Kennisgraaf- en domeinontologie-engineering

Uw AI kan niet redeneren over wat het niet weet

Vectorzoeken vindt dingen die vergelijkbaar klinken. Kennisgrafen vinden dingen die waar zijn. Dat onderscheid is het verschil tussen een AI-systeem dat gokt en een dat redeneert.

Klinische benchmarks maken dit concreet: LLM's die verankerd zijn in ontologie-gestructureerde kennisgrafen verlaagden de hallucinatiepercentages van 63% naar 1.7%, terwijl vector-only retrieval rond de 70% nauwkeurigheid blijft steken bij complexe kennistaken, vergeleken met 85%+ voor hybride vector-plus-graaf-benaderingen (zie ons onderzoek naar verankerde AI in de gezondheidszorg).

De meeste teams die kennisgrafen proberen te bouwen, eindigen met iets heel anders: een gelabelde property graph in Neo4j zonder formele semantiek, zonder inferentiemogelijkheden en zonder herkomsttracering. Dat is een database, geen kennisgraaf. Het werkt totdat u vragen moet beantwoorden die de schema-ontwerpers niet hadden voorzien, een AI-output moet herleiden tot de brongegevens, of uw domeinmodel moet laten evolueren zonder elke downstream-consument te breken.

Onze aanpak is om het echte werk te bouwen: formele ontologieën met inferentie, productie-graafinfrastructuur met herkomst op tripleniveau, en onderhoudsframeworks die zijn ontworpen om de kennis actueel te houden wanneer uw domein onvermijdelijk verandert.

Property graph, RDF triple store, of beide: de juiste architectuur kiezen

Het Neo4j-versus-RDF-debat verslindt meer engineeringcycli dan zou moeten, meestal omdat de beslissing wordt genomen voordat de vereisten worden begrepen.

De meerwaarde van RDF is geautomatiseerd redeneren: verklaar dat elk geneesmiddel dat interageert met een MAO-remmer gecontra-indiceerd is voor SSRI-patiënten, en de reasoner leidt elke specifieke contra-indicatie af zonder handmatige opsomming.

Onze aanpak geeft de voorkeur aan hybride systemen waarbij de formele ontologie in een RDF store leeft voor redeneren en compliance, terwijl een property graph de traversal-query's afhandelt, met een synchronisatielaag die ze consistent houdt. Voeg vectorembeddings toe (TransE, CompGCN of graph neural networks) voor semantische gelijkenis, en u krijgt een retrieval-systeem dat exacte matches, logische inferentie en fuzzy gelijkenis in één pijplijn afhandelt.

Ontologie-engineering: het onderdeel dat iedereen onderschat

Een graafdatabase kopen is eenvoudig. De ontologie bouwen die haar bruikbaar maakt, is waar projecten vastlopen. Een domeinontologie is een formele specificatie van wat er in uw domein bestaat, hoe dingen zich verhouden, en welke constraints die relaties beheersen.

Dit goed doen vereist twee soorten expertise die zelden samengaan: diepgaande domeinkennis (wat een farmaceutisch regelgevingsspecialist weet over IDMP-stofclassificaties) en formele vaardigheden in kennisrepresentatie (hoe die kennis in OWL 2 DL uit te drukken zonder redeneerknelpunten te creëren), uitgewerkt in onze whitepaper over neuro-symbolic AI in een gereguleerd klinisch domein.

Begin met competentievragen

Ons ontologie-engineeringproces begint met competentievragen: de specifieke query's die de kennisgraaf moet kunnen beantwoorden. Geen vage vereisten zoals "ondersteun geneesmiddelveiligheidsanalyse", maar precieze zoals "identificeer, gegeven de medicatielijst van een patiënt en een nieuw recept, alle transitieve contra-indicaties via metabole route-interacties binnen 200 milliseconden." Deze competentievragen sturen elke modelleringsbeslissing en worden de regressietestsuite voor de evolutie van de ontologie.

De juiste formalisme kiezen

Wij kiezen het juiste formalisme voor de taak:

• OWL 2 DL — domeinen die volledig Description Logic-redeneren vereisen (farmaceutisch, juridisch, regelgeving).
• OWL 2 EL — grote ontologieën waar hanteerbare classificatie ertoe doet (SNOMED CT heeft 350,000+ concepten en draait prima in EL).
• SKOS — taxonomieën en gecontroleerde vocabulaires waar u hiërarchie en labels nodig hebt maar geen logische inferentie.
• SHACL — constraints voor datavalidatieregels die naast de ontologie staan.

De meeste productiesystemen gebruiken meerdere formalismen in combinatie, en weten welke waar toe te passen is een aanzienlijk deel van wat een opdracht oplevert.

Entiteitsresolutie: de 3x-budgetvermenigvuldiger waar niemand op plant

Voordat een kennisgraaf over uw data kan redeneren, moet die data schoon, ontdubbeld en gekoppeld zijn. Entiteitsresolutie — vaststellen dat "JPMorgan Chase", "JP Morgan", "JPMC" en "J.P. Morgan Chase & Co." dezelfde entiteit zijn — klinkt eenvoudig en is oprecht moeilijk op ondernemingsschaal.

De moeilijkheid vermenigvuldigt zich bij heterogene bronnen. Kennis samenvoegen uit 10-15 verschillende bronsystemen betekent omgaan met conflicterende schema's, verschillende identifierconventies, wisselende datakwaliteit en temporele inconsistenties (het ene systeem zegt dat het bedrijf in Q3 is overgenomen, het andere zegt Q4). Teams onderschatten de kosten van entiteitsresolutie routinematig met 3-5x.

Wij ontwerpen entiteitsresolutiepijplijnen die op regels gebaseerde matching, geleerde gelijkenismodellen en human-in-the-loop-verificatie voor randgevallen combineren. De pijplijn is zo gearchitecteerd dat hij een canonieke entiteitsgraaf oplevert met herkomstkoppelingen terug naar elke bronrecord, zodat u altijd kunt herleiden waarom twee records zijn samengevoegd of gescheiden gehouden.

Deze herkomstketen wordt cruciaal voor regelgevende traceerbaarheid onder kaders zoals de EU AI Act, waar de artikelen 12-13 van u vereisen dat u de herkomst aantoont van de data die AI-systemen met een hoog risico voedt.

Waarom kennisgraafprojecten mislukken (en hoe dat te vermijden)

Het faalpatroon in de sector is goed gedocumenteerd: 95% van de GenAI-pilots in ondernemingen mislukt, en kennisgraafprojecten hebben hun eigen specifieke faalmodi.

1. De POC-val. Een kleine proof-of-concept slaagt met een gecureerde dataset en een eenvoudig schema, dus het management geeft groen licht voor de volledige bouw. Dan ontdekt het team dat echte data 10x rommeliger is, dat de ontologie 50x meer concepten nodig heeft, en dat de query-patronen waarvoor ze optimaliseerden slechts 30% van de werkelijke use cases dekken. Onze aanpak scopeert opdrachten vanaf dag één rond productiedatamonsters en echte query-workloads.
2. Over-axiomatisatie. Ontologie-engineers met een academische achtergrond voegen elk mogelijk axioma en elke mogelijke restrictie toe, en de reasoner vertraagt van seconden naar uren op bescheiden kennisbanken. Wij profileren de reasonerprestaties vroeg en continu, en passen het principe van minimale axiomatisatie toe: voeg alleen constraints toe wanneer ze een specifieke competentievraag dienen.
3. Ontologiedrift. De kennisgraaf wordt gelanceerd, werkt goed, en degradeert dan langzaam naarmate het domein evolueert — SNOMED CT brengt elk kwartaal updates uit, regelgevende taxonomieën verschuiven, nieuwe productcategorieën ontstaan, en niemand is eigenaar van het onderhoud. Een opdracht wordt gescopeerd om ontologie-onderhoudsframeworks op te leveren met wijzigingsdetectie, impactanalyse en regressietesten, waarbij elk nieuw concept of elke nieuwe relatie wordt gevalideerd tegen de volledige competentievraagsuite vóór implementatie.
4. Geen executive-eigenaarschap. Kennisgrafen zijn infrastructuur — ze maken downstream AI-mogelijkheden mogelijk maar produceren op zichzelf geen zichtbare functies. Zonder executive-sponsoring die graafkwaliteit koppelt aan bedrijfsresultaten (verminderde hallucinatie, snellere compliance, betere detectie van geneesmiddelinteracties) verliest het project in het tweede jaar zijn financiering. Wij helpen teams de business case op te bouwen met concrete metrics gekoppeld aan hun specifieke use cases.

Kennisgrafen koppelen aan LLM's, RAG en agentic AI

Microsofts GraphRAG (en de kostenverlaagde LazyGraphRAG-variant, die de extractiekosten terugbrengt tot 0.1% van het origineel) toonde aan dat graafgestructureerde retrieval beter presteert dan vector-only bij complexe, multi-hop-query's. Maar productie-GraphRAG is lastiger dan de papers suggereren: community-detectie creëert retrieval-artefacten, extractiepijplijnen hebben domeinspecifieke afstemming nodig, en er is geen ingebouwde herkomsttracering.

Wij ontwerpen KG-verankerde retrieval waarbij elk opgehaald feit zijn brontriple, betrouwbaarheidsscore en temporele geldigheid meedraagt. Wanneer de LLM een bewering genereert, verifieert het systeem die tegen de graaf en citeert de specifieke triples die haar ondersteunen of tegenspreken (zie een werkende demo van citaatverificatie tegen de graaf). Met vector-RAG is "het model vond een vergelijkbare passage" de sterkste attributie die u krijgt.

Kennisgrafen als door agents toegankelijke tools

Voor agentic AI-architecturen dienen kennisgrafen als tool-toegankelijke kennisbronnen. Neo4j lanceerde in april 2026 een kennislaag voor agentic systemen op Google Cloud, en de adoptie van Model Context Protocol (MCP) versnelt als de connectorstandaard tussen agents en kennis.

Onze aanpak is om kennisgrafen te bouwen die vanaf dag één door agents bevraagbaar zijn: SPARQL-endpoints, gestructureerde API's of MCP-compatibele interfaces waarmee AI-agents domeinkennis kunnen benaderen als een tool-aanroep in plaats van een prompt-injectie, een aanpak die is uitgewerkt in ons onderzoek naar de aansprakelijkheidsfirewall voor enterprise AI-agents.

Wat wij leveren

Elke opdracht wordt gescopeerd op uw domein, datalandschap en downstream AI-vereisten. Leveringen omvatten:

• Een formele domeinontologie (OWL, volledig geannoteerd) gevalideerd door geautomatiseerde reasoners.
• De gevulde kennisgraaf met ingestiepijplijnen voor gestructureerde en ongestructureerde bronnen.
• Entiteitsresolutiediensten met volledige herkomst.
• SHACL-constraintdefinities voor datavalidatie.
• Een competentievraag-testsuite (SPARQL- of Cypher-patronen) als regressietesten voor de evolutie van de ontologie.
• Integratie-interfaces voor RAG, LLM-verankering of agentic AI-toolgebruik.
• Een ontologie-onderhoudsframework met wijzigingsdetectie en geversioneerde implementatie.

Wij leveren ook een eerlijke beoordeling van waar een eenvoudigere aanpak u even goed van dienst zou zijn.