AI Emergency Assistant

Een Azure-gebaseerde AI-assistent die bij operationele incidenten relevante protocollen, contactpersonen en vervolgacties terugvond.

In één oogopslag

Projecttype: Clientproject
Jaar: 2025
Projectfase: Afgerond
Rol van 5A Technologies: Expertise die we binnen 5A Technologies samenbrengen, opgebouwd tijdens een realisatie via een tussenpartij: AI-solutionarchitectuur, RAG-implementatie, Azure-deployment en technische overdracht.
Technologieën: Azure AI Foundry
Retrieval-Augmented Generation (RAG)

AI Emergency Assistant — van incidentmelding naar gerichte opvolgingHover of focus voor uitleg. Op mobiel tikt u een fase open.

Workflow met acht fasen: incident melden, melding verwerken, incidentcontext herkennen, bedrijfskennis doorzoeken, actieoverzicht structureren, vervolgacties begrenzen, notificatie voorbereiden en contacten verwittigen. 1. Incident melden: Incident en facility in natuurlijke taal 2. Melding verwerken: Ingang voor de enterprise-grounded workflow 3. Incidentcontext herkennen: Incidenttype, facility en kernvraag 4. Bedrijfskennis doorzoeken: RAG zoekt protocollen en contactmappings 5. Actieoverzicht structureren: Begrensde AI ordent stappen en contacten 6. Vervolgacties begrenzen: Alleen vooraf gedefinieerde acties 7. Notificatie voorbereiden: Gekozen contacten en beschikbaar kanaal 8. Contacten verwittigen: Optioneel via e-mail, Teams of SMS Verbindingen: Incident melden naar Melding verwerken (incident en locatie). Melding verwerken naar Incidentcontext herkennen (verwerkte vraag). Incidentcontext herkennen naar Bedrijfskennis doorzoeken (incidentcontext). Bedrijfskennis doorzoeken naar Actieoverzicht structureren (protocollen en contacten). Actieoverzicht structureren naar Vervolgacties begrenzen (gestructureerd actieoverzicht). Vervolgacties begrenzen naar Notificatie voorbereiden (vooraf gedefinieerde actie). Notificatie voorbereiden naar Contacten verwittigen (contacten en kanaal).

AI Emergency Assistant · procesflow8 fasen · gecontroleerde vervolgactie

Incident meldenIncident en facility in natuurlijke taal
Invoer en notificatieDe medewerker beschrijft de concrete situatie
De gebruiker beschrijft een operationeel incident en de betrokken facility of locatie in natuurlijke taal.
Melding verwerkenIngang voor de enterprise-grounded workflow
Gecontroleerde verwerkingDe melding gaat naar de Azure-gebaseerde oplossing
De custom modeldeployment in Azure AI Foundry verwerkt de vraag als ingang voor de enterprise-grounded workflow.
Incidentcontext herkennenIncidenttype, facility en kernvraag
Gecontroleerde verwerkingDe relevante context wordt vóór retrieval herkend
De oplossing herkent het incidenttype, de facility en de kernvraag voordat informatie uit de interne kennisbron wordt opgehaald.
Bedrijfskennis doorzoekenRAG zoekt protocollen en contactmappings
Gecontroleerde verwerkingDe RAG-laag haalt informatie uit de interne kennisbron
De RAG-laag zoekt relevante protocollen, locatiegegevens en contactmappings in de enterprise knowledge source.
Actieoverzicht structurerenBegrensde AI ordent stappen en contacten
Enterprise-grounded AIHet model ordent de teruggevonden informatie
Het model structureert de opgehaalde protocollen, stappen en verantwoordelijke contactpersonen tot een duidelijk actieoverzicht.
Vervolgacties begrenzenAlleen vooraf gedefinieerde acties
Gecontroleerde verwerkingNiet-gedocumenteerde acties blijven buiten de workflow
Alleen teruggevonden bedrijfsinformatie en vooraf gedefinieerde acties blijven beschikbaar; het model bepaalt geen niet-gedocumenteerde actie.
Notificatie voorbereidenGekozen contacten en beschikbaar kanaal
Gecontroleerde vervolgactieEen gecontroleerde vervolgactie wordt voorbereid
Waar dit was geconfigureerd, bereidt een gecontroleerde workflow de notificatie van de gekozen contactpersonen via een beschikbaar kanaal voor.
Contacten verwittigenOptioneel via e-mail, Teams of SMS
Invoer en notificatieDe gekozen contacten ontvangen de notificatie
De gekozen contacten konden via e-mail, Microsoft Teams of SMS worden verwittigd.

Invoer en notificatieGecontroleerde verwerkingEnterprise-grounded AIGecontroleerde vervolgactieDe assistent koppelt een concrete incidentvraag via RAG aan interne protocollen en locatiegebonden contactpersonen; optionele meldingen blijven begrensd tot vooraf ingerichte acties.

Alleen vooraf gedefinieerde acties zijn beschikbaar; het model voert geen niet-gedocumenteerde actie zelfstandig uit.

In het kort

Via een tussenpartij werd voor een geanonimiseerde internationale organisatie een Azure-gebaseerde AI-assistent ontwikkeld. Binnen 5A Technologies bouwen we voort op de opgebouwde expertise in AI-solutionarchitectuur, RAG en Azure-delivery. De assistent leidde medewerkers tijdens operationele incidenten naar de relevante bedrijfsinformatie.

Met een concrete vraag, zoals “Er is een overstroming in facility 7C, wat moet ik doen?”, kon de oplossing de toepasselijke protocollen, locatiegebonden contactpersonen en beschikbare vervolgacties terugvinden.

Context: operationele incidenten in een internationale organisatie
Project: professionele realisatie via een tussenpartij
Status: afgerond en technisch overgedragen
Rol van 5A Technologies: voortbouwen op expertise in AI-solutionarchitectuur, RAG-implementatie, Azure-deployment en technische overdracht
Kernprincipes: enterprise grounding, locatiecontext en vooraf gedefinieerde acties

Belangrijk ontwerpprincipe
De assistent ontsloot gedocumenteerde informatie en beschikbare acties. Het model bepaalde niet zelfstandig welke niet-gedocumenteerde actie uitgevoerd moest worden.

De uitdaging

De organisatie had vestigingen verspreid over verschillende landen. Bij een incident moest een lokale verantwoordelijke snel weten:

welk protocol van toepassing was;
welke stappen eerst uitgevoerd moesten worden;
welke contactpersonen verantwoordelijk waren;
welke escalatieroute bij de betrokken locatie hoorde.

Die informatie zat verspreid over een uitgebreide interne kennisbron en was niet altijd snel terug te vinden wanneer tijd belangrijk was.

De oplossing

Incident en locatie afbakenen

De gebruiker beschreef het incident en de betrokken locatie in natuurlijke taal. De oplossing herkende vervolgens het incidenttype, de facility en de kernvraag die beantwoord moest worden.

Bedrijfskennis terugvinden

Een custom-deployed taalmodel in Azure AI Foundry werkte samen met een Retrieval-Augmented Generation-pipeline. Het model antwoordde niet uitsluitend vanuit algemene modelkennis: de RAG-laag zocht eerst de relevante bedrijfsinformatie op en stelde op basis daarvan een locatie- en incidentspecifiek antwoord samen.

Opvolging begrenzen

Het model structureerde de teruggevonden stappen en verantwoordelijke contactpersonen tot een duidelijk actieoverzicht. Alleen teruggevonden bedrijfsinformatie en vooraf gedefinieerde vervolgacties bleven beschikbaar; waar geconfigureerd kon een notificatie voor geselecteerde contacten worden voorbereid.

Hoe de workflow werkte

De gebruiker beschreef het incident en de betrokken locatie in natuurlijke taal.
De custom modeldeployment verwerkte de vraag als ingang voor de enterprise-grounded workflow.
De oplossing herkende het incidenttype, de facility en de kernvraag.
De RAG-laag doorzocht de interne kennisbron naar relevante protocollen en contactmappings.
Het model structureerde de teruggevonden stappen en verantwoordelijke contactpersonen tot een duidelijk actieoverzicht.
Alleen teruggevonden bedrijfsinformatie en vooraf gedefinieerde vervolgacties bleven beschikbaar.
Waar geconfigureerd werd een notificatie voor de gekozen contacten en een beschikbaar kanaal voorbereid.
De gekozen contacten konden via e-mail, Microsoft Teams of SMS worden verwittigd.

Voorbeeld van gestructureerde output

{
  "incidentType": "flooding",
  "facility": "7C",
  "protocols": ["relevant-protocol-reference"],
  "contacts": ["facility-response-contact"],
  "availableActions": ["notify_email", "notify_teams", "notify_sms"]
}

De output maakte zichtbaar welke informatie was teruggevonden en welke vooraf ingerichte acties beschikbaar waren. Niet-gedocumenteerde acties werden niet zelfstandig door het model bepaald.

Technische bouwstenen

Bevestigde kern

Azure AI Foundry: configuratie en deployment van het custom-deployed model;
Retrieval-Augmented Generation: antwoorden baseren op de interne kennisbron;
enterprise knowledge: protocollen, facilitygegevens en contactmappings ontsluiten;
gecontroleerde acties: geselecteerde contacten via beschikbare communicatiekanalen verwittigen.

Historische technische reconstructie

De exacte historische serviceversies en connectoren zijn niet meer bevestigd. De meest plausibele Azure-architectuur gebruikte Azure AI Search met embeddings voor hybride of vectoriële retrieval en Azure Functions of Logic Apps voor gecontroleerde acties. Notificaties konden via Microsoft Graph, Teams-connectors of Azure Communication Services zijn aangesloten.

Deze componenten beschrijven een technische reconstructie, geen afzonderlijk bevestigd product- of versiecontract. Er werd daarom geen exacte modelversie, databasedienst of notificatieconnector als publiek projectfeit vastgelegd.

Actiegrenzen

De oplossing bracht relevante informatie samen, maar bepaalde niet zelfstandig welke niet-gedocumenteerde operationele actie uitgevoerd moest worden. Alleen teruggevonden bedrijfsinformatie en vooraf ingerichte vervolgacties bleven beschikbaar.

De assistent:

baseerde antwoorden op teruggevonden bedrijfsinformatie;
beperkte acties tot vooraf ingerichte mogelijkheden;
verzon geen niet-gedocumenteerde procedure;
activeerde geen onbevestigde connector of escalatieroute;
presenteerde geen onbevestigde procedure als beschikbare actie.

Expertise waarop we voortbouwen

Binnen 5A Technologies bouwen we voort op ervaring met:

het ontwerpen van de end-to-endarchitectuur;
het configureren en deployen van het model in Azure AI Foundry;
het opzetten van de RAG-pipeline;
het structureren en indexeren van protocollen, facilities en contactinformatie;
het ontwerpen van de vraag- en antwoordlogica;
het definiëren van de mogelijke vervolgacties;
het testen van incident- en locatiescenario’s;
het technisch opleveren van de oplossing aan de tussenpartij.

Kwalitatief resultaat

De oplossing bracht verspreide noodinformatie samen in één toegankelijke, vraaggestuurde workflow. Een medewerker kon vanuit één concrete situatie de relevante procedures, contactpersonen en beschikbare acties terugvinden zonder zelf verschillende documenten en contactlijsten te moeten doorzoeken.

Het project werd afgerond en als Azure-oplossing overgedragen aan de tussenpartij, die het pakket aan de IT-afdeling van de eindorganisatie kon bezorgen.

Bewuste publicatiegrenzen

De publieke projectbeschrijving bewaakt de volgende grenzen:

ze claimt geen wereldwijde uitrol of bevestigd productiegebruik na de overdracht;
ze presenteert geen exacte modelversie, databasedienst of notificatieconnector als bevestigd projectfeit;
ze claimt geen fine-tuning;
ze noemt geen bewezen besparing, responstijdwinst of adoptiecijfer;
ze doet geen bevestigde complianceclaim.

Wat dit project demonstreert

Dit project laat zien hoe een afgebakende AI-oplossing:

incidentvragen koppelt aan gecontroleerde bedrijfskennis;
locatiecontext verbindt met toepasselijke protocollen en verantwoordelijke contactpersonen;
retrieval en antwoordstructurering elk een duidelijke rol geeft;
vervolgacties beperkt tot vooraf ingerichte mogelijkheden;
technische overdracht combineert met expliciete grenzen rond onbevestigde details en resultaten.

Wilt u een gelijkaardige oplossing bespreken?

Vertel ons waar uw proces vandaag vertraagt of waar AI en automatisering beter moeten samenwerken. We bekijken samen welke controleerbare aanpak past.

Bespreek uw proces