Referentieprojecten
MethodMIND, PST2RAG, IA-ACTES: het bewijs op het terrein
BrainDup is geen theoretisch begrip. Het is een framework dat gegroeid is uit echte projecten in verschillende domeinen: wetenschappelijk onderzoek, e-mailarchieven, juridische productie. Elk project heeft de architectuur aan nieuwe beperkingen onderworpen, de technische basis versterkt en ontwerpkeuzes bevestigd.
Wat BrainDup onderscheidt van zoveel andere AI-frameworks is precies dat verloop: onze eerdere projecten zijn niet bedoeld om het framework te illustreren. Het framework is uit die projecten ontstaan, door het optellen van bewezen patronen en lessen uit de praktijk.
MethodMIND
Beheer van wetenschappelijke documenten
Context
Uitgevoerd in het kader van het Le Wagon-bootcamp in Barcelona, batch #1829, oktober tot december 2024. Een team van vijf ontwikkelaars.
Het probleem
Onderzoekers in de neurowetenschappen lezen weken aan artikels om bevestigde experimentele methodes te vinden. Algemene taalmodellen verzinnen: ze bedenken verwijzingen die niet bestaan. Voor een onderzoeker is een verzonnen bronvermelding een risico voor de integriteit van het werk.
De oplossing
- Corpus: 2.000 PubMed-abstracts in twee uur geïndexeerd
- Vectoren: SciBERT (768 dimensies), een model voor wetenschappelijke taal
- Vectoropslag: Milvus, voor gelijkeniszoeken op grote schaal
- Herordening: T5 MonoT5-MSMarco, om de relevantie te verfijnen
- Beveiliging: een filter tegen prompt-injectie, op basis van de trefwoorden uit de databank
- Interface: Streamlit
Technische keten
Resultaten
Onmiddellijk semantisch zoeken, met verifieerbare verwijzingen. Elk antwoord bevat de bronabstracts en directe links naar de oorspronkelijke artikels op PubMed.
Wat BrainDup eruit leerde
MethodMIND bevestigde de vector-RAG-keten met Milvus in een strenge omgeving: een omvangrijk corpus, deskundige gebruikers, en geen enkele tolerantie voor verzinsels. Het eerste project, en de kern waaruit de architectuur van BrainDup is gegroeid.
PST2RAG
AI-archivaris voor e-mail
Het probleem
Jaren organisatiekennis liggen begraven in e-mailarchieven. PST-bestanden (Microsoft Outlook) bevatten de geschiedenis van de uitwisselingen, de beslissingen en de relaties, maar dat eigen formaat is voor moderne AI volstrekt onleesbaar.
De oplossing
Extractie en omzetting:
- PST naar MBOX (via libpst/readpst) naar Markdown
- Extractie van entiteiten (personen, organisaties, bijlagen)
- Slim opdelen, afgestemd op de structuur van e-mail
Dubbele indexering:
- Milvus (semantisch zoeken, vectoren van 384 dimensies): vindt inhoud op gelijkenis van betekenis
- Neo4j (relatiegraaf): legt de structurele verbanden vast tussen Email, Chunk, Person, Entity, Attachment en Organization
Toepassingen
- Compliance en e-discovery: snel de relevante uitwisselingen vinden in een regelgevend of gerechtelijk kader
- Digitaal forensisch onderzoek: communicatieketens reconstrueren en patronen vinden
- Kennisbeheer: de beslissingsgeschiedenis van een organisatie benutten
- Bedrijfsinzicht: netwerken van invloed en informatiestromen in kaart brengen
Resultaten
Semantisch zoeken werkt volledig: « budgettaire zorgen » vindt ook « financiële kopzorgen ». Relatieanalyse werkt: « wie praat met wie, en waarover? ». Gemengde zoekopdrachten combineren vectorzoeken met het doorlopen van de graaf.
Wat BrainDup eruit leerde
PST2RAG bracht het dubbele schema Milvus en Neo4j, het architectuurpatroon dat de kern van BrainDup zou worden. Vectoren voor de betekenis, de graaf voor de structuur. Samen voor de betrouwbaarheid.
IA-ACTES
Opmaak van juridische documenten
Het probleem
Een akte voor de overdracht van een apotheek opmaken kost zeven uur per dossier. 169 velden met de hand in te vullen. 103 documenten per dossier te behandelen. 35 voorwaardelijke blokken te beoordelen naargelang de zaak. Het is werk voor een deskundige, herhalend maar streng, waarbij elke fout juridische gevolgen heeft.
De oplossing
Technische stack:
- Achterkant: Django, FastAPI en n8n (orkestratie van 84 geautomatiseerde taken)
- AI: Milvus, Neo4j en Ollama (lokale inferentie)
- Documenten: Nextcloud, Collabora en Docling op GPU
- Infrastructuur: NVIDIA Blackwell; geen enkel gegeven verlaat de server
RAG met dubbel schema:
- Schema « Dossier »: de zaakdocumenten van de klant
- Schema « Juridisch corpus »: de wettelijke referentieteksten
- Drie zoekwijzen: in het dossier, in het corpus, of gekruist
Conform de AI Act en de AVG: menselijke bevestiging is verplicht bij elke kritieke stap.
Resultaten
| Indicator | Waarde |
|---|---|
| Tijd per akte | 7 uur naar 1 uur (factor 7) |
| Extractiegraad uit documenten | 96,1 % op 56 testdocumenten |
| Geautomatiseerde samenvoegvelden | 169 (43 % via publieke API's, 57 % via AI) |
| Documenten per dossier | 103 |
| Geautomatiseerde taken | 84 |
| Generatiemodel | GLM-4.7-Flash (30B-A3B) |
| Vectormodel | E5-Mistral-7B (4096 dimensies) |
Omvang van het project: 124 pagina's specificatie, 11 EPIC's, 35 functionele en 10 niet-functionele eisen. Volledig gebouwd met Claude Code en de BMAD-methode.
Wat BrainDup eruit leerde
IA-ACTES is het bewijs van industriële rijpheid. Geen prototype meer, maar een productiesysteem dat echte juridische documenten behandelt, met eisen van regelgeving en een meetbare winst aan productiviteit. IA-ACTES bevestigt het geheel: de technische architectuur van BrainDup, de BMAD-methode, en Claude Code als belangrijkste ontwikkelgereedschap.
Marvia
Proefopstelling van BrainDup v2.2, bekendgemaakt op 4 augustus 2026
Het probleem
Hoe bewijst u dat een bedrijfs-AI haar beloften houdt, zonder de gevoelige gegevens van een klant bloot te leggen? Door haar een heel gebied te laten leren. Marvia is een marter, het zinnebeeld van het regionale natuurpark Morvan, en de openbare proefbank van BrainDup.
De oplossing
Een corpus van 1.423 documenten en een twintigtal websites over de Morvan, ingelezen en daarna in gewone taal te doorzoeken, op een lokale kast zonder internetverbinding.
- 29.515 tekstfragmenten geïndexeerd voor gemengd zoeken, semantisch en op woord
- 30.887 entiteiten verbonden in de kennisgraaf, met de muis te verkennen
- Een antwoord met bronnen in 20 seconden mét doorloop van de graaf, 2,5 seconden in beknopte modus
Samenvatting: een opbouw die zich opstapelt
MethodMIND legde de grondslagen. De vector-RAG-keten met Milvus, semantisch zoeken op een omvangrijk corpus, het filter tegen verzinsels.
PST2RAG voegde de relationele laag toe. Het dubbele schema Milvus en Neo4j maakt van zoeken in inhoud een echt documentair inzicht.
IA-ACTES bewees de rijpheid voor productie. De volledige architectuur, uitgerold op een streng bedrijfsgeval, met meetbare resultaten en naleving van de regelgeving.
Die opbouw, vector-RAG, dan dubbel schema met graaf, dan productierijpheid met de BMAD-methode, dan het openbare bewijs met Marvia, was niet gepland. Ze is uit de praktijk gegroeid. En juist dat maakt BrainDup stevig.
Zet de stap
Dertig minuten om na te gaan wat soevereine AI in uw organisatie kan opleveren. Zonder verplichting.
Gratis soevereiniteitsaudit