Wat is een knowledge graph?

Een knowledge graph (kennisgraaf) is een manier om informatie op te slaan als een netwerk van feiten en de relaties daartussen, in plaats van als losse rijen in een tabel. Elk feit wordt een 'entiteit' (bijvoorbeeld een klant, product of locatie), en de verbindingen daartussen (bijvoorbeeld 'koopt', 'werkt bij', 'hoort bij') vertellen hoe die feiten met elkaar samenhangen. Zoekmachines zoals Google gebruiken dit al jaren om zoekresultaten te verrijken, en AI-systemen gebruiken het steeds vaker om betrouwbaarder te kunnen redeneren over bedrijfsinformatie.

Hoe werkt het

Een knowledge graph bestaat uit twee basisonderdelen: nodes (knooppunten) en edges (verbindingen). Een node is een entiteit, zoals een klant, een product, een medewerker of een factuur. Een edge beschrijft de relatie tussen twee nodes, zoals 'klant X bestelde product Y' of 'medewerker A is verantwoordelijk voor proces B'.

Het verschil met een gewone database zit in de structuur. Een traditionele database (tabellen met rijen en kolommen) is goed in het opslaan van losse feiten, maar minder goed in het combineren van veel verschillende soorten relaties tegelijk. Om te achterhalen hoe drie tabellen met elkaar samenhangen, moet je meestal meerdere joins schrijven, en dat wordt complex zodra het aantal relaties groeit.

Een knowledge graph is daarentegen gebouwd rond die relaties. Vragen als "welke klanten hebben een product gekocht dat ooit is teruggeroepen, en wie heeft die klant recent nog gesproken" zijn in een graafstructuur natuurlijker te beantwoorden, omdat de relaties expliciet zijn opgeslagen in plaats van impliciet verstopt in losse tabellen.

Triples: het bouwblok

De kleinste eenheid in een knowledge graph is vaak een 'triple': subject, predicaat, object. Bijvoorbeeld: "Bedrijf X (subject) levert (predicaat) Product Y (object)". Door duizenden van dit soort triples te combineren, ontstaat een netwerk waarin je van het ene feit naar het andere kunt navigeren.

Waarom relevant voor het MKB

Voor de meeste MKB-bedrijven is een knowledge graph geen doel op zich, maar een manier om AI-tools betrouwbaarder te maken. Als je een AI-assistent inzet die vragen beantwoordt over klanten, producten of interne processen, is de kwaliteit van het antwoord sterk afhankelijk van hoe goed die informatie onderling gestructureerd is.

Zonder duidelijke structuur moet een AI-model gokken hoe stukjes informatie met elkaar samenhangen, en dat is precies waar hallucinaties (verzonnen of onjuiste antwoorden) ontstaan. Een knowledge graph legt die relaties vast, zodat een AI-systeem kan navigeren langs feiten in plaats van te raden.

Concreet betekent dit voor een MKB-bedrijf:

• Productinformatie, klantgegevens en bestelgeschiedenis worden aan elkaar gekoppeld in plaats van los in verschillende systemen te staan
• Een interne AI-assistent kan vragen beantwoorden die meerdere systemen combineren (bijvoorbeeld CRM plus voorraad plus facturatie)
• Nieuwe medewerkers of AI-tools kunnen sneller de juiste context vinden zonder dat iemand alles handmatig hoeft uit te leggen

Concreet voorbeeld

Het bekendste voorbeeld is de Google Knowledge Graph, geïntroduceerd in 2012. Als je in Google zoekt naar een bedrijf, verschijnt er vaak een infobox rechts met openingstijden, adres en reviews. Die informatie komt niet uit één webpagina, maar uit een netwerk van gekoppelde feiten over die entiteit (het bedrijf, de locatie, de eigenaar, gerelateerde bedrijven).

Voor een MKB-bedrijf is een realistischer voorbeeld een interne AI-assistent die vragen beantwoordt als "welke klanten hebben de afgelopen maand een klacht ingediend over product Z, en welke leverancier levert dat product". Zonder gestructureerde koppeling tussen klanten, klachten, producten en leveranciers moet de AI dit soort verbanden zelf 'verzinnen' op basis van losse documenten, met risico op fouten. Met een knowledge graph als achterliggende structuur (vaak gecombineerd met RAG technieken) kan het antwoord direct worden herleid tot de juiste feiten.

Wanneer wel, wanneer niet

Een knowledge graph is niet voor elk bedrijf nodig. Voor veel MKB-vraagstukken is een goed opgezette database of zelfs een overzichtelijk spreadsheet ruim voldoende.

De vuistregel: hoe meer verschillende soorten relaties belangrijk zijn voor de vraag die je wilt beantwoorden, hoe eerder een graafstructuur waarde toevoegt.

Verwante begrippen

Een aantal begrippen komen vaak samen voor met knowledge graphs:

• Semantische zoekopdracht: zoeken op betekenis en context in plaats van exacte trefwoorden
• RAG (Retrieval-Augmented Generation): een AI-model dat eerst relevante feiten ophaalt (bijvoorbeeld uit een knowledge graph) voordat het een antwoord genereert
• Ontologie: een vastgelegde structuur van welke soorten entiteiten en relaties er bestaan binnen een domein
• Entiteiten: de 'dingen' (personen, producten, organisaties) die als node in de graaf worden opgeslagen
• Structured data / schema markup: gestructureerde gegevens op webpagina's die zoekmachines en AI-systemen helpen entiteiten te herkennen

Deze begrippen vormen samen de basis waarmee AI-systemen steeds beter in staat zijn om feiten te combineren in plaats van los te interpreteren.

Als je wilt weten of een knowledge graph zinvol is voor jouw situatie, begin dan met in kaart brengen welke data je hebt en hoe die nu (niet) met elkaar verbonden zijn. Bij AI-consultancy kijken we samen hoe je bestaande data bruikbaar maakt voor betrouwbare AI-toepassingen, en of een lichte graafstructuur daarin een rol moet spelen. Wil je eerst zien waar je bedrijf op dit vlak staat, doe dan de gratis AI-scan voor een concreet beeld van kansen en risico's.

Uiteindelijk gaat het niet om de techniek zelf, maar om het voorkomen van AI-antwoorden die feitelijk onjuist zijn omdat de onderliggende data niet goed gekoppeld was.