KNOWLEDGE HUB · GLOSSARY

Enterprise AI Glossary

30 termen, georganiseerd per categorie en alfabet. Bedoeld als referentie voor RvB-leden, IT-architecten, compliance-officers en alle anderen die enterprise AI moeten begrijpen.

Onze glossary definieert 30 enterprise AI-termen in het Nederlands — van Large Language Model en RAG tot EU AI Act, MLOps en Chief AI Officer. Elk lemma bevat een korte definitie (40–60 woorden), categorie, gerelateerde termen en concrete voorbeelden uit productie.

Agentic AI

Concept

Agentic AI omvat systemen waarin een groot taalmodel autonoom plannen maakt, tools gebruikt en meerdere stappen uitvoert om een doel te bereiken. Door function calling, geheugen en planning ontstaan AI-agenten die complexe enterprise-workflows kunnen automatiseren met menselijk toezicht.

AI Bill of Materials

(AI-BOM)

Compliance

Een AI Bill of Materials is een gestructureerd document dat alle componenten van een AI-systeem beschrijft: modellen, datasets, bibliotheken, leveranciers en versies. Net als een Software BOM is dit cruciaal voor compliance, security en risicobeheersing onder de EU AI Act en NIS2.

AI Risk Categorisatie

Compliance

AI Risk Categorisatie is het systematisch indelen van AI-toepassingen in risiconiveaus volgens de EU AI Act. Door per use case het risico voor fundamentele rechten en veiligheid te bepalen, weten enterprises welke compliance-eisen, controles en documentatie van toepassing zijn op hun AI-portfolio.

Algorithmic Auditing

Compliance

Algorithmic auditing is het systematisch onderzoeken van AI-systemen op bias, prestaties, robuustheid en compliance. Door zowel technische als procesmatige audits uit te voeren, krijgen enterprises zekerheid dat hun AI-toepassingen voldoen aan EU AI Act, GDPR en interne governance-vereisten.

Chain-of-Thought (CoT)

(CoT)

Methode

Chain-of-Thought is een prompttechniek waarin een groot taalmodel expliciet wordt aangezet om stap voor stap te redeneren voor het tot een antwoord komt. Door deze tussenstappen verbetert de nauwkeurigheid op complexe taken zoals wiskundige redenering, juridische analyse en compliance-vragen.

Chief AI Officer (CAIO)

(CAIO)

Rol

De Chief AI Officer is het bestuurslid dat de AI-strategie, governance en uitvoering binnen een organisatie aanstuurt. De CAIO verbindt technologie, business, compliance en ethiek, en zorgt dat investeringen in AI meetbare waarde leveren binnen kaders zoals de EU AI Act.

Context Window

Infrastructuur

Het context window is de maximale hoeveelheid tokens die een taalmodel tegelijkertijd kan verwerken in één aanroep. De grootte bepaalt hoeveel documenten, geschiedenis of instructies meegegeven kunnen worden, wat directe impact heeft op enterprise-toepassingen zoals RAG en lange documentanalyse.

Data Lineage

Compliance

Data lineage is het traceren van de oorsprong, bewerkingen en stromen van data door een organisatie heen. Voor AI-systemen is data lineage essentieel om te kunnen aantonen welke data is gebruikt voor training, fine-tuning of inference, een kernvereiste onder GDPR en de EU AI Act.

Embedding

Methode

Een embedding is een numerieke vectorrepresentatie van tekst, beelden of andere data, waarin semantische betekenis wordt vastgelegd. Embeddings vormen de basis van semantic search, RAG en clustering, en worden opgeslagen in vector databases zoals Pinecone of Weaviate voor enterprise-toepassingen.

EU AI Act

Compliance

De EU AI Act is de Europese verordening die kunstmatige intelligentie reguleert op basis van risiconiveaus. Hoog-risico AI-systemen moeten voldoen aan strenge eisen rond transparantie, datakwaliteit, menselijk toezicht en documentatie. Voor enterprises betekent dit verplichtingen rond governance en compliance.

Explainable AI (XAI)

(XAI)

Compliance

Explainable AI is het vakgebied dat zich richt op het inzichtelijk en begrijpelijk maken van beslissingen die door AI-systemen worden genomen. Voor enterprises is XAI cruciaal om vertrouwen te bouwen, compliance met de EU AI Act aan te tonen en gebruikers betekenisvolle uitleg te geven.

Few-shot Learning

Methode

Few-shot learning is een prompttechniek waarbij een taalmodel een paar voorbeelden van invoer en gewenste uitvoer krijgt voordat het een nieuwe taak uitvoert. Hierdoor leert het model de gewenste structuur, stijl of logica zonder dat hertraining nodig is, ideaal voor snelle enterprise-prototypes.

Fine-tuning

Methode

Fine-tuning is het verder trainen van een bestaand foundation model op domeinspecifieke data zodat het beter presteert op specifieke taken. Voor enterprises betekent dit dat algemene modellen zoals Llama 3 of Mistral Large worden afgestemd op interne terminologie, processen en richtlijnen.

Foundation Model

Model

Een Foundation Model is een groot AI-model dat op brede, diverse datasets is getraind en als basis dient voor talloze downstream-toepassingen. Modellen zoals GPT-4o, Claude 3.5 en Llama 3 vormen het fundament voor enterprise-applicaties via fine-tuning, RAG of prompt engineering.

Hallucination

Concept

Hallucinatie is het verschijnsel waarbij een groot taalmodel zelfverzekerd onjuiste of verzonnen informatie produceert. Het is een van de grootste uitdagingen in enterprise AI en wordt aangepakt met technieken zoals Retrieval-Augmented Generation, citatie-generatie en strikte evaluatieframeworks.

Inference

Infrastructuur

Inference is het uitvoeren van een getraind AI-model om voorspellingen of antwoorden te genereren op nieuwe input. Het is de productiefase van een model, waar latency, throughput en kosten cruciaal zijn voor enterprise-workloads op Azure OpenAI, AWS Bedrock of een private LLM stack.

Large Language Model (LLM)

(LLM)

Model

Een Large Language Model is een AI-systeem dat getraind is op enorme hoeveelheden tekst om menselijke taal te begrijpen en te genereren. Bekende voorbeelden zijn GPT-4o, Claude 3.5 en Llama 3, ingezet voor klantenservice, kennisbeheer en analyse binnen ondernemingen.

Mixture of Experts (MoE)

(MoE)

Model

Mixture of Experts is een modelarchitectuur waarin meerdere gespecialiseerde subnetwerken samenwerken, maar slechts een fractie wordt geactiveerd per query. Hierdoor combineren MoE-modellen de capaciteit van zeer grote modellen met de efficiëntie van veel kleinere, wat kosten en latency bespaart bij inference.

MLOps

Infrastructuur

MLOps is de discipline die DevOps-principes toepast op machine learning en AI-systemen. Het omvat versiebeheer van modellen en data, geautomatiseerde pipelines, monitoring en governance, zodat AI-toepassingen betrouwbaar in productie draaien binnen enterprise-omgevingen op Azure OpenAI of AWS Bedrock.

Model Distillation

Methode

Model distillation is een techniek waarbij de kennis van een groot, krachtig model wordt overgedragen naar een kleiner, efficiënter model. Het kleinere studentmodel leert de output van een leraar zoals GPT-4o of Claude 3.5 nabootsen, wat leidt tot lagere kosten en snellere inference.

Multi-modaliteit

Concept

Multi-modaliteit is de capaciteit van AI-modellen om meerdere soorten input te verwerken, zoals tekst, beeld, audio en video. Modellen zoals GPT-4o en Claude 3.5 verbinden deze modaliteiten in één architectuur, wat nieuwe enterprise-toepassingen mogelijk maakt in documentanalyse, support en design.

Pre-training

Methode

Pre-training is de eerste, kostbare fase waarin een foundation model leert door op enorme hoeveelheden ongelabelde tekst en data zelf-supervised patronen te voorspellen. Deze fase legt de algemene kennis vast die later via fine-tuning verder wordt gespecialiseerd voor enterprise-taken.

Private LLM Stack

Infrastructuur

Een Private LLM Stack is een AI-architectuur waarin grote taalmodellen, vector databases en orchestratielagen volledig binnen de eigen infrastructuur of een vertrouwde private cloud draaien. Hiermee houden organisaties controle over data, latency en compliance, zonder afhankelijk te zijn van publieke API's.

Prompt Engineering

Methode

Prompt engineering is de discipline van het ontwerpen, structureren en optimaliseren van instructies aan grote taalmodellen om consistente, accurate en bruikbare output te krijgen. Het omvat technieken zoals system prompts, few-shot examples en chain-of-thought voor enterprise-toepassingen.

Retrieval-Augmented Generation (RAG)

(RAG)

Methode

Retrieval-Augmented Generation combineert een groot taalmodel met een externe kennisbron, zoals een vector database. Bij elke vraag worden eerst relevante documenten opgehaald, waarna het LLM een antwoord genereert op basis van deze context. Dit verkleint hallucinatie en houdt antwoorden actueel.

Semantic Search

Methode

Semantic search is een zoekmethode die op basis van betekenis in plaats van exacte trefwoorden zoekt. Door embeddings en vector databases te combineren, vinden gebruikers relevante documenten ook als ze andere woorden gebruiken dan in de bron, wat enterprise-zoekervaringen drastisch verbetert.

Tokenisatie

Infrastructuur

Tokenisatie is het opsplitsen van tekst in kleinere eenheden, tokens genaamd, die door taalmodellen verwerkt kunnen worden. De manier waarop tokenisatie plaatsvindt beïnvloedt direct de kosten, contextlengte en prestaties van LLM-toepassingen op Azure OpenAI of AWS Bedrock.

Tool Use / Function Calling

Methode

Function calling is een mechanisme waarmee een groot taalmodel externe tools, API's of functies kan aanroepen om informatie op te halen of acties uit te voeren. Hierdoor wordt het LLM een actieve agent die met systemen kan communiceren, een kernconcept binnen agentic AI-architecturen.

Transformer Architectuur

Model

De Transformer Architectuur is de neurale netwerkstructuur die de basis vormt voor vrijwel alle moderne grote taalmodellen. Door self-attention kan een Transformer parallel relaties tussen woorden in lange teksten leren, wat heeft geleid tot doorbraken zoals GPT-4o, Claude 3.5 en Llama 3.

Vector Database

Infrastructuur

Een vector database is een gespecialiseerd opslagsysteem voor embeddings, waarin razendsnel naar semantisch vergelijkbare items gezocht kan worden. Vector databases zoals Pinecone en Weaviate vormen de ruggengraat van moderne RAG-architecturen en semantic search-toepassingen in enterprise-AI.