Mijn aanpak in actie
Van legacy code tot AI-platformen met echte businessimpact — inclusief private showcases op basis van productflow en architectuur.
Consultancy route
Loonberekeningssysteem Analyse
Van onleesbare legacy code naar volledige documentatie in 3 dagen
Het probleem
Een Java loonberekeningssysteem van 12 jaar oud waarvan de oorspronkelijke developer het bedrijf had verlaten. Niemand begreep nog hoe het systeem werkte. Elke kleine aanpassing kostte weken en bracht risico met zich mee.
De aanpak
- 1Dag 1: Codebase inladen, projectstructuur in kaart gebracht (Spring Boot, Chain of Responsibility pattern geïdentificeerd)
- 2Dag 2: 25+ berekeningsklassen ontcijferd, business rules gedocumenteerd per component
- 3Dag 3: Volledig architectuurrapport opgesteld + directiepresentatie
Resultaten
- 25+ looncomponenten volledig gedocumenteerd in begrijpelijke taal
- Architectuurdiagram beschikbaar voor nieuwe developers
- 3 kritieke technische risico's geïdentificeerd en geprioriteerd
- Doorlooptijd 3 werkdagen (vs. geschatte 3–4 weken zonder AI)
Beleggingscoach AI Platform
Van intake naar concreet ETF-plan in één begeleide productflow
Private repo — op vorsters.dev toon ik bewust alleen productflow, screenshots en architectuurkeuzes. Er is geen publieke code-link voor deze case.
Product screenshots
Dashboard – Portfolio samenvatting en real-time waarde
Gedetailleerd dashboard met grafieken en posities
Stap 1 – Onboarding en profielanalyse
Mobile – Geoptimaliseerd voor beleggers on-the-go
Tablet – Volledig layout met zijpaneel
Het probleem
Belgische starters ervaren beleggingsadvies vaak als versnipperd: losse blogs, generieke tools en weinig begeleiding op maat. Daardoor blijven beslissingen uit of starten ze zonder helder plan. Er ontbrak een Nederlandstalige flow die profielbepaling, ETF-selectie en gedragscoaching combineert.
De aanpak
- 1Productflow ontworpen van intake → risicoprofiel → ETF shortlist → persoonlijk plan → opvolgcoaching, zodat de gebruiker in één journey van twijfel naar actie gaat
- 2Domeinarchitectuur opgesplitst in 6 MCP-services (profiel, ETF-screening, planvorming, coaching, risico-analyse, rapportage) met expliciete contracts per domeingrens
- 3Stateful AI-coaching gebouwd op Next.js + FastAPI + PostgreSQL + Redis, zodat beslissingen, context en leerpunten per gebruiker bewaard en herleidbaar blijven
- 4Architectuurkeuzes en productnarratief gedocumenteerd voor due-diligence: stakeholders zien wat gebouwd is en hoe het schaalbaar blijft — zonder IP of broncode te exposen
Resultaten
- Gebruikers krijgen geen losse tips, maar een concreet ETF-actieplan met guardrails dat aansluit op hun horizon en risicoprofiel
- Van onboarding tot aanbeveling blijft elke stap uitlegbaar, waardoor vertrouwen en begrijpbaarheid stijgen — ook voor beleggers zonder technische achtergrond
- Coachinghistoriek en planupdates zijn per gebruiker traceerbaar, wat opvolggesprekken consistenter en waardevoller maakt
- Toont dat complexe AI-producten enterprise-waardig gebouwd kunnen worden voor private projecten — met volledige architectuurdocumentatie voor opdrachtgevers, zonder publieke broncode
Technische architectuur
Stakeholder Demo Shell
Interactieve look-alike voor stakeholder buy-in vóór de echte implementatie
Het probleem
Een groot IT-project had stakeholder buy-in nodig vóór de echte implementatie. Klassieke Figma mockups waren te statisch om de key flows te beoordelen. Stakeholders moesten het systeem echt kunnen uitproberen in een browser.
De aanpak
- 1In record time interactieve look-alike shell gebouwd van het doelsysteem
- 2Angular 17 + Material Design frontend met Spring Boot backend en mock data APIs
- 3Docker Compose voor één-commando opstart + Cypress-ready voor demo-flow tests
Resultaten
- Volledige navigatie en key pages in werkende staat binnen deadline
- Stakeholders konden het systeem uitproberen in een echte browser
- Buy-in verkregen binnen 1 meeting
- Weken abstracte discussie bespaard door tastbare demo
AI-Gedreven Test Automatisering
Van handmatige regressiontests naar 33 geautomatiseerde Cypress-suites — 75% tijdsbesparing per ticket
Het probleem
Het QA-team verloor weken aan handmatige regressietests voor Lima Next Gen. Elke sprintcyclus kostte testspecialisten 2–4 dagen per ticket aan repetitieve UI-verificatie. Er was geen gestructureerd framework om testkennis te delen of te herhalen. AI-tools waren beschikbaar maar onbenut.
De aanpak
- 1Test Competence Center (TCC) opgericht: kwaliteitsbeleid, DoD-criteria en 15 sub-processen gedocumenteerd
- 2AI Cheat Sheet opgesteld voor team — Claude CLI, GitHub Copilot en Rovo ingezet voor Cypress-testgeneratie
- 3Xray + Cypress trainingscursus geschreven en gedocumenteerd als herbruikbaar TCC-kennismateriaal
- 4Innovation Sprint georganiseerd: 33 Cypress tests geautomatiseerd over 4 Jira-tickets in één sprint
Resultaten
- 33 Cypress-tests geautomatiseerd (LN-3217, LN-1683, LN-2954, UI-alignment)
- ~75% tijdsbesparing per ticket tegenover handmatige testronden
- TCC Xray + Cypress-cursus gepubliceerd als intern kennisplatform
- 7 blogartikelen gepubliceerd over AI in testing (TCC + Atlassian Community)