The EpisTwin: A Knowledge Graph-Grounded Neuro-Symbolic Architecture for Personal AI

Het paper introduceert EpisTwin, een neuro-symbolisch raamwerk dat persoonlijke AI verbetert door generatieve redenering te verankeren in een verifieerbaar persoonlijk kennisgraph, waardoor fragmentatie van gebruikersdata wordt overwonnen en complexe, contextbewuste redenering mogelijk wordt.

De kern

Stel je voor dat je digitale leven een enorme, chaotische berg schatten is. Je hebt foto's in je galerij, afspraken in je agenda, notities in je app, e-mails, gesprekken en documenten. Het probleem is dat al deze schatten in verschillende, gesloten kasten (apps) liggen die niet met elkaar praten.

Vandaag de dag, als je vraagt aan een slimme AI: "Heeft Sarah me gebeld voordat ik vanochtend op mijn werk aankwam?", moet die AI raden. Het kijkt naar losse stukjes tekst, probeert ze te matchen, maar mist vaak de connectie tussen je agenda (wanneer je werk begon) en je telefoon (wanneer je belde). Het is alsof je een puzzel probeert op te lossen terwijl de helft van de stukjes in een andere kamer ligt.

EpisTwin is de oplossing voor dit probleem. Het is een nieuw soort "persoonlijke AI" die werkt als een super-ordelijke bibliothecaris en een detective in één.

Hier is hoe het werkt, in simpele taal:

1. De Digitale Tweeling (De "EpisTwin")

In plaats van dat de AI gewoon een grote hoop tekst onthoudt (zoals een mens die dingen vergeten kan), bouwt EpisTwin een Persoonlijke Kennisgrafiek.

• De Metafoor: Denk aan een gigantisch, interactief spinnenweb. In het midden zit jij. Alle foto's, afspraken, mensen en locaties zijn punten in dit web. De lijnen tussen de punten vertellen het verhaal: "Deze foto is gemaakt tijdens dit evenement" of "Sarah is een vriendin die ik gisteren heb gezien".
• Het Voordeel: Omdat het een grafiek is, kan de AI zien hoe alles met elkaar verbonden is. Het ziet niet alleen losse woorden, maar de relaties.

2. De Vertaler (Van Chaos naar Structuur)

Je telefoon zit vol met rommel: een foto zonder tekst, een audio-opname, een PDF.

• Hoe EpisTwin helpt: Het gebruikt slimme "vertalers" (AI-modellen) die deze rommel omzetten in nette, duidelijke feiten. Een foto van een feestje wordt niet alleen opgeslagen, maar vertaald naar: "Feestje, datum: 12 juni, locatie: Park, personen: Sarah, Tom."
• Dit wordt in het spinnenweb geplakt. Nu weet de AI precies wat er is gebeurd, zonder dat jij iets hoeft te typen.

3. De Detective met een "Tweede Blik" (Het Magische Trucje)

Soms is de vertaling niet perfect. Misschien heeft de AI op de foto een auto gezien, maar niet goed begrepen dat het een rode auto was, of dat de auto kapot stond.

• Het Probleem: Als de AI een vraag krijgt die deze details nodig heeft, kan het vastlopen.
• De Oplossing: EpisTwin heeft een speciale "Fallback-agent". Als de AI merkt dat het antwoord niet zeker is, roept deze agent een visuele detective aan.
• De Metafoor: Stel je voor dat de AI zegt: "Ik denk dat Sarah er was, maar ik ben niet 100% zeker van de foto." Dan pakt de detective de originele, ruwe foto er weer bij (die nog niet vertaald is) en kijkt er heel nauwkeurig naar met een loep. Het haalt de details uit de pixel zelf, zonder de vertaling te vertrouwen.
• Belangrijk: Deze extra check is tijdelijk. De AI gebruikt het om het antwoord te vinden, maar "verpest" niet het spinnenweb met tijdelijke ruis.

4. Waarom is dit veiliger? (Het "Vergeten"-Recht)

In de huidige AI-wereld is het heel moeilijk om iets echt te laten vergeten. Als je een AI vraagt om een feit te vergeten, blijft het vaak ergens in de "hersenen" van de machine hangen als een vaag gevoel.

• EpisTwin's oplossing: Omdat de feiten in een duidelijk spinnenweb staan, kun je een stukje van het web gewoon knippen.
• De Metafoor: Als je een knoop in het web verwijdert, is die informatie direct en voor altijd weg. Het is niet meer "vaag onthouden", het is er fysiek niet meer. Dit is cruciaal voor je privacy en voor wetten zoals de AVG (GDPR).

Samenvatting

EpisTwin is een persoonlijke assistent die:

1. Je verspreide digitale spullen verzamelt in één groot, logisch spinnenweb.
2. Slimme detectives gebruikt om details uit foto's en geluiden te halen als de eerste poging niet genoeg was.
3. Je volledige controle geeft: als je iets wilt vergeten, is het echt weg, zonder sporen.

Het is de stap van een AI die "raadt" naar een AI die "begrijpt" en "redeneert", precies zoals een mens dat zou doen, maar dan met de geheugenkracht van een computer.

Technische samenvatting

Hier is een gedetailleerde technische samenvatting van het paper "The EpisTwin: A Knowledge Graph-Grounded Neuro-Symbolic Architecture for Personal AI", vertaald en samengevat in het Nederlands.

Titel: The EpisTwin: Een door Kennisgrafieken verankerde Neuro-Symbolische Architectuur voor Persoonlijke AI

1. Het Probleem: Fragmentatie en Semantische Isolatie

Huidige systemen voor Persoonlijke AI (Personal AI) worden gehinderd door de extreme fragmentatie van gebruikersdata. Gegevens zijn verspreid over geïsoleerde "silos" (zoals agenda's, galerijen, documentopslag en e-mails) die geen gedeelde semantische laag delen.

• Beperkingen van bestaande oplossingen: Retrieval-Augmented Generation (RAG) lost dit slechts gedeeltelijk op. Traditionele RAG-systemen vertrouwen op ongestructureerde vector-achtige gelijkenis, wat faalt bij het vastleggen van de latente semantische topologie en temporele afhankelijkheden die essentieel zijn voor holistisch inzicht (sensemaking).
• Data-sovereiniteit: Het verwijderen van specifieke feiten uit pure neurale of vectorrepresentaties ("unlearning") is computationeel moeilijk en niet deterministisch, wat een probleem vormt voor strikte privacyregels (zoals GDPR).
• Voorbeeld: Een vraag als "Belde Sarah Green me voor of na mijn aankomst op het werk?" vereist het koppelen van data uit de telefoon, de agenda en eventuele foto's of notities. Huidige systemen kunnen deze cross-domain redenering niet automatisch uitvoeren.

2. Methodologie: De EpisTwin Architectuur

EpisTwin introduceert een Type 3 Neuro-Symbolische Architectuur (volgens Kautz's taxonomie), waarbij neurale en symbolische componenten samenwerken als co-routines in plaats van dat de ene de andere slechts als subroutine bedient. Het systeem werkt in twee hoofdfasen:

A. Constructie van de Persoonlijke Kennisgrafiek (PKG)
In plaats van de LLM als een probabilistische kennisopslag te gebruiken, fungeert deze als een architect om een expliciete, verifieerbare Personal Knowledge Graph (PKG) te vullen.

• Neuraal-naar-Symbolische Transductie: Heterogene data (metadata en ongestructureerde inhoud zoals afbeeldingen) wordt omgezet in semantische triples.
  • Metadata: Wordt deterministisch vertaald naar triples.
  • Ongestructureerde data (bijv. afbeeldingen): Wordt eerst omgezet naar tekst via een multimodale LLM (captioning), waarna een tweede LLM triples extrahert.
• Community Detectie: Om de grafiek schaalbaar en begrijpelijk te houden, wordt het Leiden-algoritme gebruikt om thematische gemeenschappen te detecteren. Deze worden als nieuwe entiteiten in de grafiek verankerd, wat helpt bij het vinden van impliciete relaties (bijv. een link tussen een alarm en een evenement).

B. Het Redeneerproces (Agentic Orchestration)
Het redeneerproces wordt aangestuurd door een Core Agent die dynamisch schakelt tussen symbolische redenering en neurale perceptie.

• GraphRAG: De agent gebruikt Graph Retrieval-Augmented Generation om relevante subgrafieken te vinden en redeneringen uit te voeren op basis van de topologische structuur.
• Online Deep Visual Refinement (tVIS): Dit is een cruciale innovatie. Als de Core Agent vaststelt dat de symbolische grafiek onvoldoende details bevat (bijvoorbeeld bij visuele vragen), activeert deze een Fallback Agent.
  • Deze agent haalt de originele ruwe data (bijv. de oorspronkelijke afbeelding) op uit de PKG-referenties.
  • Een neurale visiemodel analyseert de afbeelding op dat moment (on-the-fly) om contextbewuste attributen te extraheren.
  • Deze inzichten worden tijdelijk gebruikt voor de redenering maar niet permanent in de grafiek opgeslagen, waardoor de grafiek schoon en deterministisch blijft.
• Verificatie: Een "Epistemic Verification Module" beoordeelt of het antwoord voldoende is. Zo niet, dan wordt de visuele verfijning getriggerd.

3. Belangrijkste Bijdragen

1. Type 3 Neuro-Symbolisch Agentic Framework: EpisTwin verenigt de constructie van een PKG met agente redenering, waardoor multi-hop vragen kunnen worden beantwoord over heterogene persoonsdata.
2. Actieve Visueel-Symbolische Inferentie: De tool voor "Online Deep Visual Refinement" herstelt details die verloren gingen tijdens de transductie, door symbolische kennis te gebruiken voor query-gestuurde visuele analyse.
3. Nieuw Multimodaal Benchmark: Introductie van PersonalQA-71-100, een synthetische dataset met 71 verschillende datastromen en 100 vragen met grondwaarheid (ground truth), ontworpen om realistische digitale voetafdrukken te simuleren.
4. Verifieerbare Prestatieanalyse: Toepassing van een "LLM-as-a-Judge" protocol met meerdere state-of-the-art modellen voor objectieve evaluatie.

4. Resultaten

Het systeem werd geëvalueerd op de PersonalQA-71-100 benchmark met een panel van vier sterke LLM-judges (DeepSeek, Qwen, GPT-OSS, Kimi).

• Prestaties: EpisTwin behaalde consistent hoge scores, met een gemiddelde van 4.27 tot 4.63 op een schaal van 1 tot 5.
• Nauwkeurigheid: In 87% van de testgevallen werd het antwoord beoordeeld als "Positief" (score 4 of 5), zelfs bij complexe vragen die tot vier verschillende applicaties (agenda, contacten, foto's, etc.) vereisten.
• Betrouwbaarheid: De inter-rater betrouwbaarheid tussen de judges was zeer hoog (Gwet's AC1 > 0.84), wat aantoont dat de resultaten robuust en niet toevallig zijn.
• Vergelijking: In tegenstelling tot traditionele vector-RAG-systemen die prestatieverlies vertonen bij het verhogen van het aantal "hops" (stappen in de redenering), behoudt EpisTwin zijn coherentie dankzij de topologische structuur van de grafiek.

5. Betekenis en Conclusie

EpisTwin biedt een fundamentele verschuiving in de ontwikkeling van Persoonlijke AI:

• Van Retrieval naar Sensemaking: Het systeem gaat voorbij aan het simpelweg ophalen van tekst; het voert actief redenering uit over tijd en visuele context.
• Data-sovereiniteit en "Recht op Vergetelheid": Omdat kennis expliciet in een grafiek staat, is het verwijderen van een knoop (node) deterministisch en verifieerbaar. Dit lost het probleem op van probabilistisch "unlearning" in neurale netwerken.
• Vertrouwen: Door de redenering te verankeren in een door de gebruiker gecontroleerde grafiek, wordt hallucinatie verminderd en wordt de AI een betrouwbare cognitieve extensie.

De auteurs concluderen dat de toekomst van persoonlijke assistenten ligt in deze coöperatieve neuro-symbolische paradigma, waarbij de AI een krachtige redeneermotor is, maar de gebruiker de onbetwiste eigenaar blijft van de kenniskaart.