Multi-agentarchitectuur
Elke gespecialiseerde AI-agent behandelt een specifiek domein, van transactieanalyse tot portefeuille-optimalisatie, en ze werken samen in het hele platform.
Akveo ontwikkelde een AI-assistent die complexe financiële data in begrijpelijke taal uitlegt en tegelijk voldoet aan de strenge Amerikaanse financiële regelgeving. Een aparte deterministische rekenengine zorgt ervoor dat elke financiële indicator op geverifieerde berekeningen is gebaseerd, waardoor AI-hallucinaties worden uitgesloten.

[ Klant ]
WealthFluent (voorheen Ripsaw) is een Amerikaanse fintech met als missie financiële planning toegankelijk te maken voor iedereen. Door portefeuillebewaking, het stellen van doelen en tools voor zelfstandig beleggen te combineren, helpt het bedrijf gebruikers hun financiële toekomst in eigen hand te nemen. WealthFluent zocht een partner om zijn platform, een eenvoudige tool voor passieve monitoring, om te vormen tot een intelligente metgezel.
[ Uitdaging ]
Het platform van de klant bood al krachtige functies voor portefeuillebewaking, doelplanning en marktanalyse. De uitdaging was om die financiële data eenvoudig te begrijpen te maken. Daarom zocht WealthFluent een oplossing die complexe informatie in eenvoudige taal kon uitleggen en daarbij strikt aan de Amerikaanse financiële regelgeving voldeed.
De klant wilde een AI-assistent die gebruikers kon begeleiden zonder op het gereguleerde terrein van financieel advies te komen. Standaard-AI-modellen vielen af, omdat die kunnen hallucineren, onjuiste cijfers kunnen geven of misleidende informatie kunnen presenteren.
Bovendien moest de assistent snel reageren op basis van actuele financiële data, zonder aan nauwkeurigheid in te boeten. Elk antwoord moest gebaseerd zijn op betrouwbare, actuele informatie, zodat gebruikers op de geboden analyses konden vertrouwen.
[ Oplossing ]
In 6 maanden ontwikkelden we een veilige AI-assistent op basis van Amazon Bedrock en integreerden we die in het platform van WealthFluent.
Om de grootste technische uitdaging op te lossen, kozen we voor een hybride architectuur. De AI voert het gesprek, terwijl een aparte deterministische rekenengine alle wiskundige berekeningen uitvoert. Zo verzint de AI nooit cijfers.
We ontwierpen de assistent volgens een eenvoudig principe: begeleiden in plaats van adviseren. De assistent informeert, legt begrippen uit en beantwoordt vragen in eenvoudige taal, maar schrijft nooit voor welke financiële beslissingen genomen moeten worden. De uiteindelijke beslissing ligt altijd bij de gebruiker, waardoor het platform volledig aan de wettelijke eisen voldoet.
De assistent moest in realtime met live transactiedata werken, zonder concessies aan de nauwkeurigheid.
Daarom voegden we een slimme voorverwerkingslaag toe die rekeningdata filtert en samenvat voordat ze de AI bereiken. Zo kan de assistent vrijwel direct vragen over portefeuilleactiviteit beantwoorden, en is elk antwoord gebaseerd op nauwkeurige, actuele data.
De assistent helpt gebruikers op drie essentiële manieren:
De kern van de AI-assistent is Amazon Bedrock met Anthropic Claude, terwijl LangGraph de gespreksflow en de bedrijfslogica aanstuurt. De applicatie zelf is ontwikkeld met Angular en Node.js.
Om aan de beveiligings- en compliance-eisen van de klant te voldoen, draait de oplossing in diens eigen AWS-omgeving.
De opgeleverde oplossing bestaat uit drie hoofdcomponenten:

Om de AI te integreren zonder het bestaande platform te verstoren, ontwikkelden we de assistent als een zelfstandige frontend met Angular, Angular Elements, PrimeNG en RxJS. Verpakt als één JavaScript-bundle wordt hij zelfstandig geïntegreerd en bijgewerkt via een geautomatiseerde CI/CD-pipeline.
| Bidirectionele integratie met het platform | Prestaties en schaalbaarheid | Gebruikerservaring en multimodaliteit | Beveiliging en enterprise-volwassenheid |
|---|---|---|---|
| Een op maat ontwikkelde bidirectionele, eventgedreven architectuur stelt de AI-assistent in staat context in realtime te verwerken en acties direct in de applicatie te starten, wat zorgt voor interactieve gebruikerservaringen. | Met WebSockets realiseerden we realtime streaming, persistente sessies en geautomatiseerde, door AI gegenereerde e-mailsamenvattingen over de prestaties van beleggingsportefeuilles. | De interface ondersteunt interactie via tekst en spraak, uitgebreide Markdown-weergave, positionering via slepen en neerzetten en een volledigschermmodus. | Authenticatie op enterpriseniveau, sessiebeheer, foutafhandeling, export van de chatgeschiedenis en ondersteuning voor slash-commando's zorgen voor een veilig en uitbreidbaar platform. |
We ontwikkelden de AI-backend in TypeScript op AWS voor een naadloze integratie met het bestaande platform van de klant, met de beveiliging die realtime financiële applicaties vereisen.
| Multi-agentarchitectuur | LLM-orkestratie | RAG-pipeline | Realtime prestaties |
|---|---|---|---|
| We implementeerden een multi-agentarchitectuur waarin gespecialiseerde agents specifieke domeinen afhandelen, zoals transactieanalyse. | Een orkestratielaag op maat stuurt AI-verzoeken naar AWS Lambda-services, integreert de bestaande bedrijfslogica en maakt onafhankelijke schaalbaarheid mogelijk. | Retrieval-augmented generation (RAG) baseert antwoorden op de bedrijfsdocumentatie en de eigen financiële methodologie, wat nauwkeurige antwoorden garandeert. | Beveiligde WebSockets houden sessies persistent, terwijl datapaginering en contextsamenvatting het mogelijk maken grote financiële datasets efficiënt te verwerken binnen de tokenlimieten van LLM's. |
Akveo ontwikkelde een gespecialiseerde AI-agent in Python die met LangGraph portefeuilles optimaliseert ten opzichte van doelbenchmarks en transparante aanbevelingen voor kopen, verkopen en herverdelen genereert.
Terraform, AWS Lambda Layers en Langfuse zorgen voor een schaalbare implementatie, dependencybeheer en end-to-end monitoring van de AI-workflows.
| Orkestratie van agentische workflows | Intelligente modelroutering | Modulaire financiële intelligentie en dynamische prompting | AI-governance en waarborgen |
|---|---|---|---|
| Met LangGraph en LangChain ontwikkelden we een stateful workflow met meerdere stappen die data valideert en aanbevelingen verfijnt tot een optimaal resultaat is bereikt. | Dynamische routering tussen Anthropic Claude-modellen op Amazon Bedrock zorgt voor een goede balans tussen prestaties en kosten, terwijl contextcompressie op de achtergrond langdurige optimalisatiesessies mogelijk maakt. | Een modulaire architectuur activeert gespecialiseerde financiële logica alleen wanneer dat nodig is, terwijl dynamische, in XML gestructureerde prompts de efficiëntie, de consistentie van de redenering en het tokengebruik verbeteren. | Regelgebaseerde waarborgen dwingen beleggingsrichtlijnen en portefeuillebeperkingen af en zorgen voor consistente, traceerbare en compliant aanbevelingen. |
[ Resultaten ]
De AI-assistent maakte van WealthFluent, een eenvoudige monitoringtool, een echte interactieve financiële gids.
Elke gespecialiseerde AI-agent behandelt een specifiek domein, van transactieanalyse tot portefeuille-optimalisatie, en ze werken samen in het hele platform.
In 6 maanden ontwierpen, ontwikkelden en implementeerden we een AI-financieel assistent en een engine voor portefeuille-optimalisatie.
Door de AI-logica via een deterministische rekenlaag van de berekeningen te scheiden, zorgen we ervoor dat elke financiële indicator op geverifieerde berekeningen is gebaseerd en niet op het LLM.

[ Cases ]
Wij hebben meer dan 200 bedrijven geholpen hun waarde te vergroten en hun werkwijze te verbeteren met betere software.
Laten we uw doelen bespreken en hoe wij u kunnen helpen die te bereiken.