Wat is grounding bij AI?

Grounding, in het Engels ook wel AI grounding of grounding AI genoemd, betekent dat een AI-assistent zijn antwoord baseert op concrete bronnen in plaats van alleen op wat het model tijdens de training heeft opgepikt. De assistent zoekt eerst in aangewezen documenten of systemen, en schrijft daarna een antwoord op basis van wat hij daar vindt. Vaak zie je de gebruikte bronnen er als verwijzing bij staan.

Voor het MKB is dit het verschil tussen een leuke tekstgenerator en een bruikbaar hulpmiddel. Een ongegrond model verzint met overtuiging een garantietermijn of een prijsafspraak. Een gegronde assistent haalt die uit jouw eigen offerte, handleiding of procedure, en jij kunt met een klik controleren of het klopt.

In de praktijk regel je grounding door een assistent toegang te geven tot een afgebakende set bronnen, bijvoorbeeld een SharePoint-site met actuele documenten. Twee aandachtspunten: de kwaliteit van je antwoorden is gelijk aan de kwaliteit van die bronnen, dus ruim verouderde versies op. En de assistent erft de rechten van de gebruiker, dus controleer eerst wie waar bij mag voordat je hem loslaat.

Hoe grounding werkt: RAG, eigen documenten en bronvermelding

Een large language model (LLM) genereert tekst op basis van patronen uit zijn trainingsdata. Het model weet niets over jouw bedrijf, en het weet niet wat er na de training is veranderd. Grounding voegt daarom een stap toe vóór het antwoord: eerst zoeken, dan schrijven.

De meest gebruikte techniek daarvoor is RAG (retrieval-augmented generation). Dat werkt zo: je stelt een vraag, het systeem zoekt de meest relevante stukken tekst in een afgebakende set bronnen, en die stukken gaan als context mee naar het model. Het model schrijft dan een antwoord dat gebaseerd is op die specifieke informatie, niet op wat het toevallig nog wist.

Welke bronnen dat zijn, bepaal jij. Denk aan interne documenten zoals handleidingen, procedures, offertes en contracten, maar ook aan data uit een systeem, bijvoorbeeld je CRM of een prijslijst. Een goed ingerichte assistent laat bij elk antwoord zien welk document of welke pagina hij heeft gebruikt. Die bronvermelding is het controlemoment: klopt het niet, dan zie je direct waar het vandaan komt.

Grounding of fine-tuning: wat is het verschil?

Grounding wordt vaak verward met fine-tuning. Bij fine-tuning train je een bestaand model verder op je eigen data. Het model leert dan vooral jouw toon, jargon en manier van antwoorden. Het is een dure stap, en je moet hem herhalen zodra je informatie verandert.

Bij grounding verander je niets aan het model zelf. Je geeft het bij elke vraag de juiste context mee. Pas je een procedure aan, dan pakt de assistent bij de volgende vraag de nieuwe versie. Er is geen hertraining nodig.

Voor de meeste MKB-toepassingen is grounding daarom het logische startpunt. Je wilt dat de assistent feitelijke vragen over jouw bedrijf goed beantwoordt, en dat het antwoord controleerbaar is. Fine-tuning helpt daar niet bij: een model dat op jouw data is getraind, kan nog steeds dingen verzinnen, want het onthoudt patronen, geen feiten. De twee technieken sluiten elkaar niet uit, maar als je moet kiezen, begin je met grounding.

Waarom grounding hallucinaties beperkt, maar niet uitsluit

Een hallucinatie is een antwoord dat overtuigend klinkt, maar feitelijk onjuist is. Een taalmodel heeft geen ingebouwde controle op waarheid. Het voorspelt welk woord waarschijnlijk volgt. Ontbreekt de kennis, dan vult het model het gat met iets plausibels: een verzonnen levertijd, een niet-bestaand artikel in een contract, een prijs die nooit is afgesproken.

Grounding beperkt dat risico flink. Het model krijgt de juiste informatie aangereikt en hoeft niet te raden. Bovendien kun je het instrueren om te zeggen dat het iets niet weet als de bronnen geen antwoord geven.

Maar helemaal weg is het risico niet. Staat er onjuiste of verouderde informatie in je bronnen, dan komt die netjes in het antwoord terecht. Haalt de zoekstap het verkeerde document op, dan redeneert het model verder op de verkeerde context. En bij een vaag geformuleerde vraag kan het model alsnog iets erbij verzinnen. Daarom blijven twee dingen belangrijk: houd je bronnen actueel, en laat iemand meekijken bij antwoorden die ertoe doen, zoals juridische of financiële vragen.

Veelgestelde vragen

Wat is het verschil tussen grounding en RAG?

RAG is een manier om grounding te doen: relevante stukken tekst opzoeken en meegeven aan het model. Grounding is het bredere principe. Ook een koppeling met een systeem dat actuele data levert, of een verplichte bronvermelding, valt eronder.

Welke bronnen kan ik gebruiken voor grounding?

In principe alles wat digitaal en doorzoekbaar is: documenten op SharePoint of een netwerkschijf, een intranet, e-mail, tickets of gegevens uit een bedrijfsapplicatie. Begin klein, met een afgebakende set actuele documenten waarvan je weet dat ze kloppen.

Voorkomt grounding alle hallucinaties?

Nee. Grounding maakt hallucinaties een stuk zeldzamer en vooral controleerbaar, omdat je de bron kunt nakijken. Verouderde of onjuiste bronnen, een slechte zoekstap of een onduidelijke vraag kunnen nog steeds tot fouten leiden.

Kan grounding gevoelige informatie lekken?

Ja, als de rechten niet op orde zijn. Een gegronde assistent laat zien wat de gebruiker zelf mag zien. Staat een salarisoverzicht in een map waar iedereen bij kan, dan kan de assistent er ook uit citeren. Controleer daarom eerst de rechten op je bronnen.

Meer lezen: Wat is RAG (retrieval-augmented generation)? · Wat is een taalmodel (LLM)?