Wat is Ontology?

Wat is een ontology eigenlijk?

Stel je voor dat je een nieuwe medewerker moet uitleggen hoe jullie bedrijf werkt. Je vertelt niet alleen wat dingen zijn ("dit is een klant", "dit is een product"), maar ook hoe ze met elkaar samenhangen: een klant plaatst een bestelling, een bestelling bevat producten, een product heeft een prijs. Al die verbanden samen vormen eigenlijk een ontology.

In de AI-wereld is een ontology precies dat: een formele beschrijving van concepten, hun eigenschappen en hun relaties binnen een bepaald domein. Het is als een kaart die machines helpt begrijpen wat dingen betekenen en hoe ze met elkaar verbonden zijn. Niet alleen de woorden zelf, maar ook de logica erachter.

Het verschil met een simpele taxonomie (een boomstructuur zoals "hond is een zoogdier, zoogdier is een dier") is dat een ontology veel rijker is. Het legt ook causale relaties vast ("als de temperatuur stijgt, dan smelt ijs"), onderdelen ("een auto heeft wielen"), en condities ("alleen volwassenen mogen alcohol kopen").

Hoe werkt het in de praktijk?

Een ontology bestaat uit drie hoofdonderdelen:

• Concepten (of klassen): de "dingen" in je domein — zoals Patiënt, Medicijn, Diagnose in de gezondheidszorg

• Eigenschappen (of attributen): kenmerken van die concepten — een Patiënt heeft een geboortedatum, een Medicijn heeft een werkzame stof

• Relaties: hoe concepten met elkaar verbonden zijn — een Patiënt krijgt een Medicijn, een Diagnose vereist een Behandeling

Deze structuur wordt vaak vastgelegd in formele talen zoals OWL (Web Ontology Language) of RDF (Resource Description Framework). Dat klinkt ingewikkeld, maar het belangrijkste idee is simpel: je maakt explíciet wat anders impliciet in menselijke hoofden zou blijven.

Een voorbeeld: in een medische ontology staat niet alleen dat "paracetamol een pijnstiller is", maar ook dat "pijnstillers interacteren met leveraandoeningen" en "patiënten met leveraandoeningen een lagere dosering nodig hebben". Die kennis kan een AI-systeem dan gebruiken om gevaarlijke combinaties te herkennen.

Waarom zou jij hier iets aan hebben?

Ontologies zijn vooral waardevol in complexe domeinen waar veel kennis en regels een rol spelen:

• Gezondheidszorg: medische AI-systemen gebruiken ontologies om ziektes, symptomen, behandelingen en contra-indicaties correct te begrijpen

• Life sciences: biologische databases linken eiwitten, genen, ziektes en medicijnen via ontologies zoals Gene Ontology

• Juridisch: juridische AI moet begrijpen hoe wetten, artikelen, rechtspraak en situaties met elkaar samenhangen

• Smart manufacturing: industriële systemen gebruiken ontologies om machines, onderdelen, processen en storingen te modelleren

Het grote voordeel is interoperabiliteit: als twee organisaties dezelfde ontology gebruiken, kunnen hun systemen elkaars data begrijpen zonder dat iemand handmatig alles hoeft te vertalen.

Waar kom je het tegen?

In veel AI-toepassingen werk je onbewust met ontologies:

• Knowledge graphs zoals Google's Knowledge Graph of Wikidata bouwen voort op ontology-principes om feiten en relaties te structureren

• Chatbots in gezondheidszorg (zoals Babylon Health, Ada Health) gebruiken medische ontologies om symptomen correct te interpreteren

• Enterprise search-tools (Microsoft SharePoint, Elastic) gebruiken interne ontologies om documenten semantisch te begrijpen

• Aanbevelingssystemen in e-commerce combineren productontologies met gebruikersgedrag

• Linked Data-projecten zoals schema.org helpen zoekmachines websites beter begrijpen via gedeelde ontologies

In wetenschappelijk onderzoek zijn ontologies onmisbaar: biomedische databases zoals UniProt, ChEMBL en PubChem gebruiken allemaal gestandaardiseerde ontologies om onderzoek wereldwijd vergelijkbaar te maken.

Het verschil met andere kennisstructuren

Je hoort ook wel termen als "taxonomie", "thesaurus" of "knowledge graph". De verschillen:

• Een taxonomie is eendimensionaal: alleen hiërarchische relaties ("is een soort van")

• Een thesaurus voegt synoniemen en verwante termen toe, maar geen logische regels

• Een knowledge graph is een ontology in actie: gevuld met concrete data ("Jan is een Patiënt", "Jan kreeg Paracetamol op 12 januari")

• Een ontology is de formele definitie van de structuur — het sjabloon waarmee je knowledge graphs bouwt

Denk aan het verschil tussen een bouwtekening (ontology) en het echte gebouw (knowledge graph).

Waar moet je op letten?

Ontologies bouwen is arbeidsintensief. Het vraagt domeinexperts die hun kennis formaliseren, én technische mensen die dat in de juiste structuur gieten. Voor kleinere projecten is het vaak overkill — een simpele database of taxonomie volstaat dan.

Daarnaast zijn ontologies alleen nuttig als ze gedeeld en gestandaardiseerd worden. Een ontology die alleen jouw organisatie gebruikt, lost geen interoperabiliteitsproblemen op. Gelukkig bestaan er veel open standaarden (zoals SNOMED CT voor gezondheidszorg, FIBO voor financiën) waar je op kunt voortbouwen.

Wat kun je ermee?

Als je met AI werkt in een kennisintensief vakgebied, loont het om te checken of er al een standaard-ontology bestaat voor jouw domein. Gebruik die als basis, in plaats van alles zelf te verzinnen. Dat bespaart tijd en maakt je systeem compatibel met anderen.

Voor complexe besluitvorming (medische diagnoses, juridisch advies, technische troubleshooting) kunnen ontologies je AI helpen om niet alleen patronen te herkennen, maar ook logisch te redeneren over wat wel en niet kan of mag. Dat maakt de uitkomsten betrouwbaarder en beter uit te leggen.