Toegepast onderzoek.
Transparante claims.

Systematisch onderzoek naar het verlagen van tokenverbruik in LLM-pipelines — via prompt-herstructurering, inputcompressie en contextmanagement.

• ~72% reductie in token input in gecontroleerde experimenten
• Verdere optimalisatie geschat op 85–92% onder gestructureerde condities
• Focus: prompt-structuur, redundantie verwijderen, dynamisch context snoeien
• Resultaten zijn evidence-based in testomgevingen — geen gegeneraliseerde claims

Onderzoek naar het beveiligen van AI-pipelines tegen adversarial input, prompt injection en manipulatie — met focus op productieklare AI-agentarchitecturen.

• Threat modeling voor AI-agent inputpipelines
• Mitigatie van prompt injection en pattern libraries
• Input-sanitization en validatiekaders voor LLM-workflows
• Veilige AI-agentarchitectuur met isolatie en auditlagen
• Patterns voor weerstand tegen malware in AI-ondersteunde code-omgevingen

Vroeg stadium: extreem visuele datacompressie — of hoge resolutie met minimale opslag kan worden bewaard met behoud van perceptuele kwaliteit via reconstructie.

• Concept: 4K-beeld → ~50KB opslag → visueel bruikbare reconstructie
• Signaal-gebaseerde reconstructie i.p.v. klassieke lossy compressie
• Experimenteel — nog niet gevalideerd voor productie
• Focus: welke visuele informatie is essentieel vs. reconstrueerbaar