Een klein ongeluk zorgt in Londen al snel voor een grote verkeerschaos. De taak om die chaos zoveel mogelijk te beperken ligt bij Transport for London (TfL). Deze overheidsdienst monitort 24/7 alle camerasystemen rond de 65.000 wegen in de Britse metropool. Plus tientallen andere systemen die samen dagelijks terabytes aan relevante verkeersdata produceren.
,,Tot voor kort was het onmogelijk om al die data realtime samen te brengen", vertelt Chief Transport Analyst Andy Emmonds van TfL. ,,Laat staan om daar een actueel beeld van de Londense verkeerssituatie mee te produceren. Tot wij al die verschillende datastromen samenbrachten met de knowledge graph van Neo4j. Wij gaan hiermee onze reactietijd van gemiddeld 15 tot slechts een of twee minuten terugbrengen. Zo besparen we Londen straks honderden miljoenen ponden per jaar."
LEES OOK Waarom Amerika zich rot schrikt van DeepSeek, het spotgoedkope AI-model uit China
Het in Silicon Valley gevestigde Neo4j is een van de voorlopers in de razendsnel groeiende markt voor knowledge graphs. Door informatie te organiseren op basis van onderlinge relaties, maakt deze nieuwe soort databases het maken van datagedreven beslissingen veel makkelijker. Niet voor niets haalde Neo4j al een half miljard risicokapitaal op. Naast Transport for London draaien de knowledge graph databases van de startup onder meer oom al bij zeven van de tien grootste Amerikaanse retailers.
'Zie knowledge graph als digitale 3D-ruimte vol connecties'
,,Stel je een knowledge graph voor als een digitale 3D-ruimte", suggereert Weaviate-founder Bob van Luijt. ,,Daarin kun je elk begrip naast soortgelijke begrippen plaatsen. Onderlinge connecties bieden daarbij nog veel meer relevante informatie. Stel bijvoorbeeld voor dat je een AI-model wil 'uitleggen' waar een film over gaat. In een knowledge graph 'ziet' het model als het ware in één oogopslag alle onderlinge relaties en storylines."
Zie ook kader onderaan: Zo werken Knowledge graphs.
Knowledge graphs bieden bedrijven zo talrijke mogelijkheden om GenerativeAI in te zetten voor specifieke use cases op basis van eigen data. Daar ontstaat de echte meerwaarde en wordt dus ook steeds vaker het echte geld verdiend. De Large Language Models (LLM) zelf veranderen steeds meer in een commodity. Dat werd recent nog eens onderstreept door de wijze waarop het Chinese AI-model DeepSeek schijnbaar 'uit het niets' de prestaties van Amerikaanse AI-grootmachten overtroefde.
Knowledge graph: van 1980 (!) naar 2010 en het nu
Het begrip knowledge graph viel voor het eerst in de jaren '80. Het werd pas populair nadat Google in 2010 Metaweb Technologies overnam. Deze in San Francisco gevestigde startup bouwt op dat moment al enkele jaren aan Freebase, een 'open database die alle kennis van de wereld verzamelt'.
Vijf jaar voor de aankoop vertelt founder Sergey Brin al aan Newsweek dat het Google's ultieme doel is om 'het brein van de gebruiker te verrijken met alle kennis van de wereld'. ,,Op dit moment type je nog een zoekvraag in op je computer", aldus de visionaire Stanford-alumnus. ,,Straks stel je die vraag aan een apparaat dat zich bewust is van wat er om je heen gebeurt. Onze knowledge graph gaat zorgen voor die contextual awareness."
BEKIJK OOK 'AI AT WORK' - Hoe en waarom werken Nederlandse bedrijven met AI? Expert Job van den Berg bezoekt in deze videoserie de werkvloer, de snel en sterk veránderende werkvloer.
De snelle opkomst van Large Language Models brengt de vraag naar knowledge graphs nu in een stroomversnelling. Deze vorm van kunstmatige intelligente verwerkt data met behulp van zogenaamde 'neurale netwerken'. Die imiteren de werking van de menselijke hersenen. Dat treft: de wijze waarop knowledge graphs informatie indeelt op basis van onderlinge relaties, lijkt namelijk ook veel op de wijze waarop onze hersenen informatie ordenen.
Sam Altman: 'Killer app van GenAI'
Knowledge graphs geven AI-modellen zo een zeer gedetailleerd beeld van de actuele context achter een gebruikersvraag. Dat maakt bijvoorbeeld de effectieve inzet van AI Agents mogelijk. Die vormen kortgezegd een doelgerichte 'gebruikslaag' bovenop een LLM-model. Dankzij hun eigen 'geheugen', en een set instructies, kan een AI Agent geheel zelfstandig naar het einddoel toewerken. Niet voor niets noemen mensen als OpenAI-kopstuk Sam Altman deze agents daarom al de killer app van GenAI.
Wij geloven dat de toekomst van onze knowledge graph ligt in de integratie met een nieuwe generatie AI-agents
Mike Tung Diffbot
De afgelopen maanden regende het in de zakelijke media opmerkelijke use cases. Zie bijvoorbeeld de AI-augmented product development agent. Die leert van de beslissingen van project developers, om zo sneller nieuwe producten met hoge slagingskans te kunnen produceren. Of de digitale verpleger die patiënten opbelt om ze voor te bereiden op een naderende operatie. Hij beantwoordt alle mogelijke vragen, maar kan bijvoorbeeld zelfstandig een nieuwe afspraak maken.
1 biljoen gerelateerde stukjes informatie
,,Wij geloven daarom dat de toekomst van onze knowledge graph ligt in de integratie met een nieuwe generatie AI-agents", vertelt Diffbot-founder Mike Tung. Deze Silicon Valley-startup bracht in een paar jaar tijd een van de meest geavanceerde knowledge graphs ter wereld samen: meer dan 10 miljard begrippen of 'entiteiten', met ruim 1 biljoen gerelateerde stukjes informatie. De krachtige web crawlers van Diffbot vernieuwen deze informatie om de paar dagen.
Google FreshQA: Diffbot presteert beter dan ChatGPT en Gemini
Vorige week lanceerde Diffbot ook een eigen AI-model dat deze ultieme knowledge graph realtime doorzoekbaar maakt. De release komt op een moment dat er veel te doen is over de toenemende schaarsheid van data om LLM-modellen te trainen. Als deze trainingsdata tekort schiet hebben AI-modellen de neiging om te gaan 'hallucineren'. Volgens de door Google ontwikkelde FreshQA benchmark, die de kwaliteit van realtime geproduceerde informatie beoordeelt, presteert Diffbot beter dan ChatGPT en Gemini.
,,Stel je voor dat je jouw AI-agent vraagt naar de weersvoorspelling", vertelt founder Tung. ,,Dan wil je een snelle check van actuele informatie, geen verouderde trainingsdata. Zo zijn er heel veel andere use cases waarin je door LLM's geproduceerde informatie beter maakt door die te grounden met realtime data. De toekomst ligt daarom volgens mij niet in steeds grotere AI-modellen, maar in het efficiënter organiseren en activeren van informatie."
Dankzij realtime toegang tot een grote hoeveelheid relevante informatie kunnen AI-Agents steeds complexere taken aan. ,,Alleen de beschikbaarheid van die informatie is echter niet voldoende", vertelt Gianni Cooreman, Chief Inspiration Officer van Salesforce. ,,Een nieuwe generatie AI-systemen gaat daarom ook beoordelen welke informatie in welke context het meest relevant is. En dus ook welke strategie in welke situatie de grootste kans op succes biedt."
World models als digitaal spiegelbeeld van de fysieke realiteit
Met andere woorden: de nieuwe generatie AI-systemen moet ook de fysieke context en consequenties van zijn acties leren begrijpen. Om dat mogelijk te maken werken AI-grootmachten als OpenAI, Google, Meta en NVIDIA allemaal aan zogenaamde world models. Deze door knowledge graphs ondersteunde modellen brengen zoveel data samen dat er een soort digitaal spiegelbeeld van onze dagelijkse fysieke realiteit ontstaat. En: zo ontstaat een groot aantal concrete use cases waarmee deze partijen hun door deepSeek gekelderde beurswaarde weer op kunnen vijzelen.
Tijdens techbeurs CES 2025 lanceerde NVIDIA bijvoorbeeld COSMOS, een world model dat robots gaat helpen bij het maken van complexe beslissingen in de fysieke wereld. Naast tekst, geluid en beeld verwerkt COSMOS bijvoorbeeld ook data uit de ontelbare sensoren die tegenwoordig in onze horloges, telefoons, auto's, machines, gebouwen en wegen zijn verwerkt. In zijn begeleidende keynote ging CEO Jensen Huang uitgebreid in op deze 'multi-trillion dollar opportunity'.
,,Dankzij COSMOS weten robots straks bijvoorbeeld precies hoe mensen bewegen, of hoe objecten precies reageren op de zwaartekracht", aldus Huang. ,,Met behulp van die informatie kunnen ze realtime miljoenen scenario's doorrekenen om de best mogelijke beslissing te maken. Dat opent de deur naar robots die geheel zelfstandig complexe taken kunnen uitvoeren."
World Labs: beurswaarde meer dan een miljard dollar
Huang volgt in de voetsporen van computerwetenschapper Fei-Fei Li. De Chinees-Amerikaanse 'Godmother of AI' lanceerde april vorig jaar World Labs, een startup die zich specialiseert in het ontwikkelen van world models. ,,De toekomst van AI ligt niet in passieve taalmodellen", motiveerde Li tijdens de bekendmaking, "maar in systemen die actief kunnen interacteren met en invloed kunnen uitoefenen op hun omgeving." Vooraanstaande risicokapitaalverstekkers delen die visie: direct na de eerste investeringsronde oversteeg de beurswaarde van World Labs al de miljard dollar.
Spatial intelligence-technologie: computers begrijpend leren zien
Li werkte de afgelopen twintig jaar aan 'spatial intelligence'-technologie, waarmee computers begrijpend leren zien. Nadat ze in 2018 afscheid nam als Googles chief AI-scientist, werd ze directeur van Stanfords Human-Centered AI Institute (HAI). Daar doet ze onderzoek naar de evolutionaire voorwaarden van intelligentie: wat is er nodig om een AI-model effectief met onze dagelijkse realiteit te laten interacteren?
,,Menselijke intelligentie is mogelijk doordat onze hersenen een soort constructie maken van de wereld waarin we leven", vertelt Li. ,,Een world model maakt het bijvoorbeeld mogelijk om je persoonlijke situatie in te schatten en de gevolgen van acties te interpreteren. En het helpt je om vaardigheden die je in de een situatie hebt opgedaan toe te passen in andere situaties. Om verder te kunnen evolueren heeft AI ook zo'n model nodig, én de mogelijkheid om écht de interactie aan te gaan met onze dagelijkse realiteit."
De komst van Artificial General Intelligence (AGI)
Li is ervan overtuigd dat het gat tussen kunstmatige en menselijke intelligentie op deze manier aanzienlijk kan worden verkleind. Dat zou een belangrijke stap zijn in de richting van artificial general intelligence (AGI). Deze vorm van kunstmatige intelligentie is in staat om alle voorkomende menselijke intellectuele taken te begrijpen en uit te voeren op een manier die het beste bij de unieke context past.
Tijdens de Technologie-sessies tijdens het World Economic Forum, afgelopen week in Davos, was de volgende evolutiefase van AI een belangrijk thema. ,,De échte AI-revolutie moet nog beginnen", vertelde Yann LeCun de samengestroomde tech-experts. ,,Over vijf jaar heeft niemand het nog over Large Language Models en Generative AI. Deze technologie heeft simpelweg nog te veel beperkingen."
Als vier belangrijkste beperkingen noemde Meta's Chief AI Scientist een gebrek aan begrip van de fysieke wereld, een gebrek aan blijvend geheugen, een gebrek aan redenerend vermogen en een gebrek aan complexe planningsvaardigheden. ,,Komende vijf jaar volgt er daarom een grote paradigmaverschuiving in de architectuur die kunstmatige intelligentie mogelijk maakt."
Als resultaat verwacht hij een nieuwe generatie AI-toepassingen die 'de wereld begrijpen, intuïtie en gezond verstand hebben, en daardoor dingen kunnen redeneren en plannen op hetzelfde niveau als mensen'. ,,Het is nog niet duidelijk hoe artificial general intelligence er straks precies uit gaat zien, of hoe we het gaan gebruiken", aldus LeCun. ,,Het is echter niet moeilijk de voorspellen dat de impact van deze ontwikkeling revolutionair zal zijn."
ZO WERKT EEN KNOWLEDGE GRAPH
Een knowledge graph is een digitale 3D-grafiek die informatie organiseert. De software die de grafiek samenstelt gebruikt machine learning om begrippen zoals mensen, plaatsen of ideeën als punten (nodes) op de meest logische plek in de grafiek te plaatsen. Naast een informatieprofiel van elk begrip legt de software ook relaties met andere begrippen. De informatie in een gelegde relaties vertelt wat de gerelateerde begrippen met elkaar te maken hebben.
Deze relaties helpen dus ook om elk afzonderlijk begrip beter te begrijpen, en om snel meer informatie te geven over de relevantie van de informatie in een bepaalde context. In de gezondheidszorg kan bijvoorbeeld een kennisgrafiek die ziektes, symptomen en behandelingen met elkaar verbindt, modellen helpen om diagnoses met grotere precisie te voorspellen door gebruik te maken van deze onderling verbonden inzichten.
Bekijk hieronder de uitlegvideo over de knowledge graphs van Neo4j.
Meer BusinessWise? Onze Weekly!
In onze wekelijkse nieuwsbrief vind je het beste van BusinessWise die week. Abonneer je nu gratis en blijf altijd op de hoogte.
