Vink Intelligence

Diensten

Knowledge graph consultancy en graph-AI

Wij bouwen enterprise knowledge graphs die data uit verschillende systemen verbinden tot één gestructureerd, herleidbaar model. De graaf ondersteunt zoeken en analyse, voedt graph machine learning en geeft AI-systemen verbonden context om over te redeneren. Onze aanpak combineert semantische modellering, redeneren op grafen en voorspellen.

Onderbouwd door peer-reviewed onderzoek: ons ReviewGraph-artikel is gepresenteerd op IEEE ICKG 2025. Zie ReviewGraph-onderzoek →

Wanneer een knowledge graph helpt

  • Informatie staat in meerdere systemen die geen identifiers delen.
  • De relaties tussen dingen zijn net zo belangrijk als de dingen zelf.
  • Antwoorden moeten herleidbaar zijn tot hun bronnen.
  • AI-systemen hebben verbonden context nodig om over te redeneren, geen losse documenten.

Wat we bouwen

01

Semantische datamodellen

De entiteiten, relaties en definities die uw domein echt gebruikt, vastgelegd zodat systemen ze kunnen delen.

02

Data-integratie in een graaf

Pipelines die records, documenten en sensordata samenbrengen met consistente identiteiten en herkomst.

03

Extractie van entiteiten en relaties

Tekst en semigestructureerde bronnen omzetten in entiteiten en relaties, met de bron erbij.

04

Graafanalyse en graph machine learning

Embeddings, linkvoorspelling en patroonontdekking bovenop de graaf.

05

Interfaces en API's

Manieren om de graaf te bevragen, te verkennen en te visualiseren, en om hem aan andere AI-systemen te voeren.

Toepassingen

Records over systemen heen verbinden

Geef assets, klanten of documenten één consistente identiteit over systemen heen, zodat vragen die ze overspannen te beantwoorden zijn.

Tekst omzetten in gestructureerde kennis

Haal entiteiten en relaties uit documenten of reviews in een graaf en bewaar de bron van elk. ReviewGraph doet dit voor klantreviews.

Voorspellen met graafkenmerken

Gebruik graafembeddings en relatiekenmerken in machine learning, bijvoorbeeld om beoordelingen te voorspellen of ontbrekende verbindingen te vinden.

Bewijsgrafen met heldere herkomst

Houd bekend bewijs gescheiden van modelvoorspellingen, zoals in de biomedische grafen van Vink Drug.

Verbonden context voor AI-systemen

Geef een LLM of agent verbonden, herleidbare feiten in plaats van losse documenten.

Hoe het werkt

  1. 01

    Het domein modelleren

    Spreek de entiteiten, relaties en definities af die ertoe doen, vanuit de vragen die de graaf moet beantwoorden.

  2. 02

    Integreren en extraheren

    Breng records, documenten en sensordata in de graaf met consistente identiteiten, haal waar nodig entiteiten en relaties uit tekst en bewaar de herkomst.

  3. 03

    Analyseren en voorspellen

    Draai graafanalyse en graph machine learning zoals embeddings en linkvoorspelling, en toets ze aan uitkomsten die u al kent.

  4. 04

    Ontsluiten en onderhouden

    Maak de graaf bevraagbaar via interfaces en API's en houd hem actueel als de data verandert.

Elk project doorloopt dezelfde vier stappen. Begrijpen → Bouwen → Valideren → Uitrollen. Over onze werkwijze →

Waar we het hebben toegepast

Onderzoek

ReviewGraph

Een peer-reviewed framework dat klantreviews omzet in een knowledge graph en beoordelingen voorspelt met graafembeddings en sentiment.

Lees het ReviewGraph-onderzoek →

Onderzoek

Vink Drug

Biomedische knowledge graphs die bekend bewijs gescheiden houden van modelvoorspellingen.

Bekijk Vink Drug ↗

Onderzoek

Knowledge graph foundation model

Ons huidige ontwerp voor een model dat uit de structuur afleidt hoe een onbekende graaf zich gedraagt. Een visie, nog geen resultaat.

Lees de visie →

Veelgestelde vragen

Wat is een knowledge graph?

Een knowledge graph legt entiteiten vast, zoals assets, mensen of documenten, en de getypeerde relaties ertussen, samen met waar elk feit vandaan komt. Anders dan een tabel maakt hij verbanden expliciet, zodat je ze kunt volgen, bevragen en gebruiken als invoer voor analyse, machine learning en AI-systemen.

Wat is het verschil tussen een knowledge graph en een vectordatabase?

Een vectordatabase slaat numerieke embeddings op en vindt items die op elkaar lijken. Een knowledge graph slaat expliciete entiteiten en benoemde relaties op, en kan daarom vragen beantwoorden die afhangen van hoe dingen verbonden zijn en zijn bronnen tonen. Ze vullen elkaar aan: embeddings kunnen uit een graaf worden berekend, zoals in ons ReviewGraph-onderzoek.

Kunnen knowledge graphs worden gebruikt met LLM's en AI-agents?

Ja. Een graaf kan een LLM of agent verbonden, herleidbare feiten geven om mee te werken in plaats van losse tekstfragmenten, een aanpak die vaak GraphRAG heet. Hoe wij dat aanpakken beschrijven we op onze pagina over de AI-contextlaag.

Wanneer heeft een bedrijf een ontologie nodig?

Wanneer meerdere systemen of teams verschillende definities gebruiken voor dezelfde dingen, of wanneer antwoorden consistent en uitlegbaar moeten zijn. Een grote ontologie vooraf is zelden nodig. Wij beginnen met de entiteiten en relaties achter de vragen die u beantwoord wilt zien en breiden het model van daaruit uit.

Kan Vink Intelligence werken met bestaande bedrijfsdata?

Ja. Wij beginnen bij de data die u al heeft, zoals databases, documenten en sensordata, en bewaren de bron van elk feit. We gebruiken alleen data die u aanlevert of die openbaar beschikbaar is, onder afgesproken voorwaarden.

Informatie die verbonden moet worden?