Een actievoorstel is een gestructureerd, controleerbaar voorstel om een gekoppeld bedrijfssysteem te wijzigen, gemaakt door automatisering maar nog niet uitgevoerd. Het benoemt het doelsysteem, de bewerking en de exacte parameters, zodat een persoon of beleid het kan goedkeuren, bewerken of afwijzen voordat er iets gebeurt.
Waarom eerst een actie voorstellen in plaats van die direct uit te voeren?
Eerst voorstellen scheidt intentie van effect. Zo kunnen goedkeuringsbeleid en reviewers de precieze bewerking en parameters inspecteren, waardoor een geautomatiseerde fout geen system of record bereikt.
Wat bevat een actievoorstel?
De doelintegratie, de uit te voeren bewerking, de opgeloste parameters, het ondersteunende bewijs en de beleidsbeslissing of goedkeuring nodig is vóór uitvoering.
Agent-delegatie is het gecontroleerd verlenen van afgebakende, tijdgebonden bevoegdheid aan een AI-agent om namens een gebruiker of een andere agent te handelen. De delegatie specificeert exact welke mogelijkheden, tenants en acties zijn toegestaan, zodat een agent werkt binnen expliciete, intrekbare en controleerbare grenzen.
De mogelijkheden die een agent mag gebruiken, de tenant waarin hij mag handelen, de acties die hij mag voorstellen of uitvoeren, en een vervaldatum, zodat bevoegdheid smal, tijdgebonden en intrekbaar blijft.
Hoe blijft delegatie verantwoordbaar?
Elke gedelegeerde actie wordt toegeschreven aan zowel de agent als de delegerende principal en vastgelegd in het auditspoor, terwijl gevoelige acties nog steeds via goedkeuringsbeleid lopen.
Het Agent2Agent-protocol is een open standaard waarmee autonome agents elkaar kunnen ontdekken, taken kunnen uitwisselen en werk over organisatiegrenzen heen kunnen coördineren. Het definieert hoe een agent zijn mogelijkheden publiceert en hoe een andere agent een taak delegeert en tot voltooiing volgt.
MCP verbindt een model met tools en data. A2A verbindt agents met elkaar en definieert hoe de ene agent een taak aan een andere overdraagt en de status volgt, in plaats van hoe een model één tool aanroept.
Hoe worden A2A-taken gevolgd?
Een A2A-taak wordt gekoppeld aan een gevolgd werkrecord, zodat de levenscyclus, het bewijs en de uitkomst controleerbaar zijn, net als werk dat door een persoon of formulier is gestart.
Agentic operations is the practice of running business operations with AI agents that plan and act — not just answer — under explicit governance. Agents triage intake, retrieve grounded evidence, propose actions, and execute approved ones in real systems, while approvals, policy checks, and an audit trail keep their activity safe. It pairs agent autonomy with operational controls so automation can run in production.
Synoniemen: agentic workflow automation, AI operations automation, agent operations, AI ops
How is agentic operations different from a chatbot?
A chatbot answers messages. Agentic operations runs work: agents classify intake, ground answers in cited evidence, and execute governed actions in business systems, with approvals and an audit trail — the unit of value is completed, accountable work.
What keeps agentic operations safe in production?
Scoped credentials bound what agents can touch, policy overlays decide what needs human approval, evaluation gates test behavior before rollout, and every step is recorded — so autonomy never outruns accountability.
AI work automation is the use of AI models to turn unstructured requests — emails, chats, documents, forms — into completed work: grounded answers or actions executed in business systems. Unlike chat assistants, it operates on structured work items with evidence, approvals, and an audit trail, so every outcome is traceable and governed.
Synoniemen: AI workflow automation, agentic workflow automation, AI work orchestration, intelligent work automation
How is AI work automation different from an AI chatbot?
A chatbot produces a reply and forgets the exchange. AI work automation converts each request into a structured work item, grounds answers in cited evidence, routes proposed actions through approvals, and records the outcome — the unit of value is completed work, not a message.
How does it relate to agentic workflow automation?
They describe the same category from different angles. Agentic framing emphasizes the model planning and acting; work-automation framing emphasizes the governance around it — structured intake, evidence, approval gates, and an audit trail that makes agent activity safe to run in production.
Answer engine optimization is het structureren van content zodat AI-antwoordmachines en chatassistenten die kunnen vinden, citeren en nauwkeurig samenvatten. Waar SEO zich richt op gerangschikte links, richt AEO zich op het gesynthetiseerde antwoord zelf, met optimalisatie voor duidelijke definities, gestructureerde data en machineleesbare bronbestanden.
SEO optimaliseert om als klikbare link op een resultatenpagina te ranken. AEO optimaliseert om binnen een AI-gegenereerd antwoord te worden gekozen, geciteerd en toegeschreven, wat precieze definities, gestructureerde data en schone machineleesbare feeds beloont.
Welke signalen helpen een antwoordmachine een pagina te citeren?
Definitie-eerst schrijven, geldige schema.org-gestructureerde data, een llms.txt-index, FAQ-markup en stabiele canonieke URL's maken content eenvoudiger te vinden en toe te schrijven voor een antwoordmachine.
An audit trail is the tamper-evident record of everything that happened to a piece of work: what arrived, what the AI extracted and proposed, which evidence grounded each answer, who approved what, and which actions executed. It lets teams reconstruct and prove any outcome end to end — essential for compliance, debugging, and trust in automation.
What does an audit trail capture in AI work automation?
Each event in a work item's life: intake and its source channel, extracted fields, retrieved evidence and citations, the AI's proposals, every approval or rejection with actor and timestamp, and the executed actions with their results.
Why does an audit trail matter for AI specifically?
AI decisions are probabilistic, so accountability has to come from the record rather than the rule. A complete trail shows what the model saw, what it proposed, and who authorized the outcome — turning otherwise opaque automation into something reviewable and defensible.
Automated resolution is when an AI work platform completes a request end to end — understanding the intake, grounding an answer in cited evidence, or executing a governed action — without a person doing the work, while still leaving a full record. It is measured honestly: only requests closed correctly and within policy count, and anything uncertain is escalated rather than force-closed.
Only requests resolved correctly, within policy, and without human intervention count toward the rate. Uncertain or low-confidence cases are escalated, not force-closed, so the metric reflects real outcomes instead of inflated deflection.
What happens when a request can't be resolved automatically?
It becomes a WorkItem routed to the right owner with full context — the intake, evidence, and reasoning attached — so a person picks up a complete case rather than starting from scratch.
Bewijscitatie is het koppelen van verifieerbare bronverwijzingen aan elke claim die een AI-systeem doet. Elke geciteerde passage linkt terug naar het document, record of kennisasset waaruit die komt, zodat een persoon kan bevestigen dat het antwoord onderbouwd is voordat hij het vertrouwt of erop handelt.
Minimaal de bronidentifier en de exacte gebruikte passage, bij voorkeur met een stabiele link en tijdstempel zodat reviewers kunnen bevestigen dat het bewijs actueel was toen het antwoord werd geproduceerd.
Waarom zijn citaties essentieel voor governede automatisering?
Citaties maken een antwoord controleerbaar. Zonder citaties is een geautomatiseerd antwoord onverantwoordbaar; met citaties kan een reviewer de onderbouwing verifiëren en kan een auditspoor bewijzen welk bewijs een beslissing dreef.
The CAIQ (Consensus Assessments Initiative Questionnaire) is a cloud-security self-assessment from the Cloud Security Alliance (CSA), aligned to the Cloud Controls Matrix (CCM). A provider answers each control question — typically yes/no with notes — to document its security posture, and CAIQ submissions can be published in the CSA STAR registry.
How does CAIQ relate to the Cloud Controls Matrix (CCM)?
The CAIQ is the question form of the CCM: each CAIQ question maps to a CCM control, so answering the CAIQ documents how a provider meets the CCM's cloud-security control domains. They are maintained together by the Cloud Security Alliance.
What is the CSA STAR registry?
STAR (Security, Trust, Assurance and Risk) is the CSA's public registry where cloud providers can publish completed CAIQ self-assessments (and higher assurance levels). A published CAIQ lets customers review a provider's posture without sending a bespoke questionnaire.
Chunking is het proces waarbij brondocumenten in kleinere retrieval-eenheden worden opgesplitst voordat ze worden ingebed. De chunkgrootte en grensstrategie bepalen hoe precies een retriever een relevant feit kan vinden, met een balans tussen recall, precisie en embeddingkosten over een kennisbank.
Een goede chunk is semantisch zelfstandig, zo groot dat één feit niet over grenzen wordt verdeeld, en bevat stabiele metadata zodat hij betrouwbaar kan worden gefilterd, ververst en geciteerd.
Hoe beïnvloedt chunking de antwoordkwaliteit?
Te grote chunks verdunnen relevantie en verspillen tokens, terwijl te kleine chunks context breken en betekenis verliezen. Grenskeuzes bepalen direct recall en hoe goed gegenereerde antwoorden onderbouwd zijn.
Een embedding is een numerieke vector die de betekenis van tekst, afbeeldingen of andere data in een hoog-dimensionale ruimte weergeeft. Items met vergelijkbare betekenis leveren vectoren op die dicht bij elkaar liggen, waardoor systemen content kunnen vergelijken, clusteren en ophalen op basis van semantische gelijkenis in plaats van exacte overeenkomsten.
Waarom is de versie van het embeddingmodel belangrijk?
Vectoren uit verschillende modellen zijn niet vergelijkbaar. Door de modelversie bij elke embedding op te slaan kun je drift detecteren en veilig herindexeren wanneer je het embeddingmodel upgrade.
Zijn embeddings omkeerbaar naar de oorspronkelijke tekst?
Niet precies, maar embeddings kunnen gevoelige informatie lekken, dus ze moeten dezelfde tenantisolatie en toegangscontroles erven als de broncontent die ze vertegenwoordigen.
An evaluation gate is an automated quality checkpoint that scores an AI workflow against curated test cases before a change ships. Prompts, retrieval settings, or pack updates must pass thresholds for accuracy, grounding, and safety; failing changes are blocked from release. Gates turn AI quality from a hope into an enforced, repeatable engineering practice.
Typically answer accuracy against expected outputs, grounding quality (are claims backed by retrieved evidence), intent-classification correctness, and safety checks — each scored over a curated dataset that reflects real production traffic.
When do evaluation gates run?
Before a configuration change is released: editing a prompt, swapping a model, tuning retrieval, or updating a pack triggers the evaluation suite, and the change only promotes if scores clear the configured thresholds.
Een goedkeuringsworkflow is een governede reeks controlepunten die een voorgestelde actie moet passeren voordat die wordt uitgevoerd. Elke stap routeert de beslissing naar de juiste reviewer op basis van risico, rol of beleid, en legt vast wie wat heeft goedgekeurd zodat de uitkomst volledig verantwoordbaar is.
Vereisten kunnen worden toegepast per workflow, kanaal, risicoklasse, monetair drempelbedrag of actietype, zodat alleen stappen die echt toezicht nodig hebben pauzeren voor een reviewer.
Hoe blijft een goedkeuringsworkflow controleerbaar?
Elk verzoek, elke goedkeuring, bewerking en afwijzing wordt vastgelegd met actor en tijdstempel, waardoor een end-to-end spoor ontstaat dat bewijst wie elke governede actie heeft geautoriseerd.
A governed action is a system operation proposed by AI but executed only under explicit controls — scoped credentials, policy checks, and approval gates. Instead of letting a model act directly, the platform records the proposal, routes it for review when policy requires, and executes it with full attribution, so automation never outruns accountability.
Scoped connector credentials limit what the action can touch, policy rules decide whether it needs human approval, and execution is attributed and logged — so each action carries who proposed it, who approved it, and exactly what changed.
Do all governed actions require human approval?
No. Policies can auto-approve low-risk, well-grounded actions and reserve human review for sensitive ones — by action type, monetary threshold, or risk class — so oversight concentrates where it matters.
Grounding is de praktijk waarbij de output van een AI-model wordt beperkt tot verifieerbaar bronbewijs in plaats van zijn parametrische geheugen. Een grounded antwoord wordt ondersteund door opgehaalde passages die kunnen worden geciteerd en gecontroleerd, wat de belangrijkste verdediging is tegen verzonnen of zelfverzekerd verkeerde antwoorden.
Retrieval levert het model alleen relevante bronpassages, de prompt instrueert het om vanuit dat bewijs te antwoorden, en een verificatiestap wijst claims zonder ondersteunende citatie af.
Wat gebeurt er als er geen grounding-bewijs is?
Een goed ontworpen grounded systeem weigert te antwoorden of escaleert naar een persoon in plaats van een reactie te verzinnen, en maakt een expliciet hiaat zichtbaar in plaats van een zelfverzekerde gok.
Een hallucinatie is een zelfverzekerde maar niet-ondersteunde of verzonnen output van een taalmodel, een claim die aannemelijk klinkt maar geen basis heeft in het geleverde bewijs of de werkelijkheid. Hallucinaties zijn het centrale risico bij het automatiseren van kenniswerk, en grounding met geciteerd bewijs is de belangrijkste mitigatie.
Modellen voorspellen waarschijnlijke tekst, geen geverifieerde feiten. Zonder opgehaald bewijs dat ze begrenst, vullen ze gaten met statistisch aannemelijke maar ongeverifieerde uitspraken.
Hoe verminder je hallucinatie?
Onderbouw antwoorden met opgehaalde bronnen, vereis citaties, verifieer claims tegen bewijs, en routeer lage-vertrouwen of niet-ondersteunde gevallen naar een persoon in plaats van een gok terug te geven.
Human-in-the-loop is een ontwerppatroon waarbij mensen voorstellen van een AI-systeem beoordelen, goedkeuren of corrigeren voordat ze effect krijgen. Het houdt menselijk oordeel op het kritieke pad voor beslissingen met hoog risico of laag vertrouwen, terwijl automatisering het routinevolume afhandelt.
Synoniemen: HITL, mens in de lus, menselijk toezicht, menselijke review
Wanneer moet een stap human-in-the-loop zijn?
Wanneer een beslissing hoog risico, onomkeerbaar, laag vertrouwen of beleidsgebonden is. Routineuze, goed onderbouwde stappen met laag risico kunnen automatisch lopen terwijl de mens uitzonderingen beoordeelt.
Waarin verschilt dit van volledige automatisering?
Volledige automatisering handelt zonder review. Human-in-the-loop voegt een expliciet controlepunt toe waar een persoon het voorstel kan goedkeuren, bewerken of afwijzen, waardoor verantwoordbaarheid voor gevoelige uitkomsten behouden blijft.
Hybride retrieval combineert semantische vector search met lexicale keyword search om relevante passages op te halen. Vector search vangt betekenis en parafrase, keyword search vangt exacte termen en identifiers, en een fusion-stap voegt beide resultatensets samen zodat noch precieze tokens noch conceptuele matches worden gemist.
Waarom vector search en keyword search combineren?
Vector search kan zeldzame exacte termen zoals SKU's of foutcodes missen, terwijl keyword search parafrases mist. Fusion herwint de sterke kanten van beide en verhoogt recall op echte queries.
Hoe worden de twee resultatensets gecombineerd?
Een fusionmethode zoals reciprocal rank fusion of een gewogen scoreblend herordent de samengevoegde kandidaten, vaak gevolgd door een cross-encoder-reranker voor uiteindelijke precisie.
Intakeautomatisering is het proces waarbij ongestructureerde binnenkomende verzoeken zonder handmatige data-invoer worden omgezet in gestructureerde, machineleesbare records. Het classificeert het verzoek, extraheert de velden die ertoe doen en routeert het resultaat naar een workflow, zodat werk consistent kan worden beantwoord of uitgevoerd.
Welke soorten intake kunnen worden geautomatiseerd?
E-mail, chatberichten, webformulieren, geüploade documenten en gesynchroniseerde records uit gekoppelde systemen kunnen allemaal worden genormaliseerd naar dezelfde gestructureerde vorm voor downstreamafhandeling.
Vervangt intakeautomatisering mensen?
Nee. Het haalt de last van handmatige data-invoer en triage weg, zodat mensen zich richten op oordeelsintensieve uitzonderingen, goedkeuringen en beslissingen met hoog risico die beleid naar hen routeert.
Intentclassificatie is de stap die bepaalt waar een binnenkomend verzoek werkelijk om vraagt, door ongestructureerde tekst te koppelen aan een gedefinieerde categorie werk. Nauwkeurige classificatie routeert elk WorkItem naar de juiste workflow, bewijsbronnen en beleid, en vormt daarmee de basis van betrouwbare automatisering.
Zij bepaalt het hele downstreampad. Een verkeerd geclassificeerd verzoek haalt het verkeerde bewijs op en past het verkeerde beleid toe, dus classificatienauwkeurigheid begrenst de kwaliteit van alles wat volgt.
Hoe wordt classificatienauwkeurigheid gemeten?
Met evaluatiegates op een gelabelde set, waarbij precision en recall per intent worden gevolgd en verwarring tussen vergelijkbare categorieën wordt bewaakt voordat een workflow live gaat.
Het Model Context Protocol is een open standaard waarmee AI-assistenten via een uniforme interface verbinding maken met externe tools en databronnen. Een MCP-server stelt getypeerde tools en resources beschikbaar die een modelclient kan ontdekken en aanroepen, zodat mogelijkheden kunnen worden toegevoegd zonder maatwerkcode per integratie.
Synoniemen: MCP, model context protocol, MCP-server, toolprotocol
Wat stelt een MCP-server beschikbaar?
Getypeerde tools die het model kan aanroepen en resources die het kan lezen, elk beschreven met een schema en annotaties zodat een client mogelijkheden veilig kan ontdekken en gebruiken.
Waarom is MCP belangrijk voor governede automatisering?
Het geeft externe assistenten een standaard, schemabeschreven manier om op een platform te handelen, zodat toolcalls kunnen worden gevalideerd, aan een tenant worden gescoped en door hetzelfde goedkeuringsbeleid lopen als elke andere actie.
Het proces waarbij content wordt omgezet in vector embeddings en met metadata wordt opgeslagen in MongoDB Atlas Search-vectorindexen voor efficiënte similarity search.
Waarom MongoDB Atlas Search gebruiken voor kennisretrieval?
MongoDB Atlas Search biedt snelle vector similarity search met de mogelijkheid om vector- en traditionele queries te combineren, geïntegreerde metadatafilters en naadloze schaalbaarheid binnen je bestaande MongoDB-infrastructuur.
Welke metadata is belangrijk?
Sla tenant-ID, taal, URL, contenthash, bijgewerkt-tijdstempel en modelversie op om filtering, versheidscontroles en gecontroleerde herindexering mogelijk te maken.
A policy overlay is the layer of governance rules a platform applies on top of AI work — deciding what an agent may answer or do, when human approval is required, and which guardrails bind each action. Policies are versioned and evaluated at runtime against each WorkItem, so the same request is handled consistently and every decision traces back to the policy version that produced it.
It controls what an AI agent is allowed to answer or execute: which actions are auto-approved, which require human approval, what grounding or evidence is required, and which connectors and data a WorkItem may touch — all evaluated per request rather than hardcoded.
Why version policies instead of hardcoding rules?
Versioned policies make governance auditable and reversible. Each decision records the policy version that produced it, so you can see why an action was allowed or held, roll a change back, and prove consistent handling during a review.
Questionnaire automation is the use of AI to draft answers to recurring questionnaires — security questionnaires, SIG and CAIQ workbooks, RFP sections, and due-diligence forms — from an organization's own approved sources. Done accountably, each questionnaire becomes a tracked work item whose answers are grounded in cited evidence, routed for approval, and exported with an audit trail.
Synoniemen: security questionnaire automation, RFP response automation, AI questionnaire response
How is questionnaire automation different from a chatbot writing answers?
A chatbot generates plausible text and forgets it. Accountable questionnaire automation turns each questionnaire into a structured work item, draws answers from your approved sources with citations, routes sensitive answers for approval, and records who answered what and on what basis — so the output is defensible, not just fluent.
How does questionnaire automation stay accurate?
Answers are grounded in retrieval over sources you approve and cite the evidence behind each one. When the evidence does not support an answer, a well-designed system flags it for a human instead of guessing, and sensitive answers wait for a named owner before they are sent.
Retrieval-augmented generation is een techniek die de output van een taalmodel grondt in opgehaalde brondocumenten in plaats van uitsluitend te vertrouwen op zijn parametrische geheugen. Het systeem haalt relevante passages uit een kennisbank, geeft die als context mee en vraagt het model alleen met dat bewijs te antwoorden.
RAG houdt kennis in een externe store die je direct kunt bijwerken, zodat antwoorden actueel blijven en elke claim naar een bron kan worden herleid. Fine-tuning bakt kennis in gewichten, wat trager te verversen en moeilijker toe te schrijven is.
Wat bevat een RAG-pipeline?
Meestal ingestie en chunking, embedding, een index voor vector- of hybride search, een retriever en een generatiestap die het model conditioneert op de opgehaalde passages en geciteerd bewijs teruggeeft.
A security questionnaire is a structured set of questions one organization sends another — usually a customer to a vendor — to assess how it protects data and systems. Common formats include the SIG, CAIQ, RFP security sections, and custom spreadsheets, and answers must be consistent, evidence-backed, and reviewed before they are returned.
Common formats include standardized frameworks like the SIG (Standardized Information Gathering) and CAIQ (Consensus Assessments Initiative Questionnaire), the security section of an RFP, and custom spreadsheets a customer sends. The underlying questions overlap heavily, which is why past answers are the main source for new ones.
How do teams answer security questionnaires efficiently?
The fastest, safest approach reuses approved prior answers and source documents — previous questionnaires, security policies, SOC 2 reports, DPAs — retrieved and cited per answer, with sensitive answers routed to a named owner for approval before the completed workbook is returned.
The SIG (Standardized Information Gathering) questionnaire is a standardized third-party risk assessment maintained by Shared Assessments. It provides a common library of questions across security, privacy, and resilience domains, and ships in scoped variants (such as SIG Core and SIG Lite) so assessors can right-size the depth of a vendor review.
Synoniemen: SIG questionnaire, Standardized Information Gathering questionnaire, Shared Assessments SIG
What is the difference between SIG Core and SIG Lite?
SIG Lite is a shorter, higher-level set for lower-risk vendors or a first pass; SIG Core is the deeper, more comprehensive set for higher-risk or in-depth reviews. Both draw from the same Shared Assessments question library, so answers map across variants.
Who maintains the SIG?
The SIG is maintained by Shared Assessments, an industry member organization, and is updated periodically to track regulations and control frameworks. It is widely used so vendors can reuse consistent answers across many customers.
SSO centraliseert het aanmelden en laat de IdP beleid zoals MFA en voorwaardelijke toegang afdwingen. Toegang tot Threada vereist nog steeds een bestaande, door een beheerder beheerde gebruiker en tenantrol.
Waarom is SSO belangrijk voor shell-and-pack-platforms?
SSO centraliseert het aanmelden en laat de IdP beleid zoals MFA en voorwaardelijke toegang afdwingen. Toegang tot Threada vereist nog steeds een bestaande, door een beheerder beheerde gebruiker en tenantrol.
Een SLA-schending treedt op wanneer werk een verplichting uit een service-level agreement mist, zoals een reactie- of oplossingsdeadline. Het automatisch detecteren en escaleren van schendingen houdt verantwoordbaarheid zichtbaar en zorgt dat risicovol werk de juiste mensen bereikt voordat toezeggingen worden gemist.
Hoe worden SLA-schendingen automatisch gedetecteerd?
Elk WorkItem draagt zijn verplichtingstimers, en het systeem bewaakt verstreken tijd tegen drempels, verhoogt escalaties wanneer een deadline nadert en registreert de schending als die wordt gemist.
Wat gebeurt er wanneer een schending dreigt?
Beleid kan het WorkItem escaleren, eigenaren informeren of de wachtrij opnieuw prioriteren, zodat aandacht verschuift naar risicovol werk voordat de verplichting daadwerkelijk wordt gemist.
Tenantisolatie is de garantie dat de data en configuratie van elke klant in een multi-tenant systeem logisch gescheiden blijven en ontoegankelijk zijn voor andere tenants. Dit wordt op elke laag afgedwongen, opslag, retrieval en toegangscontrole, zodat de ene organisatie nooit het werk van een andere kan zien of beïnvloeden.
Hoe wordt tenantisolatie tijdens retrieval afgedwongen?
Elke query wordt gescoped naar de verzoekende tenant, en opgeslagen content draagt een tenantidentifier zodat vector- en keyword search alleen het eigen bewijs van die tenant kunnen teruggeven.
Gaat isolatie alleen over data?
Nee. Het omvat ook configuratie, beleid, embeddings en auditlogs, zodat geen enkel aspect van het werk van de ene tenant naar een andere lekt, zelfs niet op gedeelde infrastructuur.
Vector search vindt content op betekenis in plaats van exacte woorden. Tekst wordt omgezet in hoog-dimensionale embeddings, en een similarity metric zoals cosinusafstand rangschikt opgeslagen vectoren op hoe dicht ze bij de queryvector liggen, waardoor conceptueel verwante passages terugkomen zelfs wanneer geen trefwoorden overeenkomen.
Een embedding is een numerieke vector die de betekenis van een stuk tekst weergeeft, geproduceerd door een embeddingmodel. Teksten met vergelijkbare betekenis komen dicht bij elkaar in de vectorruimte terecht.
Wat is approximate nearest neighbor (ANN) search?
ANN search ruilt een kleine hoeveelheid nauwkeurigheid voor grote snelheidswinst, met indexstructuren waardoor similarity lookups snel blijven terwijl het aantal opgeslagen vectoren naar miljoenen groeit.
A vendor security review is the process by which an organization evaluates the security and compliance posture of a third-party supplier before onboarding and periodically afterward. It typically combines a security questionnaire, evidence collection (SOC 2, ISO, pen-test summaries), and a documented risk decision with an owner and an audit trail.
What is the difference between a vendor security review and a security questionnaire?
The questionnaire is one input; the review is the whole process. A vendor security review gathers questionnaire responses plus supporting evidence, assesses residual risk, records a decision and its owner, and schedules re-review — so the questionnaire is the data, the review is the governed workflow around it.
How often should vendor security reviews happen?
Most programs review a vendor at onboarding and then on a risk-based cadence — annually for higher-risk vendors, or when scope, data access, or the vendor's controls change. Keeping each review as an auditable record makes the next cycle a re-check rather than a restart.
Een verticale pack is een verpakte configuratie die het platform afstemt op een specifiek werkdomein, met intents, extractievelden, bewijsbronnen, beleid en acties. Packs laten een team een gerichte workflow lanceren, zoals IT-toegang of vendor security, zonder de onderliggende engine opnieuw te bouwen.
De intents die hij herkent, de velden die hij extraheert, het bewijs waarop antwoorden worden gegrond, de goedkeuringspolicies die hij afdwingt en de governede acties die hij voor dat werkdomein kan voorstellen.
Kunnen packs worden aangepast?
Ja. Een pack is een startconfiguratie die teams in Studio aanpassen, met intents, prompts, bewijsbronnen en beleid, zodat die past bij hun echte processen.
Een werkpakket is de bundel context die rond een WorkItem wordt samengesteld zodat erover kan worden geredeneerd en erop kan worden gehandeld: het oorspronkelijke verzoek, geëxtraheerde velden, opgehaald bewijs, toepasselijk beleid en eventuele voorgestelde acties. Het is de volledige, zelfstandige briefing voor één stuk werk.
Een WorkItem is het gevolgde record van het verzoek zelf. Een werkpakket is de samengestelde context, bewijs, beleid en voorstellen, die rond dat record wordt verzameld om een antwoord of actie te sturen.
Waarom context bundelen in een pakket?
Een zelfstandig pakket laat een model of reviewer een beslissing nemen zonder door systemen te zoeken, en bewaart exact welk bewijs beschikbaar was op het beslismoment voor het auditspoor.
Een WorkItem is de werkeenheid in Threada: één binnenkomend verzoek, uit e-mail, chat, document of formulier, genormaliseerd naar een gestructureerd en traceerbaar record. Elk WorkItem bevat zijn intent, geëxtraheerde velden, bewijs en een volledige geschiedenis van elke beslissing en actie erop.
Synoniemen: work item, taakrecord, gevolgd verzoek, werkeenheid
Waarin verschilt een WorkItem van een supportticket?
Een ticket volgt meestal een gesprek. Een WorkItem volgt het werk zelf: geclassificeerde intent, geëxtraheerde velden, het bewijs dat elk antwoord onderbouwt en de genomen governede acties, allemaal end-to-end controleerbaar.
Door welke levenscyclus beweegt een WorkItem?
Intake normaliseert het verzoek, intentclassificatie routeert het, evidence retrieval onderbouwt een voorgesteld antwoord, en elke actie loopt door goedkeuringsbeleid voordat het WorkItem wordt opgelost en vastgelegd.