AI-versterkt compliance-LMS voor de bouw

Uitdaging

De klant had een bestaand LMS waarmee gebruikers compliancetrainingen online konden kopen en volgen. Maar het systeem bood statische leerpaden en paste zich niet aan de prestaties van de individuele cursist aan.

Vanuit de business gaf dat verschillende problemen:

cursisten die een toets niet haalden, kregen generieke remediatie;
er was geen gestructureerde manier om kennishiaten te bepalen;
leerplannen waren niet gepersonaliseerd;
in sommige gevallen was handmatig ingrijpen door een instructeur nodig;
het systeem miste intelligent zoeken in het omvangrijke lesmateriaal;
naleving van regelgeving vroeg om volledige registratie en auditeerbaarheid.

De klant moest een schaalbaar, cloud-native LMS bouwen dat:

de toetsprestaties gedetailleerd volgt,
zwakke kennisgebieden opspoort,
adaptieve leerplannen genereert,
AI veilig inzet in een compliance-gedreven omgeving, en
een veilige en auditeerbare infrastructuur behoudt.

De oplossing die wij leverden

We versterkten het bestaande LMS van de klant met een AI-personalisatielaag op basis van Retrieval-Augmented Generation (RAG).

Het LMS zelf (een Angular-frontend en een Spring Boot-backend op AWS) draaide al. Onze rol was de mogelijkheden uit te breiden met intelligente remediatie, kennisretrieval en adaptief leren, zonder de productieomgeving te verstoren.

Architectuur van de AI- en RAG-integratie

We ontwierpen en bouwden een AI-laag die naadloos aansluit op de bestaande backendservices.

De architectuur omvat:

AWS Kendra, dat al het gestructureerde en ongestructureerde lesmateriaal indexeert.
Amazon Bedrock voor LLM-inferentie met Claude 3.7 Sonnet (het model dat de leerplannen genereert).
Uitgebreide Spring Boot-services die retrieval en generatie orkestreren met langchain4j.
PostgreSQL-schema-uitbreidingen om de prestaties van cursisten en de door AI gegenereerde plannen op te slaan.

Er werd geen LMS vervangen en geen kernplatform herbouwd. De AI-diensten zijn als modulaire onderdelen in het bestaande systeem opgenomen.

Adaptieve leerworkflow

We voegden een intelligente workflow na de toets toe, als uitbreiding op de toetsmodule van het LMS:

Een cursist maakt een toets in het LMS.
Het systeem beoordeelt de antwoorden op vraagniveau.
Foute antwoorden worden gekoppeld aan vastgelegde kennisdomeinen.
De backend bevraagt AWS Kendra om relevant lesmateriaal op te halen.
De opgehaalde context gaat naar een LLM op Amazon Bedrock.
Het LLM genereert een gepersonaliseerd remediatieplan, met daarin: gerichte contentaanbevelingen, uitleg van begrippen, oefeningen ter versterking en een voorgestelde leervolgorde.
Het gegenereerde leerplan wordt opgeslagen in PostgreSQL en gekoppeld aan het cursistprofiel.
Volgende toetspogingen werken het leerplan dynamisch bij en verfijnen het.

Zo ontstaat een gesloten feedbackloop waarin de prestaties van de cursist de personalisatie steeds nauwkeuriger maken.

LLM-testen en -validatie (raamwerk voor promptevaluatie)

Omdat het platform in een gereguleerde trainingsomgeving draait, was het valideren van de AI-uitvoer cruciaal.

We voerden een gestructureerd LLM-evaluatieproces in met Promptfoo om systematisch te toetsen op:

promptgedrag in uiteenlopende scenario’s,
consistentie van de uitvoer en verankering in de bron,
hallucinatierisico,
aansluiting op het geïndexeerde lesmateriaal, en
toon en geschiktheid voor compliance.

Zo bleven de gegenereerde remediatieplannen betrouwbaar, verankerd in de via Kendra opgehaalde content en geschikt voor een compliance-gedreven omgeving.

Resultaten voor de klant

Het versterkte LMS groeide van een statisch cursusplatform naar een adaptieve, AI-ondersteunde omgeving voor compliancetraining — zonder de bestaande kerninfrastructuur te vervangen. Het platform levert nu:

Gepersonaliseerde remediatie op schaal

De klant kan nu gepersonaliseerde leerplannen op schaal leveren. Cursisten krijgen gerichte feedback op toetsniveau die kennishiaten blootlegt, terwijl instructeurs efficiënter werken en de trainingsresultaten voor klanten verbeteren.

Leeroptimalisatie in een gesloten lus

Elke toetspoging verfijnt het remediatieplan van de cursist. Die doorlopende feedbackloop maakt de personalisatie na verloop van tijd nauwkeuriger en geeft meetbaar inzicht in de voortgang per kennisdomein.

Minder ingrijpen door instructeurs

Met AI-gestuurde remediatie verlaagt de klant de werklast van instructeurs bij routinegevallen. Zo kunnen medewerkers hun expertise inzetten voor complexere of impactvollere begeleiding, wat de operationele efficiëntie verhoogt.

AI-governance op ondernemingsniveau

Door gestructureerde LLM-validatie en verankering via AWS Kendra blijft de AI-uitvoer in lijn met het goedgekeurde lesmateriaal. Het platform draait veilig binnen een gereguleerde, auditgedreven compliance-omgeving.

Veilige, cloud-native schaalbaarheid

Dankzij de modulaire RAG-architectuur kan de klant veilig opschalen op AWS, met volledige auditing en toegangscontrole, zodat compliancetraining verder kan groeien zonder operationeel risico.

AI-versterkt compliance-LMS voor veiligheidstrainingen in de bouw

Over de klant