Waarom eenduidige definities en metingen essentieel zijn voor betrouwbare AI

Wat is "omzet" binnen jouw organisatie? Inclusief of exclusief BTW? Op factuurdatum of op leveringsdatum? Inclusief interne doorbelastingen of niet? De kans is groot dat finance, sales en operations hier alle drie een net iets ander antwoord op geven, en dat elk antwoord vanuit het eigen team gezien klopt.

Voor mensen is dat al lastig genoeg. Voor AI is het een fundamenteel probleem. Een AI-toepassing die vragen beantwoordt over je data, kan namelijk niet zelf bepalen welke definitie van "omzet" je bedoelt. Ze kiest er een, en presenteert het antwoord met evenveel overtuiging als wanneer de juiste definitie was gebruikt. In deze blog leggen we uit waarom eenduidige definities en metingen zo belangrijk zijn voor AI-gebruik, en hoe Microsoft Fabric dit probeert op te lossen via de semantische laag.

Het verschil tussen datakwaliteit en eenduidige definities

In een eerdere blog bespraken we het belang van goede datakwaliteit voor AI: volledige, actuele en consistente data. Eenduidige definities zijn een ander vraagstuk, en minstens zo belangrijk.

Je data kan namelijk perfect kloppen, en toch tot verwarring leiden. Een omzetcijfer kan technisch correct zijn berekend, maar als drie afdelingen een andere berekening als "de" omzet beschouwen, ontstaat er geen datakwaliteitsprobleem, maar een definitieprobleem. De cijfers kloppen allemaal, maar ze zijn niet onderling vergelijkbaar, en geen AI-toepassing kan dat verschil voor je oplossen zonder dat jij eerst hebt vastgelegd welke definitie leidend is.

Waarom AI faalt zonder eenduidige definities

Een AI-toepassing die een vraag beantwoordt over bedrijfsdata, zoekt naar een meting die bij die vraag past. Bestaan er meerdere, licht verschillende versies van bijvoorbeeld "actieve klant" of "marge", dan kiest het systeem er een, zonder dat voor de gebruiker zichtbaar is welke dat is en waarom.

Het resultaat is een antwoord dat er precies zo zelfverzekerd uitziet als een correct antwoord. Een manager die 's ochtends in een Copilot-gesprek een ander omzetcijfer krijgt dan een collega die diezelfde ochtend het officiële Power BI-rapport opent, verliest het vertrouwen in beide. Niet omdat een van de twee fout is, maar omdat ze niet weten welke van de twee ze moeten geloven.

De semantische laag: één definitie, overal herbruikbaar

Microsoft Fabric pakt dit vraagstuk aan via wat inmiddels de semantische laag wordt genoemd: een plek waar kernbegrippen, metingen en KPI's één keer eenduidig worden vastgelegd, en vanaf daar overal worden hergebruikt, in rapportages, applicaties én AI-ervaringen.

Semantische modellen als gedeelde bron van waarheid. Een Power BI semantisch model bevat de certified definities van begrippen als omzet, actieve klant en marge, opgebouwd door de teams die deze het best kennen. Dit model is niet alleen de basis voor rapportages, maar inmiddels ook voor AI-ervaringen.

Fabric IQ: dezelfde definities, ook in Copilot. Via Fabric IQ, recent algemeen beschikbaar gemaakt binnen Microsoft 365 Copilot Cowork en Copilot Chat, beantwoordt Copilot vragen op basis van diezelfde semantische modellen die ook je Power BI-rapporten voeden. Een medewerker die in Copilot Chat een vraag stelt, en een leidinggevende die het bijbehorende Power BI-rapport opent, krijgen zo hetzelfde antwoord, omdat beide uit dezelfde bron putten.

Semantic views: definities direct waar je data staat. Microsoft introduceert daarnaast semantic views (nog vroeg in ontwikkeling), waarmee je gegoverneerde definities en bedrijfslogica direct in OneLake vastlegt, los van een specifiek rapport. Het doel is dat dezelfde, ene definitie bruikbaar is voor rapportages, applicaties én AI-toepassingen tegelijk, zonder dat je die telkens opnieuw hoeft vast te leggen.

Toegang beheren via Restrict from Copilot. Niet elk semantisch model is al klaar om door AI geraadpleegd te worden. Beheerders kunnen per model instellen of het beschikbaar is voor Copilot-ervaringen, zodat je zelf bepaalt welke definities al "AI-klaar" zijn en welke nog niet.

Praktijkvoorbeelden

Eén omzetdefinitie voor zowel rapport als Copilot

‍Een financieel team legt de definitie van "nettomzet" eenmalig vast in het semantisch model dat ten grondslag ligt aan het maandrapport. Zodra een manager dezelfde vraag stelt via Copilot Chat, baseert Copilot zich op datzelfde model, en komt het antwoord exact overeen met het rapport, inclusief dezelfde uitzonderingen en correcties.

Voorkomen van tegenstrijdige KPI's tussen afdelingen

Een organisatie merkt dat sales en customer success allebei een eigen versie van "actieve klant" hanteren. Door deze definitie centraal vast te leggen in het semantisch model, en beide teams vanaf daar te laten werken, verdwijnt de discussie over wiens cijfer "het juiste" is, en kan een AI-toepassing een eenduidig antwoord geven ongeacht wie de vraag stelt.

Gefaseerde uitrol van AI op basis van volwassenheid van het model

Een organisatie wil niet elk semantisch model meteen openstellen voor Copilot, omdat sommige modellen nog niet volledig zijn gevalideerd. Door gebruik te maken van Restrict from Copilot, stellen ze eerst alleen de modellen open waarvan de definities zijn goedgekeurd, en breiden dit stapsgewijs uit zodra meer modellen zijn gecontroleerd.

Waar je op moet letten

Semantic views zijn op het moment van schrijven een vroege blik op nieuwe functionaliteit, nog niet breed beschikbaar. Zie dit als een richting waar Microsoft naartoe werkt, niet als iets waar je vandaag al volledig op kunt bouwen.

Het vastleggen van eenduidige definities is daarnaast geen puur technisch vraagstuk. De grootste uitdaging is meestal organisatorisch: wie is eigenaar van de definitie van "omzet", en wie heeft het mandaat om knopen door te hakken als afdelingen het onderling oneens zijn? Zonder dat eigenaarschap blijft een semantisch model een verzameling compromissen in plaats van een echte bron van waarheid.

Gebruik ten slotte bewust de mogelijkheid om modellen al dan niet beschikbaar te stellen voor Copilot. Een semantisch model openstellen voordat de definities daadwerkelijk zijn gevalideerd, vergroot het risico dat AI-toepassingen foutieve of voorlopige cijfers als definitief presenteren.

Veelgestelde vragen

Is dit hetzelfde als het eerder besproken belang van datakwaliteit?

Nee, al hangen ze sterk samen. Datakwaliteit gaat over of je data volledig, actueel en correct is. Eenduidige definities gaan over of iedereen, inclusief AI, hetzelfde bedoelt met een begrip als "omzet" of "actieve klant". Je kunt perfect schone data hebben en toch tegenstrijdige definities.

Waar leg ik definities van KPI's het beste vast?

Op dit moment is een Power BI semantisch model de meest praktische plek, omdat dit al de basis vormt voor zowel rapportages als AI-ervaringen zoals Fabric IQ en Copilot. Semantic views zijn een toekomstige uitbreiding hierop.

Hoe zorg ik dat Copilot dezelfde cijfers geeft als mijn Power BI-rapport?

Door Copilot-ervaringen te baseren op hetzelfde semantische model als je rapportage, in plaats van los te laten rekenen op onderliggende data. Fabric IQ is hier specifiek op ingericht.

Kan ik voorkomen dat een nog niet gevalideerd model door Copilot wordt gebruikt?

Ja, via de instelling Restrict from Copilot kun je per semantisch model bepalen of het beschikbaar is voor AI-ervaringen.

Wie moet binnen onze organisatie eigenaar zijn van KPI-definities?

Dat verschilt per organisatie, maar werkt het beste als er één duidelijk aangewezen eigenaar per domein is (bijvoorbeeld finance voor omzet en marge), in plaats van dat elke afdeling zijn eigen versie blijft hanteren.

Aan de slag met eenduidige definities voor AI?

Betrouwbare AI begint niet bij het model, maar bij overeenstemming over wat je cijfers daadwerkelijk betekenen. Zonder die overeenstemming geeft AI alleen maar sneller antwoord op de verkeerde vraag.

Wil je weten hoe je tot eenduidige, AI-klare definities komt binnen jouw organisatie? Neem contact met ons op. Bij Mount Data helpen we teams met het opzetten van een semantische laag waarop zowel rapportages als AI-toepassingen betrouwbaar kunnen bouwen.