Hoe we content maken

Transparantie over onze onderzoeks- en AI-ondersteunde publicatiepipeline.

De content op deze site wordt geproduceerd via een onderzoeks-naar-publicatie-pipeline die menselijk oordeel combineert met AI-tools. Deze pagina legt elke stap uit.

1Onderzoek

De auteur gebruikt Gemini Deep Research en NotebookLM voor diepgaand onderwerponderzoek. De resulterende documenten worden opgeslagen en geüpload naar Google Drive.

2Kennisbank

Onderzoeksdocumenten worden opgenomen in een Weaviate-vectordatabase (semantische zoekindex) met Gemini-embeddings. Samen met de officiële documentatieservers van leveranciers vormt dit een geünificeerde kennisdatabank die het systeem bij het opstellen van artikelen raadpleegt.

3Content opstellen

Wanneer een artikelidee wordt gekozen, raadpleegt het systeem een geünificeerde documentatieservice die officiële documentatie van Microsoft Azure, Google Cloud, AWS, Cloudflare en OpenAI doorzoekt via hun MCP-servers (Model Context Protocol), naast de Weaviate-kennisdatabank van opgenomen documenten. De resultaten worden verrijkt met live Tavily-webzoekresultaten en de gecombineerde context wordt aan Gemini (Flash-model) doorgegeven om het artikel op te stellen. Een tweede Gemini Pro-ronde fungeert als redacteur (toon en consistentie).

4Menselijke beoordeling

Elke conceptversie wordt door de auteur beoordeeld voordat deze wordt goedgekeurd voor publicatie. Geen enkel artikel wordt gepubliceerd zonder redactionele goedkeuring.

Menselijk toezicht is essentieel om te beslissen wat wordt gepubliceerd en om context toe te voegen die modellen alleen niet kunnen bieden.

5Afbeeldingen

Artikelafbeeldingen (hero en ondersteunend) worden gegenereerd door het Imagen 3-model van Google via Vertex AI, op basis van prompts afgeleid van de artikelinhoud.

6Vertaling

Het goedgekeurde Engelse artikel wordt met Gemini Flash vertaald naar het Frans, Duits, Spaans, Italiaans en Nederlands. De Engelse versie is leidend; vertalingen worden aangeboden voor toegankelijkheid.

Tools en technologieën

De pipeline gebruikt: Gemini Deep Research en NotebookLM voor onderzoek; Google Drive voor opslag en opname; Microsoft Learn MCP, Google Developer Knowledge MCP, AWS Knowledge MCP, Cloudflare Docs MCP en OpenAI Docs MCP voor officiële documentatie; Weaviate voor vectorzoeken over opgenomen documenten; Tavily voor live webonderzoek; Gemini Flash en Gemini Pro voor opstellen en redactie; Imagen 3 (Vertex AI) voor afbeeldingen; Gemini Flash voor vertaling.

Vragen

Voor meer over wie deze site beheert en hoe u contact opneemt, zie de pagina Over ons.

Over ons