Wat is Knowledge Graph?

Wat is een knowledge graph eigenlijk?

Stel je voor: je wilt uitleggen wie Barack Obama is. Je zou kunnen zeggen: "Hij was president van de VS van 2009 tot 2017, geboren in Hawaï, getrouwd met Michelle Obama, en winnaar van de Nobelprijs voor de Vrede in 2009." Elk van die feiten hangt met elkaar samen — en dat web van verbindingen is precies wat een knowledge graph doet.

Een knowledge graph is een manier om kennis op te slaan als een netwerk van punten (concepten) en lijnen (relaties). Elk punt is een ding — een persoon, plaats, organisatie, of abstract begrip. Elke lijn legt uit hoe twee dingen met elkaar samenhangen: "Barack Obama" → was president van → "Verenigde Staten", of "Barack Obama" → getrouwd met → "Michelle Obama".

Het verschil met een gewone database? In een traditionele database staat informatie in rijen en kolommen, netjes gescheiden. In een knowledge graph zijn alle feiten met elkaar verweven, waardoor je dwarsverbanden kunt zien die anders verborgen blijven.

Waarom is dat handig voor AI?

Als je een AI-assistent vraagt "Wie is de partner van de president die de Nobelprijs won in 2009?", moet het systeem meerdere stapjes logisch redeneren. Met een knowledge graph kan de AI het pad volgen: Obama → won Nobelprijs → Obama → getrouwd met → Michelle. Zo kom je bij het antwoord zonder dat elk feit los in een tekst moet worden opgezocht.

Knowledge graphs helpen AI om:

• Contextueel te begrijpen: niet alleen woorden herkennen, maar snappen hoe concepten samenhangen

• Consistenter te zijn: feiten komen uit een gestructureerd web, niet uit losstaande teksten die elkaar kunnen tegenspreeken

• Te redeneren: logische verbanden leggen tussen informatie die niet letterlijk in één zin staat

Denk aan Google's knowledge graph, die je rechts in de zoekresultaten een infoblok toont met feiten over een persoon of onderwerp. Dat blok haalt informatie uit een enorm netwerk van miljoenen verbonden concepten.

Een voorbeeld uit de praktijk

Bij medisch onderzoek worden knowledge graphs gebruikt om relaties tussen ziektes, symptomen, genen en medicijnen in kaart te brengen. Als een onderzoeker wil weten welke genen mogelijk verbonden zijn aan een zeldzame ziekte, kan de graph bestaande verbindingen volgen: ziekte A → deelt symptomen met → ziekte B → heeft genetische marker → gen X. Zo ontstaan hypotheses die anders misschien niet waren opgevallen.

In klantenservice gebruiken bedrijven knowledge graphs om producten, problemen en oplossingen met elkaar te verbinden. Als een klant belt over "mijn wifi werkt niet", volgt het systeem het pad: wifi-probleem → mogelijke oorzaken → router opnieuw opstarten / firmware updaten / kabel checken, en geeft gerichte hulp.

Waar kom je het tegen?

Knowledge graphs zitten achter veel toepassingen die je dagelijks gebruikt:

• Google Search: de infoblokken rechts naast zoekresultaten halen data uit Google's Knowledge Graph

• Alexa, Siri, Google Assistant: gebruiken knowledge graphs om contextgericht te antwoorden

• LinkedIn: bouwt een graph van mensen, bedrijven, vaardigheden en connecties om aanbevelingen te doen

• E-commerce platforms: verbinden producten, categorieën, merken en koopgedrag om relevante suggesties te geven

• Biomedische databases zoals Wikidata of het Human Phenotype Ontology: enorme kennisnetwerken voor onderzoek

In grote organisaties zie je ook interne knowledge graphs: alle producten, klanten, processen en documenten verbonden in één kennisnetwerk, zodat medewerkers snel dwarsverbanden kunnen vinden.

Het verschil met traditionele databases

In een relationele database zet je gegevens in tabellen. Als je later een nieuwe relatie wilt toevoegen (bijvoorbeeld "Obama speelde basketbal op de middelbare school"), moet je vaak de hele structuur aanpassen. In een knowledge graph voeg je gewoon een nieuwe lijn toe: Obama → speelde → basketbal. Dat maakt het flexibeler en sneller uitbreidbaar.

Het nadeel? Knowledge graphs zijn complexer om op te zetten en te onderhouden. Je hebt domeinkennis nodig om de relaties goed te definiëren, en grote graphs kunnen traag worden als je er niet slim mee omgaat.

Wat kun je ermee?

Als je in je bedrijf veel verspreid liggende kennis hebt — handleidingen, klantvragen, productinfo, ervaringen van collega's — kun je overwegen om die kennis te structureren in een graph. Zo kunnen zoeksystemen, chatbots of rapportage-tools verbanden leggen die anders onzichtbaar blijven.

Voor ontwikkelaars: open-source tools zoals Neo4j, Apache Jena of AWS Neptune helpen bij het bouwen van knowledge graphs. Voor eindgebruikers: steeds meer bedrijfssoftware (CRM, ERP, kennisbanken) heeft ingebouwde graph-functies waarmee je informatie slimmer kunt doorzoeken.

De kern is: als je wilt dat AI niet alleen teksten leest, maar ook echt begrijpt hoe informatie samenhangt, is een knowledge graph een krachtige bouwsteen.