Een semantisch model
Een gedeelde definitie van de entiteiten, relaties en termen die een AI-systeem moet gebruiken, zo klein als de vragen toelaten.
Diensten
AI-contextlaag: knowledge graphs voor LLM's en AI-agents
Een AI-systeem is zo betrouwbaar als de context die het ophaalt. Wij bouwen een semantische contextlaag op een knowledge graph die versnipperde bedrijfsdata omzet in gestructureerde, herleidbare context voor LLM's, RAG-systemen en AI-agents. Entiteiten, relaties en definities zijn expliciet, zodat antwoorden verbonden, controleerbaar en uitlegbaar zijn.
Gebouwd op ons onderzoek naar knowledge graphs: ReviewGraph, gepresenteerd op IEEE ICKG 2025, en ons ontwerpwerk aan een knowledge graph foundation model. Zie ReviewGraph-onderzoek →
Wanneer een AI-systeem een contextlaag nodig heeft
- Een LLM haalt fragmenten op die er hetzelfde uitzien, maar het antwoord hangt af van hoe dingen verbonden zijn.
- Dezelfde term betekent iets anders in verschillende systemen.
- Antwoorden moeten herleidbaar zijn tot een bron voordat mensen ze vertrouwen.
- Bekende feiten en modelvoorspellingen raken vermengd in één antwoord.
Wat we bouwen
Een knowledge graph met herkomst
Records en documenten verbonden in een graaf, met de bron van elk feit erbij.
Retrievalinterfaces
Query-interfaces en API's die verbonden context, met de bronnen, teruggeven aan een LLM of agent.
Scheiding van bewijs en voorspelling
Bekende feiten en modelschattingen apart opgeslagen en gelabeld, zodat een antwoord toont wat wat is.
Graafgebaseerde voorspelling
Embeddings en linkvoorspelling op de graaf, wanneer de laag ook moet schatten wat ontbreekt of waarschijnlijk is.
Toepassingen
Vragen over meerdere bronnen
Beantwoord vragen die systemen overspannen en toon de bron achter elk deel van het antwoord.
Grondslag voor AI-agents
Geef een agent een vaste woordenschat en verbonden feiten om op te plannen en te handelen, in plaats van ruwe documenten.
Een gedeelde woordenschat
Eén definitie van sleuteltermen en entiteiten die teams en systemen consistent kunnen gebruiken.
Uitlegbare voorspellingen
Toon op welke entiteiten en relaties een voorspelling steunde, zoals ReviewGraph doet met zijn graafvisualisatie van reviews.
Onderzoek en bewijs ontdekken
Verbind publicaties, entiteiten en bewijs en houd bekend bewijs gescheiden van modelvoorspellingen, zoals in Vink Drug.
Hoe het werkt
- 01
Begin bij de vragen
Zet de vragen op een rij die het AI-systeem moet beantwoorden en de beslissingen die het ondersteunt.
- 02
Modelleren en verbinden
Definieer de entiteiten en relaties die die vragen nodig hebben en verbind de bronnen met consistente identiteiten en herkomst.
- 03
Ontsluiten als context
Maak de graaf bevraagbaar, zodat een LLM of agent verbonden feiten en hun bronnen kan ophalen als hij antwoordt.
- 04
Evalueren en onderhouden
Toets antwoorden aan gevallen waarvan het juiste antwoord bekend is en houd de graaf actueel als de data verandert.
Elk project doorloopt dezelfde vier stappen. Begrijpen → Bouwen → Valideren → Uitrollen. Over onze werkwijze →
Waar de aanpak vandaan komt
Onderzoek
ReviewGraph
Het artikel noemt interpreteerbaarheid, visuele verkenning en mogelijke integratie in retrieval-augmented generation als voordelen van de graafaanpak.
Lees het ReviewGraph-onderzoek →Onderzoek
Vink Drug
Biomedische knowledge graphs die bekend bewijs gescheiden houden van modelvoorspellingen.
Bekijk Vink Drug ↗Onderzoek
Knowledge graph foundation model
Ons huidige ontwerp voor een model dat uit de structuur afleidt hoe een onbekende graaf zich gedraagt. Een visie, nog geen resultaat.
Lees de visie →Veelgestelde vragen
Wat is een AI-contextlaag?
De laag tussen uw data en een AI-systeem. Ze bevat de entiteiten, relaties en definities die de AI moet gebruiken, samen met hun bronnen, en levert ze als context wanneer de AI antwoordt of handelt. Wij bouwen haar met een knowledge graph en een semantisch model.
Wat is het verschil met RAG over documenten?
Gewone RAG haalt tekstfragmenten op die op de vraag lijken. Een contextlaag voegt expliciete entiteiten en relaties toe, zodat het systeem verbonden feiten kan ophalen, informatie uit meerdere bronnen kan combineren en kan tonen waar elk deel vandaan komt. De twee zijn te combineren.
Zijn knowledge graphs nuttig voor AI-agents?
Ja. Een agent moet weten welke dingen er bestaan, hoe ze samenhangen en wat de termen betekenen. Een graaf levert dat als gestructureerde context en omdat feiten hun bron behouden, zijn antwoorden en acties te controleren.
Hebben we eerst een bedrijfsbrede ontologie nodig?
Geen grote. Wij definiëren het kleinste semantische model dat uw vragen beantwoordt en breiden het uit als er nieuwe toepassingen bijkomen.
Hoe houden jullie voorspellingen gescheiden van feiten?
Bekend bewijs en modelschattingen worden apart opgeslagen en getoond, zodat een antwoord aangeeft wat wat is. Dat principe passen we toe in de biomedische grafen van Vink Drug.