Met de opkomst van AI in codeontwikkeling verbeteren tools zoals GitHub en Copilot de productiviteit al aanzienlijk. Dit roept de vraag op: kunnen we nog verder gaan wanneer het gaat om het bouwen van cruciale datasystemen? Het ontwikkelen van ETL-pipelines kost veel tijd, kent veel herhalende patronen en vormt de basis voor kwalitatieve data in systemen die onze nationale digitale infrastructuur ondersteunen. Dit biedt kansen voor innovatie. Onderzoek hoe generative AI specificaties uit feature files kan omzetten in werkende code en ontwikkel een prototype dat laat zien hoe een LLM automatisch ETL-pipelines genereert op basis van standaardcomponenten, een stap richting efficiëntere, robuustere en toekomstbestendige IT-oplossingen met directe maatschappelijke waarde.

💡Interessegebieden: Large Language Models, Artificial Intelligence, DataOps

Deze afstudeeropdracht maakt deel uit van het project ‘Mission: Impossible – Critical IT Protocol’. Met dit project geven we Nederland een digitale boost door het bouwen van IT-oplossingen voor kritieke maatschappelijke uitdagingen. Van betaalverkeer en overheidsdiensten tot cybersecurity en crisisdetectie: samen versterken we de digitale infrastructuur van Nederland met impact die telt.

We zien steeds meer de mogelijkheid om AI in te zetten om code te schrijven. In het geval van Github Copilot bijvoorbeeld verbetert het de productiviteit al tot 50%. Dat is een indrukwekkend getal. Maar zou je nog verder kunnen gaan? We merken bij onze klanten dat er veel tijd gaat zitten in het maken van ETL pipelines. Veel van de pipelines lijken op elkaar. We verzamelen data in een staging locatie, transformeren de data zodat we diverse kwaliteitsproblemen oplossen en zetten de data daarna om naar een dimensioneel formaat of naar een feature set voor machine learning. Zou dit niet heel handig geautomatiseerd kunnen worden door het vertalen van een specificatie in een feature file om te zetten naar werkende code door middel van generative AI?

De opdracht

• Onderzoek hoe je generative AI kan toepassen om complexe codestructuren te genereren
• Onderzoek welk LLM hiervoor het meest geschikt is (GPT, Claude, ...)
• Onderzoek hoe je feature files kan vertalen naar code instructies
• Onderzoek hoe we een ETL pipelines kunnen definiëren met standaardcomponenten
• Maak een prototype dat een LLM gebruikt om aan de hand van feature files een ETL pipeline te genereren die bestaat uit standaardcomponenten

Over Info Support

Info Support is specialist in maatwerksoftware, data/AI solutions, beheer en trainingen en actief in de sectoren Finance, Industry, Agriculture, Food & Retail, Mobility & Public en Healthcare. Wij bieden solide en innovatieve oplossingen voor complexe en bedrijfkritische softwarevraagstukken. Onze hoofdkantoren zijn gevestigd in Veenendaal (NL) en Mechelen (BE). Op dit moment zijn er circa 500 medewerkers bij Info Support in dienst.

De werkwijze van Info Support kenmerkt zich door een aantal kernwaarden: soliditeit, integriteit, vakmanschap en passie. Deze kernwaarden zijn verweven in ons werk en de manier waarop we met elkaar omgaan.

Om te zorgen dat alle medewerkers altijd op de hoogte kunnen zijn van de nieuwste ontwikkelingen beschikt Info Support over een inhouse kenniscentrum waar graag wordt voldaan aan de honger naar meer of andere kennis en vaardigheden.

Om deze opdracht te kunnen doen is B2-taalvaardigheid in het Nederlands vereist.