From Prompts to Context: An Ontology-Driven Framework for Human-Generative AI Collaboration
Dit artikel introduceert "From Prompts to Context", een door een ontologie gedreven raamwerk dat vertrouwen, traceerbaarheid en verantwoordingsplicht in de samenwerking tussen mens en generatieve AI verbetert door vluchtige prompt-respons-interacties om te vormen in gestructureerde, opvraagbare samenwerkingssporen via de Contextual Collaboration AI Ontology (CCAI).
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Het Probleem: Het "Black Box"-Gesprek
Stel je voor dat je een zeer getalenteerde, maar iets vergeetachtige assistent vraagt om een verhaal te schrijven. Je geeft ze een korte notitie: "Schrijf een verhaal over een draak." Ze geven je een voltooid verhaal.
Het probleem? Je weet niet waarom ze het zo hebben geschreven. Veronderstelden ze dat de draak vriendelijk of eng was? Gebruikten ze een specifieke kaart die je eerder noemde? Negeerden ze een regel die je had vastgesteld? In de wereld van Generatieve AI (zoals de modellen die code of tekst schrijven) gebeurt precies dit. Mensen geven een korte "prompt" en de AI levert een "output". Alles daartussenin — de context, de regels, de specifieke taak die de AI uitvoerde — verdwijnt in het niets.
Dit paper betoogt dat dit "verdwijningstrucje" het moeilijk maakt om de AI te vertrouwen, fouten op te lossen, of te weten wie verantwoordelijk is voor wat.
De Oplossing: De "Gedeelde Blauwdruk" (De Ontologie)
Om dit op te lossen, hebben de auteurs een gedeelde blauwdruk gebouwd, de CCAI Ontologie.
Beschouw deze ontologie als een digitaal archiefkastje met een strikt labelsysteem. In plaats van alleen met een vaag zinnetje met de AI te praten, dwingt het systeem iedereen (mensen en AI) om voordat het werk begint, overeenstemming te bereiken over de details.
De blauwdruk organiseert vier kernaspecten:
- Wie doet het werk? (Het Agent: Is het een menselijke ontwikkelaar of een AI-assistent?)
- Wat is de taak? (De Taak: Is het code schrijven, bugs controleren, of een logo ontwerpen?)
- Welke hulpmiddelen zijn beschikbaar? (De Middelen: Hebben we een specifieke database, een stijlgids of een lijst met regels?)
- Wat zijn de regels? (De Beperkingen: Is er een budget? Een deadline? Een veiligheidslimiet?)
Hoe Het Werkt: De "Bibliothecaris"-Analogie
In het door het paper voorgestelde systeem gokt de AI niet zomaar wat je wilt. Het fungeert als een super-bibliothecaris die het archiefkastje controleert voordat het één enkel woord schrijft.
- Het Verzoek: Een mens zegt: "Ik heb code nodig voor de functie 'Bekijk en Werk Bevoegdheidsprofielen bij'."
- De Controle: Het systeem stuurt die zin niet zomaar naar de AI. Het voert eerst een "zoekopdracht" (genaamd SPARQL) uit tegen de gedeelde blauwdruk.
- De Ophaalactie: Het systeem haalt het specifieke bestand voor die functie op. Het vindt:
- Wie er aan werkt: "Carol (Mens) en AI-Assistent."
- Welke hulpmiddelen te gebruiken: "De Bevoegdheidsdatabase en de Stijlgids."
- De context: "Dit is voor Sprint 1 van het project."
- De Samenstelling: Het systeem combineert het verzoek van de mens met al deze opgehaalde feiten tot één grote, gedetailleerde instructie.
- Het Resultaat: De AI krijgt een prompt die zegt: "Carol en de AI-Assistent werken aan Sprint 1. Ze moeten de Bevoegdheidsdatabase bijwerken met behulp van de Stijlgids. Schrijf a.u.b. code voor deze specifieke functie."
Omdat de AI deze volledige "blauwdruk" heeft, hoeft het niet te gokken. Het weet precies welke hulpmiddelen het moet gebruiken en welke regels het moet volgen.
De Case Study: Het Bouwen van een "VaardigheidsTracker"
De auteurs testten dit idee met een softwareteam dat een educatief hulpmiddel bouwde om vaardigheden van studenten (bevoegdheden) bij te houden.
- Zonder het systeem: Een ontwikkelaar kan de AI vragen om "de inlogpagina te repareren". De AI kan code schrijven die werkt voor een algemene inlog, maar faalt omdat het niets weet van de specifieke "vaardigheidsdatabase" die dit project gebruikt. De ontwikkelaar moet dan tijd verspillen om het te repareren.
- Met het systeem: De ontwikkelaar vraagt het systeem om hulp. Het systeem pakt automatisch de details over de "vaardigheidsdatabase", de "inlogtaak" en de "ontwerpregels" uit de blauwdruk. Het voert dit door naar de AI. De AI schrijft code die perfect past, omdat het de volledige context heeft gekregen.
De Resultaten: Een Duidelijker Spoor
Het paper beweert dat het gebruik van deze "blauwdruk"-aanpak leidt tot drie hoofdvoordelen:
- Geen Gokken Meer: De context is niet langer verborgen. Iedereen weet precies wat de AI werd verteld te doen en welke regels het volgde.
- Traceerbaarheid (Het "Papieren Spoor"): Als er iets misgaat, kun je in de blauwdruk kijken en precies zien welke mens en welk AI-agent verantwoordelijk waren, welke middelen ze gebruikten en wat de oorspronkelijke taak was. Het is alsof je een GPS-historie van het project hebt in plaats van alleen de eindbestemming.
- Verantwoordelijkheid: Omdat het "wie, wat en hoe" wordt vastgelegd, is het gemakkelijker om het werk te beoordelen en te waarborgen dat het voldoet aan ethische en kwaliteitsnormen.
Wat het Paper Niet Beweert
Het is belangrijk op te merken wat dit paper niet zegt:
- Het beweert niet dat dit systeem mensen sneller laat werken of dat het geld bespaart. De focus ligt strikt op het werk duidelijker en transparanter te maken.
- Het beweert niet dat de AI nooit fouten zal maken. De AI kan nog steeds verkeerd zitten, maar nu weten we precies waarom die fout werd gemaakt, omdat we de context kunnen zien waarmee het werkte.
- Het beweert niet dat dit een magische oplossing is voor alle AI-problemen. Het is een specifiek hulpmiddel voor het beheer van de samenwerking tussen mensen en AI in complexe projecten.
De Conclusie
Dit paper suggereert dat we, om goed te kunnen werken met Generatieve AI, moeten stoppen met het behandelen als een magische 8-bal waarbij we een vraag stellen en een willekeurig antwoord krijgen. In plaats daarvan moeten we het behandelen als een teamlid dat een duidelijke functieomschrijving, een lijst met hulpmiddelen en een reeks regels nodig heeft. Door een "gedeelde blauwdruk" (de ontologie) te bouwen om deze details te beheren, kunnen we AI-samenwerking eerlijker, traceerbaarder en betrouwbaarder maken.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.