Context voor AI: minder invoer, betere keuzes

Een AI-functie krijgt toegang tot een kandidaatprofiel of een voertuigadvertentie en moet daar iets bruikbaars van maken. De verleiding is om alle beschikbare gegevens mee te sturen. Er ontbreekt dan waarschijnlijk niets. Toch begint goede context voor AI voor mij bij een andere vraag: welke feiten zijn nodig om deze specifieke taak uit te voeren?

Die vraag speelt in mijn werk aan cv-import en voertuigteksten. Een telefoonnummer helpt niet bij het herkennen van werkervaring. Verkopersgegevens helpen niet bij het beschrijven van een transmissie. Als developer wil ik kunnen uitleggen waarom informatie naar een model gaat. Als ondernemer kijk ik ook naar de gevolgen voor het product: hoeveel afhankelijkheden ontstaan, welke verwerking moet worden verantwoord en wat vraagt later onderhoud?

Context voor AI begint bij een afgebakende taak

“Maak iets van dit profiel” is geen duidelijke opdracht. “Herken werkervaring, opleidingen en cursussen en zet die in vaste velden” is dat wel. De tweede formulering maakt zichtbaar welke gegevens noodzakelijk zijn en welk resultaat wordt verwacht. Dat helpt bij het kiezen van invoer, maar ook bij het beoordelen van een antwoord. Een samenvatting kan prettig lezen en toch ongeschikt zijn om een profiel te vullen.

Voor productowners en technische ondernemers is dit een belangrijke keuze vóór de bouw. Een brede assistent belooft veel, maar vraagt ook om meer toegang en meer uitzonderingen. Een kleinere functie kan worden gekoppeld aan één herkenbare handeling. De beperking is dat die functie niet automatisch alle vervolgvragen beantwoordt. Daar staat een taak tegenover waarvan de grenzen en de invoer te bespreken zijn.

Contactgegevens zijn geen werkervaring

Bij de cv-import heb ik een lokale bewerkingsstap toegevoegd voordat uitgelezen tekst naar de AI-dienst gaat. Die stap vervangt herkenbare contactgegevens, zoals e-mailadressen en Nederlandse telefoonnummers. Ook herkende namen en bepaalde adrespatronen worden behandeld. Het oorspronkelijke document wordt in deze route niet aan het model doorgegeven. De taak draait om het ordenen van loopbaaninformatie, niet om het bereiken van de kandidaat.

Dat onderscheid klinkt eenvoudig, maar vraagt om zorgvuldigheid. Herkenningsregels kunnen iets missen of tekst onterecht vervangen. Een combinatie van werkgevers, functies en jaartallen kan bovendien nog steeds naar iemand verwijzen. Minder contactgegevens meesturen maakt een cv-tekst dus niet anoniem. Het is een concrete beperking van de invoer, geen verklaring dat alle privacyvragen daarmee zijn opgelost.

De afweging gaat ook over wat behouden moet blijven. Wanneer alle organisatienamen worden verwijderd, kan het lastiger worden om een werkgever van een opleider te onderscheiden. De verwerking moet daarom aansluiten op de taak. Daarnaast blijven afzonderlijke afspraken nodig over de partij die de tekst ontvangt, het gebruik van die gegevens en de manier waarop informatie wordt bewaard.

Een voertuigadvertentie gaat vóór de standaardwaarde

Bij voertuigteksten speelt een andere vorm van selectie. De invoer wordt opgebouwd uit een beperkte verzameling voertuigfeiten. Model, transmissie, kleuren en kilometerstand hebben een herkenbare functie in een beschrijving. Afbeeldingsgegevens, verkopersinformatie en algemene beheergegevens worden niet vanzelf onderdeel van dezelfde opdracht. De software kiest welke velden worden aangeboden, in plaats van een breed CMS-object door te sturen.

Ook de volgorde van bronnen telt. Een modelcatalogus beschrijft een type voertuig; een advertentie beschrijft het aangeboden exemplaar. Ingevulde advertentiegegevens krijgen daarom voorrang op algemene standaardwaarden. Een kilometerstand van nul blijft een geldige waarde. Een ontkennend antwoord op een kenmerk blijft eveneens informatie. Zulke waarden behandelen als ontbrekend kan betekenen dat een algemene standaard alsnog een specifiek gegeven verdringt.

Dit lost niet ieder inhoudelijk probleem op. Een verkeerd ingevulde kilometerstand blijft verkeerde invoer. Een taalmodel kan ook met een goede selectie nog een onjuiste beschrijving maken. De selectie zorgt er wel voor dat duidelijker is welke feiten beschikbaar waren. Daardoor kan een fout gerichter worden onderzocht, zonder meteen te veronderstellen dat een ander model nodig is.

Maak de gegevensselectie onderdeel van het product

Bij het ontwerpen van zo'n toepassing zijn vijf keuzes bepalend. Ze voorkomen dat de beschikbare databasevelden ongemerkt de opdracht gaan bepalen:

De gegevensselectie in vijf stappen

1. Benoem de handeling. Leg vast wat de gebruiker met het resultaat moet kunnen doen.
2. Kies noodzakelijke feiten. Beschrijf per veld waarom het aan die handeling bijdraagt.
3. Bepaal welke bron voorgaat. Maak onderscheid tussen specifieke invoer en algemene standaardgegevens.
4. Behandel ontbrekende waarden bewust. Laat onbekend onbekend en behoud betekenisvolle waarden zoals nul.
5. Controleer de selectie. Onderzoek ook welke gegevens buiten de opdracht blijven.

Dit is extra ontwikkelwerk. Nieuwe productvragen kunnen nieuwe velden noodzakelijk maken en bestaande keuzes achterhalen. Een expliciete selectie moet dus worden onderhouden. Maar dat onderhoud hoort bij de functie: de betekenis van een veld verandert niet doordat het toevallig eenvoudig mee te sturen is.

Controleer welke gegevens de AI-stap ontvangt

De selectie van voertuiggegevens is met tests te controleren. Die kunnen bijvoorbeeld aantonen dat verkopersinformatie niet in de opdracht terechtkomt, dat advertentiegegevens voorrang krijgen en dat nul niet verdwijnt. Bij de cv-route kan worden gecontroleerd welke tekst de AI-stap ontvangt. Dat zijn gerichte controles op de verwerking van invoer.

Ze bewijzen geen hogere nauwkeurigheid van alle antwoorden. Daarvoor zou ook de inhoud van resultaten over passende voorbeelden moeten worden beoordeeld. Voor mij is dat onderscheid essentieel: eerst vaststellen of de applicatie de afgesproken gegevens gebruikt, daarna onderzoeken of het resultaat de gebruiker helpt. Een geslaagde technische controle beantwoordt die tweede vraag niet automatisch.

Kies de context voordat je het model kiest

De kans van AI zit hier in een gerichte ondersteuning van bestaand werk. Een beperkte, uitlegbare opdracht geeft een concreet aanknopingspunt voor verbetering. Minder invoer is daarbij geen doel op zichzelf. Het doel is dat ieder meegestuurd gegeven een reden heeft en dat de gebruiker begrijpt wat de functie oplevert. Wil je bepalen welke context jouw AI-toepassing nodig heeft? Bespreek de taak, de benodigde feiten en de privacygrenzen, zodat de technische aanpak daarop kan aansluiten.