Van Vector Databases naar Knowledge Graphs: wat Betekent dit voor de toekomst van AI?
In 2024 was de techwereld in de ban van vector databases. Maar terwijl vector databases de basis legden, kondigt 2025 een nóg revolutionairdere technologie aan: Knowledge Graphs.
In 2024 was de techwereld in de ban van vector databases. Deze technologie maakte het mogelijk om ongestructureerde data, zoals Word-documenten en PDF's, op een gestructureerde manier op te slaan en te analyseren. Maar terwijl vector databases de basis legden, kondigt 2025 een nóg revolutionairdere technologie aan: Knowledge Graphs. Deze nieuwe stap in AI belooft organisaties te helpen hun data slimmer, begrijpelijker en effectiever in te zetten. Maar wat zijn Knowledge Graphs, en waarom zijn ze zo belangrijk?
Wat zijn Vector Databases?
Om het belang van Knowledge Graphs te begrijpen, moeten we eerst kort stilstaan bij vector databases. Vector databases zijn databases die data vertalen naar numerieke representaties, oftewel vectoren. Dit maakt het mogelijk om complexe en ongestructureerde data, zoals tekst en afbeeldingen, op een efficiënte manier te doorzoeken en te analyseren. Hierdoor werden vector databases al snel onmisbaar in toepassingen zoals zoekmachines en chatbots.
Maar hoewel vector databases goed zijn in het ophalen van data, vertellen ze ons niets over de betekenis en relaties binnen die data. Hier komt de kracht van Knowledge Graphs om de hoek kijken.
Wat zijn Knowledge Graphs?
Een Knowledge Graph gaat verder dan het opslaan van data. Het is een manier om kennis en context vast te leggen door relaties tussen concepten expliciet te definiëren. Het is als een soort "mindmap" voor AI, waarbij begrippen worden vastgelegd, én hoe die begrippen met elkaar samenhangen.
Stel dat je een Knowledge Graph maakt voor contractanalyse. Begrippen zoals "SLA", "boeteclausule" en "betalingstermijn" worden vastgelegd, maar ook hun onderlinge relaties. Bijvoorbeeld:
- Een "boeteclausule" is afhankelijk van een "betalingstermijn".
- Een "SLA" bevat afspraken over "servicelevels".
Deze relaties helpen een taalmodel te begrijpen hoe contracten logisch in elkaar steken. Het model kan hierdoor teksten analyseren én de context en betekenis correct interpreteren.
Knowledge Graphs in de Praktijk
De kracht van Knowledge Graphs wordt pas echt duidelijk als je kijkt naar de toepassingen:
Met een Knowledge Graph kun je AI leren welke termen en relaties belangrijk zijn in contracten. Denk aan boeteclausules, betalingstermijnen en SLA's. Dit maakt het mogelijk om risico’s en kansen automatisch te identificeren.
Bedrijven kunnen Knowledge Graphs gebruiken om processen zoals supply chain management of klantenservice te optimaliseren. Door expliciete relaties vast te leggen, kan AI effectiever en accurater werken.
Stel je voor dat een organisatie een nieuwe werknemer snel wil inwerken. Een Knowledge Graph kan worden ingezet om de werknemer “een snelle opleiding” te geven over hoe specifieke processen en relaties binnen het bedrijf werken.
Waarom Zijn Knowledge Graphs Zo Belangrijk?
Generatieve AI wordt steeds beter, maar vaak ontbreekt het nog aan begrip van de context en logica binnen specifieke domeinen. Knowledge Graphs bieden hier een oplossing door AI een "opleiding" te geven over hoe de wereld werkt binnen een bepaald proces.
Wil je AI leren over "levende dingen"? Dan kun je een Knowledge Graph opbouwen met:
- Levende dingen > Planten, dieren, mensen.
- Dieren > Wilde dieren, huisdieren.
- Wilde dieren > Leeuwen, tijgers.
De AI begrijpt hierdoor naast de woorden ook de hiërarchie en relaties ertussen. Dit maakt het mogelijk om binnen een specifieke context veel betere resultaten te behalen.
In 2025 zullen Knowledge Graphs een grote rol spelen in de adoptie en effectiviteit van generatieve AI en AI-agents. Ze bieden de basis om AI te laten begrijpen hoe de wereld, of een specifiek proces, in elkaar zit. Dit zal leiden tot toepassingen die slim zijn, en bovendien contextueel en logisch accuraat.
- Beste AI-tools
- GEO: vindbaar in AI-zoekmachines
- AI-prompts schrijven
Job van den Berg is AI keynote spreker, tech-ondernemer en auteur van vijf boeken over AI. Hij zet wekelijks zelf agents in productie en geeft 150+ keynotes per jaar over AI-agents en agentic commerce.
Bij EditieNL sprak ik over de vraag of AI een bedreiging kan vormen voor de mens. Over Anthropic-onderzoeker Evan Hubinger, agentic AI, de black box en waarom we sneller bouwen dan we begrijpen.
Een simpele AI-video kost al zo'n 4 liter water en evenveel stroom als een 10 watt-ledlamp die 42 uur brandt. Hoe zit dat bij hele films en commercials, en waarom digitaal niet automatisch duurzaam is.
AI wordt steeds beter, maar het sentiment over AI op de werkvloer verslechtert. Onderzoek laat zien waarom adoptie minstens zo sterk een sociaal vraagstuk is als een technologisch: van het Mattheüseffect tot psychologische veiligheid.
Human in the loop lijkt een geruststelling. Toch waarschuwen wetenschappers dat langdurig gebruik van autonome AI-systemen de cognitieve capaciteiten van toezichthouders kan ondermijnen. De vraag is niet of er een mens in het proces zit, maar of die mens nog daadwerkelijk kan ingrijpen.