Stel je voor dat je een superintelligente robot probeert te leren hoe hij een verhaal moet schrijven. Je zou simpelweg kunnen zeggen: "Schrijf een verhaal," en het kan iets leuks geven, maar het kan ook het plot vergeten, personages door elkaar halen of een wereld verzinnen die niet logisch is. Om de robot een perfect verhaal te laten schrijven, heb je een blauwdruk nodig. In de wereld van Kunstmatige Intelligentie wordt deze blauwdruk een ontologie genoemd. Denk aan een ontologie als een meesterkaart of een Lego-instructieboekje voor een specifiek type document. Het vertelt de AI precies welke onderdelen (zoals "personages", "settings" of "conflicten") moeten bestaan, hoe ze met elkaar verbonden zijn en welke regels ze moeten volgen.

Lange tijd was het maken van deze blauwdwerken een traag, saai en duur proces. Meestal is er een team van experts nodig dat handmatig de regels ontwerpt voor elk nieuw type document, of het nu gaat om een medisch rapport, een juridisch contract of een vacature. Als een bedrijf wil overstappen van het schrijven van facturen naar het schrijven van medische dossiers, moeten ze een nieuw team experts inhuren om vanaf nul een nieuwe kaart te bouken. Dit is een enorme flessenhals, omdat de AI klaar is om te gaan, maar de kaart nog niet af is.

Dit is waar een nieuw idee genaamd Generative Ontology Induction (GOI) om de hoek komt kijken. In plaats van een team architecten in te huren om de kaart te tekenen, stelt dit artikel voor dat we de AI kunnen vragen om naar een stapel voltooide documenten te kijken en de kaart zelf te ontdekken. Het is also려 een robot honderd verschillende huizen te laten zien en hem te vragen de architectonische plannen die al die huizen mogelijk maakten, te reverse-engineeren. De onderzoekers wilden zien of een AI een stapel voorbeelden kon bestuderen, de verborgen structuur kon leren en vervolgens die structuur kon gebruiken om zelfstandig nieuwe, perfecte documenten te genereren. Ze testten dit op vier zeer verschillende soorten documenten om te zien of de AI alles kon aan, van eenvoudige rekeningen tot complexe medische dossiers.

Het Grote Idee van het Papier: De AI leren de eigen kaart te tekenen

Het artikel introduceert een framework genaamd Generative Ontology Induction (GOI). Het hoofddoel is om mensen te stoppen met het handmatig ontwerpen van de "instructiehandleidingen" (ontologieën) voor AI. In plaats daarvan neemt GOI een verzameling documenten — zoals een map vol vacatures of een stapel verslagen van medische bezoeken — en vraagt een Large Language Model (LLM) om deze te bestuderen. De taak van de AI is niet alleen om ze te lezen; het is om het onzichtbare skelet te ontdekken dat ze bij elkaar houdt.

Denk er zo over na: als je een kind honderd verschillende foto's van honden laat zien, leert het uiteindelijk wat een "hond" is, zelfs als het nog nooit een specifiek ras heeft gezien. GOI doet hetzelfde, maar dan voor documenten. Het kijkt naar een stapel voorbeelden en vraagt: "Wat zijn de essentiële onderdelen die hier moeten zijn? Wat zijn de regels die hen verbinden?"

Het artikel stelt vast dat de AI deze blauwdrukken succesvol kan "reverse-engineeren". De AI maakt niet alleen een lijst van de woorden die het ziet; het bouwt een gestructureerde graaf met zes soorten knooppunten (zoals "Class", "Property" en "Dimension") en zeven soorten verbindingen. Deze graaf fungeert als een strikte set regels. Zodra de AI deze kaart heeft gebouwd, kan het nieuwe documenten genereren die exact dezelfde structuur volgen, zonder dat een mens de volgende stap hoeft aan te wijzen.

De "Vertrouwdheid"-val: Waarom oude trucjes falen

Een van de meest interessante ontdekkingen van het papier is dat AI een beetje een "valsspeler" is als het gaat om dingen die het goed kent. De onderzoekers testten hun nieuwe GOI-systeem tegen een zeer eenvoudige, generieke methode: het simpelweg geven van een basis-template met drie velden (Titel, Inhoud en Metadata).

Wanneer het documenttype iets was dat de AI al een miljoen keer heeft gezien — zoals een Software Services Factuur — werkte de generieke template verrassend goed. De AI wist genoeg uit de trainingsdata om de gaten in te vullen, waarbij ongeveer 97,8% van de noodzakelijke structurele onderdelen werd gedekt. Het was alsof je een chef vraagt een burger te maken terwijl je hem alleen een servet geeft; hij wist precies hoe een burger eruitzag, dus vulde hij de ontbrekende details aan vanuit zijn geheugen.

Echter, op het moment dat de onderzoekers overschakelden naar documenten die de AI minder goed kende, stortte de generieke template in.

• Vacatures: Wanneer de AI probeerde een aangepaste vacature te maken met specifieke, ongebruikelijke secties (zoals "Employer Brand Voice" of "Career Trajectory") met behulp van de generieke template, dekte het slechts 52,2% van de vereiste onderdelen. Het miste de unieke, aangepaste secties volledig omdat het geen "geheugen" van deze had.
• Medische Dossiers: Voor een gespecialiseerd klinisch dossier voor pijnbehandeling dekte de generieke template slechts 62,2%. Het miste de volledige sectie over werkgeverscompensatie en specifieke fysieke onderzoekmodules, en verviel in een generieke "doktersnotitie".
• Juridische Contracten: Voor een contract voor professionele diensten beheerde de generieke template 78,3%, maar het miste nog steeds cruciale, specifieke clausules zoals "Non-Solicitation" of "Weekly Hours Caps".

Het artikel laat zien dat hoewel de AI de structuur van vertrouwde zaken kan raden, het volledig faalt wanneer een document een unieke, aangepaste structuur heeft. De generieke template vertrouwt op de "voorkennis" (wat de AI zag tijdens de training), en wanneer die kennis ontbreekt, stort de structuur in.

De Oplossing: Een "Structureel Contract"

Hier blinkt GOI uit. In elke testcase, wanneer de AI de door GOI gegenereerde blauwdruk (het "structurele contract") kreeg, dekte het 95% tot 100% van de vereiste onderdelen.

• Voor de Vacature haalde het 100%.
• Voor het Medische Dossier haalde het 95,6%.
• Voor het Juridische Contract haalde het 100%.

Het artikel betoogt dat GOI een "structurele garantie" biedt. Het maakt er niet uit of de AI het documenttype eerder heeft gezien of niet. Als je het de blauwdruk geeft die het zelf uit de voorbeelden heeft opgebouwd, zal het de regels volgen. Het is alsof je de chef een gedetailleerde receptenkaart geeft in plaats van alleen een servet. Zelfs als de chef dit specifieijke gerecht nog nooit heeft gemaakt, zorgt het recept ervoor dat hij de geheime ingrediënten niet vergeet.

Hoe ze succes maten: De "Node Coverage Score"

De onderzoekers wisten dat alleen zeggen dat "het werkte" niet genoeg was. Ze hadden een manier nodig om te meten hoe goed het werkte. Ze bedachten een nieuwe metriek genaamd de Node Coverage Score.

Stel je voor dat de blauwdruk een checklist is van 45 items (zoals "Verkopersnaam", "Totale kosten", "Type dienst"). De "Node Coverage Score" vraagt simpelweg: "Hoeveel van deze 45 items zijn daadwerkelijk aanwezig in het uiteindelijke document?"

• Als de AI een document schreef dat 44 van de 45 items bevatte, is de score 97,8%.
• Als het de "Verkopersnaam" en "Totale kosten" mist, daalt de score.

Dit is anders dan oudere manieren om AI te meten, die vaak alleen controleren of de woorden correct gespeld zijn. De Node Coverage Score controleert of de structuur aanwezig is. Het artikel laat zien dat hoewel generieke prompts misschien de woorden goed krijgen, ze de structuur vaak volledig missen wanneer het document complex is. GOI bereikt echter consequent de hoge scores, wat bewijst dat het de "botten" van het document vastlegt, en niet alleen de huid.

Wat dit betekent voor de toekomst

Het artikel concludeert dat voor industrieën die werken met complexe, aangepaste documenten (zoals de gezondheidszorg, de juridische sector of gespecialiseerde techniek), het vertrouwen op het algemene geheugen van de AI riskant is. De AI kan de gaten opvullen met verkeerde informatie of cruciale secties overslaan.

GOI biedt een manier om dit op te lossen. Door de AI een set voorbeelden te laten bestuderen en zijn eigen strikte blauwdruk te laten bouwen, kunnen teams ervoor zorgen dat elk nieuw gegenereerd document structureel perfect is. Het artikel suggereert dat deze methode werkt, ongeacht hoe bekend het documenttype is voor de AI. Het verandelt de AI van een "gokmachine" in een "regelvolgende architect".

De auteurs merken voorzichtig op dat dit geen toverstaf is die alles oplost. De AI kan nog steeds fouten maken, en het systeem moet gecontroleerd worden door mensen, vooral bij documenten met een hoge impact. Maar de resultaten laten zien dat wanneer je de AI een duidelijke, zelf ontdekte kaart geeft, het complexe structuren kan bouwen met een betrouwbaarheid die generieke prompts simpelweg niet kunnen evenaren. Het is een stap naar het maken van AI tot een echte partner in het opbouwen van kennis, in plaats van slechts een hulpmiddel dat raadt wat je wilt.