4Representeer de dataSchrijf, voordat je traint, op wat elke rij betekent, waar ze vandaan komt en welke beslissingen ze mag sturen. 6. Hoofdstuk 5Fine-tuning vs RAGVraag welke beperking opgelost moet worden, en vergelijk dan wat elke route kost om dat te doen. 7. Hoofdstuk 6Synthetische data met guardrailsGegenereerde voorbeelden zijn kandidaten, geen onafhankelijk bewijs dat hun labels kloppen. 8. Hoofdstuk 7Agent-ondersteund labelenEen voorstel met hoge zekerheid blijft een voorstel. Bepaal wie het in een trainingslabel mag omzetten. 9. Hoofdstuk 8Automatiseer de pipelineEen trainingsscript dat je met de hand uitvoert, is handwerk. Een pipeline die op een trigger loopt, is infrastructuur. 10. Hoofdstuk 9Eval-harnesses voor agent-MLAutomatisering zonder regressietests versnelt het falen en geeft het bovendien het vertrouwen van een werkende pipeline mee. 11. Hoofdstuk 10Uitrollen naast de LLM-routerEen model dat alleen in een notebook bestaat, maakt nog geen deel uit van het agentsysteem. Uitrollen is de beslissing die een experiment verandert in infrastructuur. 12. Hoofdstuk 11Inspecteer driftElk model is een foto van de wereld op het moment dat je het trainde. De vraag is of de wereld sindsdien is veranderd. 13. Hoofdstuk 12Smalle-scopedisciplineSchrijf de grens van het model op voordat je vraagt wat het nog meer zou kunnen. 14. Hoofdstuk 13Casestudy's over routing, reranking en moderatieDrie hypothetische builds maken de beslissingen concreet. Hun resultaten zijn geen bewijs voor die van jou. 15. ConclusieConclusie: TRAIN op de kalenderEen checkpoint eindigt met een beslissing, een eigenaar en een datum, ook wanneer de beslissing is om niet te trainen. Voor wie ## Voor wie dit boek is geschreven Drie uitwerkingen volgen dezelfde structuur, van taak tot servingbeslissing: intent-router, cross-encoder-reranker, moderatiefilter. Je begint met een architectuurvoorkeur en eindigt met een vastgelegde vergelijking. TRAIN is een operationeel voorstel van de auteur, geen gevalideerde interventie, en de scenario's tonen geen gemeten voordeel voor eigen modellen. Een verdedigbare beslissing om niet te bouwen is een geslaagd gebruik van dit boek. Edities ## Edities en specificaties Editie Formaten Hoofdstukken Pagina's Leestijd ISBN (paperback) Nederlands ML voor agent-bouwers In productie 15 428 ± 5 uur — Engels ML for Agent Builders In productie 15 410 ± 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, 428 pagina's in druk en ongeveer 5 uur lezen. ### Voor wie is ML voor agent-bouwers geschreven? TRAIN is een operationeel voorstel van de auteur, geen gevalideerde interventie, en de scenario's tonen geen gemeten voordeel voor eigen modellen. Een verdedigbare beslissing om niet te bouwen is een geslaagd gebruik van dit boek. 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 Lees het systeem in De agentische auteur→ProductiebestandenVoorkant PDFAchterkant PDFVolledige cover PDFKindle voorkant JPG De serie ## Meer in dit thema AI-agenten voor startupstrategieDe agentische codebaseDe multi-agent organisatieDe RAG-engineerHet model-portfolioHet agent-droomteam