# Onderzoeksopdracht AI Engineer – Content Generatie App voor hbo-/wo-studenten
## Over de functie
De gemeente Amsterdam zoekt een student (3e of 4e jaar hbo of wo) die tijdens de stageperiode aan de slag gaat met een Content Quality Framework voor meetbaar betere AI-gegenereerde content.
## Het project
De gemeente Amsterdam onderzoekt de mogelijkheden om met behulp van generatieve AI content te creëren voor contentspecialisten van Amsterdam.nl. De app combineert AI-technologie (LLM) met een kennisdatabase (RAG) in een gebruiksvriendelijke front-end met workflowfunctionaliteit om consistente, toegankelijke en waarheidsgetrouwe content te genereren.
## Wat ga je doen
Je ontwikkelt een Content Quality Framework waarmee de kwaliteit van de Content Generatie App structureel gemeten, beoordeeld en verbeterd kan worden. Het framework kent twee scoringsniveaus:
- Input-score: hoe goed zijn de brondocumenten in de kennisdatabase (volledig, actueel, consistent)?
- Output-score: hoe goed is de gegenereerde content? Een overall content quality score die meerdere metrics combineert
- Guardrail metrics: harde grenzen vanuit Responsible AI — een wijziging die de bias-score verslechtert mag niet worden doorgevoerd
### De drie knoppen
- Validatie & kwaliteit → verbetert de input-score
- Brondocumenten in de RAG-database beoordelen
- Verouderde, tegenstrijdige of ontbrekende bronnen identificeren
- Semantic coverage valideren
- Consistentiecontrole uitvoeren
- Optimalisatie → verbetert de output-score
- Optimalisatie door betere prompts en prompt engineering
- Vergelijken en evalueren van verschillende taalmodellen
- A/B-testen opzetten en uitvoeren
- Dashboards bouwen
- Content Intelligence Loop → verbetert beide scores structureel
- Create: content genereren op basis van de kennisdatabase
- Measure: meten hoe content presteert
- Analyze: prestaties vergelijken met benchmarks
- Optimize: inzichten terugvoeren
## Responsible AI als dwingende voorwaarde
- Mens centraal — de redacteur neemt altijd de finale beslissing
- Guardrail metrics — bias-detectie op geografische, sociaaleconomische en culturele factoren
- Bronherleidbaarheid — elke claim herleidbaar naar brondocument
## Onderzoeksvragen
Je kiest een van de volgende vragen, of formuleert zelf een vraag:
- Welke metrics en scoringsmodellen zijn het meest geschikt om de kwaliteit van AI-gegenereerde overheidscontent betrouwbaar te beoordelen?
- Hoe kan de volledigheid en consistentie van brondocumenten in de RAG-database systematisch worden bewaakt en verbeterd?
- Wat is het effect van promptoptimalisatie en modelkeuze op de outputkwaliteitsscore?
- Hoe kan een Content Intelligence Loop structureel worden ingericht?
- Hoe presteert AI-gegenereerde content in vergelijking met handmatig geschreven content?
## Werkzaamheden
Je werkt 32-36 uur per week van september 2026 tot en met januari 2027, deels op kantoor en deels vanuit huis. Je werkt samen met data- en analytics specialisten, contentspecialisten en redacteuren.