Bring Your Own Model op Mendix: hoe je het opzet qua architectuur

De meeste AI-tools vragen je om je data naar hún model te sturen. Bij enterprise-toepassingen wil je het omdraaien: het model komt naar jouw data, in jouw omgeving, onder jouw voorwaarden. Dat is Bring Your Own Model (BYOM). In dit artikel leggen we uit wat dat op Mendix betekent en hoe wij de architectuur opzetten die het mogelijk maakt.

Wat is Bring Your Own Model?

Mendix zet je niet vast op één AI-aanbieder. Je koppelt je eigen model, of dat nu een sterk publiek model is of een model dat volledig binnen je eigen omgeving draait. Zo bepaal je per proces welk model past en waar de verwerking mag plaatsvinden.

Die keuze is geen technisch detail, maar een governance-beslissing. Voor niet-gevoelige taken kan een publiek model prima volstaan. Voor gevoelige data houd je de verwerking in je eigen netwerk. BYOM geeft je de ruimte om dat per use-case af te wegen, in plaats van één keuze voor alles.

Onze referentie-architectuur

Hieronder een opzet zoals wij die bouwen: een retrieval-augmented (RAG) AI-oplossing die volledig in je eigen Azure-omgeving draait, met Mendix als regie- en presentatielaag.

De onderdelen:

• Ingestie met Microsoft Fabric. Spark-notebooks halen data uit de bron (bijvoorbeeld een openbare kennisbron) en verwerken die tot bruikbare, doorzoekbare stukken.
• Elasticsearch als kennisindex. De verwerkte kennis wordt geïndexeerd voor snelle, relevante retrieval. Dit is de "R" in RAG.
• Back-end API in Python. Orkestreert de RAG-flow: haalt de relevante context op uit Elasticsearch en stuurt die samen met de vraag naar het model.
• Azure AI Foundry als modellaag. Hier draait jouw eigen model. Wil je wisselen van model, dan raakt dat alleen deze laag.
• Key Vault voor secrets, en Azure Log Analytics + Application Insights voor logging en monitoring, zodat je gedrag en kosten volgt.
• Netwerkisolatie. De omgeving is afgeschermd: alleen whitelisted toegang in dev, private endpoints in productie. Je data verlaat je omgeving niet zonder dat jij dat bepaalt.

Mendix als regie- en UI-laag

De business-applicatie bouw je in Mendix. Mendix roept de back-end API aan, toont de resultaten aan de gebruiker en verzorgt de governance eromheen: toegangsbeheer, een audit trail op wat de AI doet, en een mens-in-de-loop waar een beslissing dat vraagt. De AI-stack hangt er onder, Mendix houdt de controle er boven.

Een sterk vereenvoudigd beeld van de RAG-orkestratie in de back-end:

# Back-end API (Python): RAG-orkestratie
@app.post("/vraag")
def beantwoord(vraag: Vraag):
    context = elastic.search(vraag.tekst, top_k=5)   # retrieval uit de kennisindex
    antwoord = ai_foundry.chat(                       # jouw eigen model in Azure AI Foundry
        model="jouw-model",
        systeem=GOVERNANCE_PROMPT,
        context=context,
        vraag=vraag.tekst,
    )
    return {"antwoord": antwoord, "bronnen": context.bronnen}

Merk op dat het antwoord altijd met bronnen terugkomt. Zo is voor de gebruiker herleidbaar waar een antwoord vandaan komt, en dat is precies het soort controleerbaarheid dat een enterprise-toepassing nodig heeft.

Waarom deze opzet: jij houdt de regie

De rode draad is controle. Je data blijft in je eigen tenant, achter private endpoints. Je secrets staan in Key Vault. Je volgt gebruik en kosten via monitoring. En je kiest zelf welk model waar draait, per data-classificatie. Governance zit ingebouwd in plaats van er achteraf omheen gebouwd.

Het resultaat: de productiviteit van AI, zonder je data of je keuzevrijheid weg te geven.

Aan de slag

De juiste modelkeuze en dataclassificatie bepaal je het beste vooraf. Daar helpt onze AI Readiness Scan bij: we brengen je processen, data en haalbaarheid in kaart en tekenen de architectuur uit. Liever direct sparren over een opzet als deze? Neem contact op voor een vrijblijvend gesprek.