We gebruiken analytics om de ervaring te verbeteren. Je kunt je keuze op elk moment aanpassen.
Woordenlijst
Definities van de termen die ertoe doen bij het bouwen van verantwoordelijke AI-werkautomatiseringssystemen.
Actievoorstel
platform
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
security
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.
Agent2Agent-protocol (A2A)
ai
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.
Answer Engine Optimization (AEO)
marketing
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.
Bewijscitatie
ai
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.
Chunking
ai
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.
Embedding
ai
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.
Goedkeuringsworkflow
governance
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.
Grounding
ai
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.
Hallucinatie
ai
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
governance
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
ai
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
platform
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
ai
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.
Model Context Protocol (MCP)
ai
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.
MongoDB Vector Search
infrastructure
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.
Retrieval-Augmented Generation (RAG)
ai
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.
Single Sign-On (SSO)
security
Een authenticatiemethode waarmee gebruikers via identiteitsfederatieprotocollen zoals SAML of OpenID Connect met één set inloggegevens toegang krijgen tot meerdere applicaties.
Waarom is SSO belangrijk voor shell-and-pack-platforms?
Het centraliseert identiteit, dwingt enterprise-beveiligingsbeleid af zoals MFA en conditional access, en versnelt gebruikersprovisioning over shells, packs en governede werkruimten.
SAML versus OIDC?
SAML is XML-gebaseerd en gebruikelijk in oudere enterprise-stacks; OIDC, gebouwd op OAuth2, is lichter en moderner. Ondersteuning voor beide maximaliseert compatibiliteit met klant-IdP's.
SLA-schending
operations
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
security
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
ai
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.
Verticale pack
platform
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.
Werkpakket
platform
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.
WorkItem
platform
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.