Afstudeeronderzoek: On-premise AI
Finetune een klein model. Houd het in het gebouw. Veel Nederlandse mkb-bedrijven willen gevoelige data weghouden bij Amerikaanse cloud-AI, maar een groot open model on-premise draaien is voor hen onhaalbaar. Kleine taalmodellen passen wel op betaalbare hardware, maar presteren uit de doos minder op specifieke taken. Jij onderzoekt of fine-tuning dat gat dicht.
- Afstudeeronderzoek
- MSc
- 2 plekken
- Amsterdam
Over Datagrove
Datagrove is een AI-native development agency aan de Herengracht in Amsterdam. We bouwen AI-systemen, platforms en apps voor bedrijven, en we zien bij klanten steeds dezelfde vraag: hoe gebruiken we AI zonder onze data aan een grote Amerikaanse aanbieder te geven?
Dit onderzoek is niet hypothetisch. AI-infrastructuur en frontier-modellen worden gedomineerd door een handvol Amerikaanse bedrijven, China bouwt een eigen ecosysteem en Europa dreigt achter te raken bij beide. Meedoen op frontier-schaal is onrealistisch. Kleinere, open modellen echt inzetbaar maken wel.
Wat je doet
De onderzoeksvraag: in hoeverre kan het finetunen van een open-source small language model op een representatieve agentische mkb-taak de nauwkeurigheid van een veel groter, algemeen open model op diezelfde taak evenaren, volledig on-premise op standaardhardware? De voorgestelde aanpak:
- Kies één open-source SLM (bijvoorbeeld 1 tot 8 miljard parameters) en één representatieve agentische taak.
- Finetune het model op een taakspecifieke dataset, met een helder evaluatieprotocol.
- Draai het gefinetunede model op de on-premise hardware van Datagrove en benchmark het tegen een groter, niet-getuned open model op dezelfde taak.
- Beantwoord de onderzoeksvraag met een gekwantificeerd resultaat en bespreek hoe de aanpak generaliseert naar andere taken.
Wie we zoeken
Dit project staat op het UvA Thesis Matching Platform en is bedoeld voor masterstudenten van deze opleidingen:
- MSc Artificial Intelligence.
- MSc Computer Science (joint degree).
- MSc Information Studies, track Data Science.
- Je hebt ervaring met Python en machine learning, en wilt een model echt trainen en uitrollen, niet alleen beschrijven.
- Start zo snel mogelijk. 1 januari 2027 is ook prima, dan start het afstudeersemester van de meeste opleidingen.
Wat we bieden
Je doet onderzoek aan een vraag die voor Europese bedrijven nu speelt, met echte data en echte hardware. Onderzoek is voor ons geen bijzaak: we willen zelf blijven leren, en dit project is daar onderdeel van.
- Een echte mkb-casus en voorbeelddata uit een lopende klantopdracht.
- On-premise hardware voor de fine-tuning- en deployment-experimenten.
- Dagelijkse begeleiding door Sion Coolwijk, UvA-alumnus MSc Data Science, met toegepaste AI/ML-ervaring.
- Vrijheid in de uitvoering, met de sturing van een dagelijkse begeleider. De onderzoeksvraag is een vertrekpunt, geen vast kader: blijkt gaandeweg een ander domein of een andere methode sterker, dan is er ruimte om de richting bij te stellen.
- Een werkplek aan de Herengracht in Amsterdam.
- Twee plekken, dus ruimte om het onderzoek met een medestudent op te splitsen.
Solliciteer op deze functie
Laat je gegevens achter, schrijf kort je motivatie en voeg je cv toe. We lezen elke sollicitatie zelf en reageren snel.