Tijdens de laatste bijeenkomst van de Leiden AI Community stond één centrale vraag centraal: hoe zorgen we ervoor dat AI-systemen niet alleen overtuigend kunnen communiceren, maar ook daadwerkelijk begrijpen wat er in een specifieke context speelt? In drie inhoudelijk verschillende, maar sterk samenhangende presentaties werd duidelijk dat context geen bijzaak is, maar een randvoorwaarde voor betrouwbare AI. Kennisgrafen, semantische modellen en domeinspecifieke structuur vormden daarbij de rode draad.
AI verankeren in de realiteit van organisaties
In Why Context Matters in AI – Grounding LLMs liet Aniket Mitra zien waarom grote taalmodellen moeite hebben met enterprise-omgevingen. Volgens hem beschikken organisaties over enorme hoeveelheden data, maar is die informatie vaak gefragmenteerd, impliciet en opgesloten in silo’s. “Zelfs als data is vastgelegd, betekent dat niet dat ze expliciet beschikbaar is voor besluitvorming,” stelde Mitra. Zonder context blijven AI-systemen volgens hem steken op oppervlakkige patronen, hoe indrukwekkend hun taalvaardigheid ook is.
Mitra wees erop dat dashboards en rapportages slechts een vereenvoudigde bovenlaag van de organisatie tonen, terwijl de echte kennis besloten ligt in processen, uitzonderingen en domeinspecifieke taal. Het direct koppelen van LLMs aan enterprise data lost dit probleem niet op. “Als informatie niet is gemodelleerd in de taal en structuur van het domein, heeft die data geen betekenis — ongeacht hoe geavanceerd het AI-model is,” aldus Mitra.
Daarom pleitte hij voor het gebruik van ontologieën en kennisgrafen als semantische ruggengraat onder AI-systemen. Door bedrijfsprocessen, afhankelijkheden en context expliciet te modelleren, ontstaat ruimte voor redeneren, plannen en abstraheren. Dat is volgens Mitra essentieel voor toepassingen in onder meer industrie en robotica, waar AI moet omgaan met fysieke ruimte, operationele beperkingen en complexe workflows. “Voor dit soort domeinen moet AI niet alleen tekst begrijpen, maar ook processen en ruimtelijke relaties expliciet kennen,” benadrukte hij.
Betrouwbare AI in gereguleerde sectoren
In de tweede presentatie, Building Trustworthy AI in Regulated Sectors, richtte Surajeet Bhuinya zich op AI-toepassingen in zorg, finance en andere sterk gereguleerde sectoren. Hij waarschuwde voor systemen die bij dezelfde vraag verschillende antwoorden geven, afhankelijk van impliciete of wisselende context. “Als ik vandaag een vraag stel en morgen een ander antwoord krijg, is dat geen intelligentie, maar een gebrek aan context,” stelde Bhuinya. In gereguleerde omgevingen is die onvoorspelbaarheid volgens hem onacceptabel.
Bhuinya pleitte daarom voor het werken met statische en verrijkte contextlagen, gebaseerd op kennisgrafen, waarin strikt wordt vastgelegd welke data, definities en relaties een AI-systeem mag gebruiken. “Je moet niet zomaar overal alles kunnen vragen,” zei hij. “Het systeem moet exact weten in welke context je werkt — en daarbinnen blijven.” Dit voorkomt niet alleen fouten, maar maakt ook compliance en governance beter beheersbaar.
Een cruciaal element in deze aanpak is transparantie. In plaats van antwoorden te presenteren als black box-output, wordt zichtbaar gemaakt welke documenten, entiteiten en relaties aan een antwoord ten grondslag liggen. “Vertrouwen ontstaat wanneer gebruikers kunnen zien waarom een antwoord klopt, niet alleen wat het antwoord is,” aldus Bhuinya. Door context expliciet te visualiseren, neemt bovendien de cognitieve belasting voor gebruikers af en ontstaat meer besliszekerheid.
ReviewGraph: van tekst naar inzicht
In de afsluitende presentatie, ReviewGraph – Using Knowledge Graphs to Predict Customer Satisfaction, liet Lifeng Han zien hoe context ook in data-analyse het verschil maakt. Hij presenteerde ReviewGraph, een framework dat klantreviews omzet in relationele kennisgrafen waarin entiteiten en sentiment expliciet aan elkaar worden gekoppeld. Daarmee verschuift de analyse van losse woorden naar betekenisvolle relaties. “De betekenis van een review zit niet alleen in woorden, maar in hoe concepten zich tot elkaar verhouden,” lichtte Han toe.
Op basis van TripAdvisor-data toonde Han aan dat deze graph-gebaseerde aanpak vergelijkbare of zelfs betere voorspellende prestaties kan leveren dan grote taalmodellen, terwijl de benodigde rekenkracht aanzienlijk lager ligt. “We bereiken vergelijkbare nauwkeurigheid, maar tegen lagere kosten en met veel betere uitlegbaarheid,” zei hij. Dat maakt de methode aantrekkelijk voor organisaties die transparantie en efficiëntie belangrijk vinden.
Een belangrijk voordeel van ReviewGraph is dat resultaten inspecteerbaar en visualiseerbaar zijn. In plaats van een ondoorzichtige voorspelling ontstaat inzicht in welke relaties en sentimenten daadwerkelijk bijdragen aan de uitkomst. “In plaats van een black box willen we naar een glass box,” aldus Han, waarbij AI-resultaten niet alleen worden gegenereerd, maar ook begrepen.
Van pratende AI naar begrijpend AI
Gezamenlijk schetsen de drie presentaties een duidelijke ontwikkeling: AI verschuift van systemen die vooral goed kunnen praten naar systemen die betekenis begrijpen, context respecteren en beslissingen kunnen onderbouwen. Voor robotica, industriële automatisering en andere kritieke toepassingen is context geen luxe, maar een noodzakelijke basis. Kennisgrafen en semantische modellen vormen daarbij het fundament voor AI die niet alleen reageert, maar daadwerkelijk begrijpt wat er in zijn domein en omgeving gebeurt.
