✅ Key features van de challenge

• Studiejaar studenten: 2e, 3e en 4e jaars HBO-ICT Bachelor Voltijd (focus op 3e jaars studenten). Multidisciplinaire teams.
• Aantal studenten per team: 4-5 studenten per team.
• Tijdsinvestering door studenten: 40 uur per week per student (contacttijd n.n.b., daadwerkelijk door student bestede tijd aan de opdracht: ga uit van 28 uur per week per student)
• Duur opdracht (in weken): 14 weken
• Tijdsinvestering door ondernemer (gemiddeld aantal uur per week): 2
• Deliverables (advies, ontwerp, product etc.): Ontwerp, Proof of Concept, evt. werkend product, adviesrapport.
• Taal opleiding:  Nederlands en Engels
• Matching fee: gratis

📑 Module informatie 

Projectonderwijs met jou als opdrachtgever voor een team studenten met de profielen: 

--> Digital Business Engineer, AI Engineer, Cloud Engineer.

2 van de 3 profielen moeten kunnen werken aan de geformuleerde challenge.

De volgende deelproducten kunnen opgeleverd worden;

• Business: digitale transformatie/      (product) innovatie / dashboards / performance management / interactief      ontwerpen / implementeren
• AI: Machine      Learning modellen / Agentic AI / toepassen Gen AI / Voorspellingssystemen      / Natural Language Processing (NLP) toepassingen / Data Science toepassingen
• Cloud: provider      en service selectie / infrastructuur ontwerp / Infrastructure as code      (IAC) deployment / Identity & Access Management inrichting / DevOps &      CI/CD pipelines realisatie / FinOps inrichting

Fasering (onder voorbehoud):

1. Onboarding (3 weken)
2. Voorbeeldproject (3 weken)
3. Sprint 1 (3 weken)
4. Sprint 2 (3 weken)
5. Sprint 3 (3 weken)
6. Oplevering en overdracht

📑 Challenge voorbeelden

1. Waternet

Ontwikkel een machine learning-model dat storingsklachten in waterleidingen analyseert om preventief onderhoud te voorspellen. Veel storingsmeldingen in een bepaalde regio kunnen wijzen op structurele problemen in het leidingennet, wat kan leiden tot grotere storingen of wateroverlast. Door historische klachten, waterdrukdata en andere relevante factoren te verwerken, helpt het model Waternet om tijdig onderhoud uit te voeren voordat er grote problemen ontstaan. Dit project omvat het verzamelen en verwerken van data, het trainen van een voorspellend model en de implementatie van een dashboard waarmee Waternet medewerkers direct inzicht krijgen in potentiële risicogebieden.

2. Febaso

Door ontwikkelen van een enquêtetool om met generative AI een op de gebruiker afgestemd evaluatie te kunnen maken. Werkzaamheden betreffen het verbeteren van de AI tool, het testen van de tool in gebruikerscontext, ontwikkelen van front-end.

3. Roetz e-bikes

Ontwikkel een systeem om operationele data van Roetz E-Bikes te verzamelen en te analyseren met als doel het werkproces rond de fietsen efficiënter en voorspelbaarder te maken. Door gegevens over gebruik, slijtage en onderhoud te combineren, kan een datagedreven model inzicht geven in welke onderdelen het vaakst onderhoud nodig hebben en wanneer reparaties te verwachten zijn. Dit helpt Roetz om proactief onderhoudsplanning te optimaliseren, stilstand te minimaliseren en kosten te verlagen. Het project richt zich op het opzetten van een dataverzamelingsproces, het bouwen van een voorspellend model en het ontwikkelen van een dashboard voor real-time inzicht.

📑 Criteria Bedrijf/challenge:

• Bedrijfsgrootte: Minimaal 5-10 medewerkers
• Gevestigd rondom Amsterdam
• Studententeam werkt één of meer dagen per week op locatie bij de opdrachtgever.
• Opdrachtgever werkt in sprints en houdt sprint reviews.

🗓 Planning:

o Startdatum: 01-09-2026

o Einddatum: 30-01-2027

- Opdrachtgever is aanwezig bij de eindoplevering van de studenten (eigen project).

- Opdrachtgever is aanwezig bij de presentatie halverwege het semester om feedback, feedup, feedforward te geven.

- Contact met het projectteam aan het begin van elke sprint voor het geven van input sprintplanning.