AI-BOK Referentiearchitectuur ============================ Dit ArchiMate-model is de architectuurvertaling van de AI Body of Knowledge (AI-BOK) v1.0, geschreven door Jan Willem van Veen (ArchiXL). Het model biedt een compleet referentiekader voor AI-governance en -architectuur, gestructureerd volgens het ArchiMate 3.2 metamodel over alle lagen: Elementen: 668 Relaties: 1056 Views: 48 Inhoud per laag: Motivation: 76 principes, 16 requirements, 14 doelen, 41 standaarden, 7 stakeholders, 10 drivers, 52 AI-begrippen (SKOS) Strategy: 12 capabilities, 5 value stream stages, 6 maturity approaches Business: 12 functies, 29 rollen, 17 processen, 7 quality gates, 28 bedrijfsobjecten, 88 actoren/leveranciers Application: 23 ABBs, 16 services, 10 meta-model objecten Technology: 109 SBBs (concrete producten en frameworks) Impl/Migr: 4 roadmap-fasen, 3 gaps, 5 maturity levels Kernarchitectuur: het Cognition Plane als eigenstandige architectuurlaag naast het Control Plane en Data Plane, verbonden via services. Drie fundamenten: Semantische Precisie, Betrouwbare Kennisbronnen, Expliciete Governance. Views zijn georganiseerd in 6 mapjes: 01 Overzicht — Navigator, Capability Map, Layered View 02 Business — Rollen, Lifecycle, Value Stream, RACI, Processen 03 Applicatie — Drie Planes, ABBs, SBBs, Application Cooperation 04 Motivatie — Stakeholders, Principes, Requirements, Standaarden 05 Volwassenheid — Maturity, Quality, Roadmap 06 Kennisgebieden — Detail per KG (KG1-KG12) Bronverwijzingen: elk element heeft een dct:source property met paginaverwijzing naar de AI-BOK v1.0 publicatie. Auteur: Jan Willem van Veen / ArchiXL Licentie: Open source, vrij te gebruiken als referentie Website: https://www.ai-bok.nl Versie: 1.0 (april 2026) Condities creëren waaronder AI-systemen maximale waarde leveren binnen acceptabele risicogrenzen. Maximale organisatiewaarde uit AI-investeringen door systematische selectie en prioritering. Een samenhangend, herhaalbaar en evolueerbaar blauwdruk voor AI-capabilities. Voorspelbare, herhaalbare en bestuurbare voortgang van AI-initiatieven. Betrouwbare, traceerbare en semantisch verankerde datafundament voor AI. Betrouwbaar, reproduceerbaar en verantwoord modelportfolio. AI-interacties die gebruikersgericht, betrouwbaar en inclusief zijn. Betrouwbare, observeerbare en kostenefficiënte AI-operaties in productie. Proactief identificeren, beoordelen en mitigeren van AI-gerelateerde risico's. Verifieerbare, risicogebaseerde compliance van AI-systemen. Ethische overwegingen structureel ingebed in ontwerp en inzet van AI. AI-systemen produceren gegronde, traceerbare en semantisch gevalideerde output. Identificeer AI-kansen en beoordeel businesswaarde. Architectuur, datavoorbereiding en modelselectie. Training, fine-tuning, prompt engineering en evaluatie. Deployment, integratie, monitoring en operatie. Meetbare businesswaarde en continue verbetering. Vaststellen en handhaven van AI-beleid, principes en mandaten. Selectie, prioritering en bewaking van AI-initiatieven. Ontwerpen en onderhouden van de AI-referentiearchitectuur. Begeleiden van AI-initiatieven door alle fasen van de levenscyclus. Borgen van datakwaliteit, semantische precisie en kennisbronnen. Registratie, validatie en versiebeheer van AI-modellen. Ontwerp en optimalisatie van AI-gebruikersinteracties. Deployment, monitoring en operationele betrouwbaarheid. Identificatie, beoordeling en mitigatie van AI-risico's. Waarborgen van naleving van wet- en regelgeving. Borgen van ethische principes in AI-systemen. Curatie en governance van kennisbronnen voor AI-grounding. Overzicht van alle AI-initiatieven met status en prioriteit. Onderbouwing van AI-initiatief met verwachte waarde en risico's. Gecureerde verzameling prompt-templates en -strategieën. Register van geïdentificeerde AI-risico's met mitigatie. Publiek register van ingezette AI-systemen (transparantie). Register van autoritatieve kennisbronnen met classificatie. Register van niet-goedgekeurde AI-toepassingen in de organisatie. Meerjarig AI-strategiedocument, jaarlijks herijkt. Rolling 12-18 maanden roadmap voor AI-initiatieven. Plan voor talent, technologie, data en budget. Halfjaarlijks overzicht: invoeren, beproeven, beoordelen, afwachten. Catalogus van integratiepatronen (MCP, A2A, governance-hooks). Catalogus van AI-interactiepatronen en richtlijnen. Register met autoriteitsniveaus en metadata per kennisbron. Organisatiebreed AI-beleid met principes, rollen en mandaten. Formele specificatie van autonomiegrenzen en escalatieregels per agent. Formeel document met AI-beleid, principes, rollen en mandaten. Afspraak over datakwaliteit en -levering tussen systemen. Blauwdruk voor AI-capabilities inclusief Cognition Plane. Autoritatief begrippenkader (SKOS/NL-SBB) voor AI-systemen. Gestandaardiseerde documentatie van een AI-model. Documentatie van dataset conform Datasheets for Datasets. Checklijst voor naleving van de EU AI-verordening per risicoklasse. Resultaten van adversarial testing van AI-systemen. Resultaten van bias-analyse en fairness-beoordeling. Volledige inventaris van componenten, modellen, data en dependencies. Vastlegging van architectuurbeslissingen met rationale. Vastlegging van ML-experimenten met parameters en resultaten. Documentatie van verantwoorde uitfasering van AI-systemen. Matrix die verantwoordelijkheden per AI-rol en KG vastlegt. Rapportage over conformiteit aan de AI-referentiearchitectuur. Per model: frequentie, validatiecriteria, goedkeuringsproces. Checklijst per levenscyclusfase met criteria en deliverables. Protocol voor verantwoorde uitfasering van AI-systemen. Documentatie van dataherkomst en -transformaties. Rapport over datakwaliteit per dataset. Protocollen en escalatiespecificaties per risiconiveau. Rapport bij gedetecteerde data- of conceptdrift. Incidentrapport met root-cause-analyse. Plan voor AI-specifieke incidentrespons. Organisatie-specifiek ethisch kader en gedragscode voor AI. Per AI-systeem en beslissingstype. Rapportage over actualiteit en verversingsschema van kennisbronnen. Vastlegging van geleerde lessen bij evolutie of decommissioning. Strategische besluitvorming. Tactische quality gate reviews. Advies ethische dilemma's. Risico-overzicht en -acceptatie. Centraal kenniscentrum voor AI-expertise, best practices en herbruikbare componenten. Amerikaans AI-bedrijf, maker van GPT-4 en ChatGPT. AI-veiligheidsbedrijf, maker van Claude. Technologiebedrijf, maker van open-source LLaMA-modellen. Technologiebedrijf, maker van Gemini en TensorFlow. Cloud AI-platform met Vertex AI. People + AI Research initiative. Enterprise AI-platform voor NLP en embeddings. Technologiebedrijf, Azure AI en enterprise-integratie. Cloud provider met Bedrock, SageMaker en AI-diensten. GPU- en AI-infrastructuurleverancier. Framework voor LLM-applicaties, RAG en agents. Multi-agent orkestratie framework. Data-framework voor LLM-applicaties en RAG. Managed vector database voor AI-applicaties. Maker van Weaviate open-source vector database. Open-source vector zoekmachine. Open-source embedding database. Marktleider in graph databases. Semantic graph database en kennistechnologie. Open-source softwarestichting, o.a. Jena triple store. Enterprise knowledge graph platform. Academische ontologie-editor Protégé. Nederlands bedrijf, linked data platform TriplyDB. Unified data analytics en AI-platform. Cloud data warehouse platform. Open-source ML lifecycle management. ML experiment tracking en model management. ML pipeline orkestratie op Kubernetes. Experiment tracking voor ML-teams. Open-source MLOps platform. Data en model version control. Open-source AI-community, model hub en tooling. Output-validatie en filtering voor LLMs. LLM vulnerability scanning toolkit. LLM evaluatie en red teaming tool. RAG-evaluatie framework. LLM-evaluatieplatform DeepEval. AI quality en observability platform. Center for Research on Foundation Models. Open-source AI-onderzoekslaboratorium. Open-source monitoring en alerting. Observability platform, dashboards en logging. Cloud monitoring en analytics platform. Zoek- en observability platform (ELK Stack). Open-source observability framework. Distributed tracing systeem. ML monitoring en data drift detectie. AI observability en data monitoring. Post-deployment ML performance monitoring. LLM observability en token tracking. LLM inference cost benchmarking. Prompt versiebeheer en evaluatie. LLM-applicatie ontwikkelplatform. API gateway en service mesh. Unified LLM API proxy en load balancer. Unified API voor meerdere LLM-providers. Open-source identity en access management. Enterprise identity platform. Unified policy engine, policy-as-code. Policy language voor autorisatielogica. AI Fairness 360 toolkit voor biasdetectie. Open-source bias audit toolkit. SHapley Additive exPlanations voor model interpretatie. Local Interpretable Model-agnostic Explanations. Data validation en documentatie framework. Data quality monitoring platform. Maker van Label Studio, open-source annotatie. Maker van spaCy en Prodigy annotatie-tool. Open-source ML framework en serving. Open-source deep learning framework. Code hosting en CI/CD platform. DevOps platform met geïntegreerde CI/CD. Open-source automation server. Containerisatieplatform. Container orkestratie standaard. Kubernetes package manager. Infrastructure-as-code (Terraform). Infrastructure-as-code in programmeertalen. Samenwerkingsplatform, maker van Confluence. Open-source feature store voor ML. Enterprise feature platform voor ML. Open-source data lineage standaard. Nederlands architectuurbureau, specialist in enterprise- en informatiearchitectuur. Maker van WikiXL, ArchiMedes en BegrippenXL. Eindverantwoordelijk voor de AI-strategie, governance en waardecreatie. Voorzitter van het AI Board en bewaker van de AI-BOK implementatie. Beheert het AI-portfolio: selectie, prioritering en bewaking van AI-initiatieven op basis van businesswaarde en strategische fit. Adviseert over ethische aspecten van AI-systemen: fairness, bias, transparantie en maatschappelijke impact. Lid van het AI Ethics Committee. Verantwoordelijk voor de functionele sturing van een AI-initiatief: requirements, prioritering en acceptatie vanuit het business-perspectief. Ontwerpt de AI-referentiearchitectuur: planes, ABBs, integratiepatronen en technologiekeuzes. Bewaakt coherentie en herbruikbaarheid. Identificeert, beoordeelt en mitigeert AI-gerelateerde risico's. Beheert het AI-risicoregister en adviseert over risicoklassificatie (EU AI Act). Operationaliseert AI-governance: beleidskaders, mandaten, quality gates en compliance-processen. Lid van het AI Review Committee. Cureert en beheert kennisbronnen voor AI-grounding: terminologieraamwerken, kennisgrafen en documentcollecties. Ontwikkelt, traint en optimaliseert AI-modellen: data-engineering, modeltraining, fine-tuning, prompt engineering en evaluatie. Ontwerpt de gebruikersinteractie met AI-systemen: conversatie-flows, uitlegbaarheid, feedbackmechanismen en human-in-the-loop patronen. Verantwoordelijk voor deployment, monitoring en operationeel beheer van AI-systemen in productie. Bewaakt SLA's en performance. Evalueert en valideert AI-systemen op kwaliteit: faithfulness, relevantie, bias, robuustheid en conformiteit aan quality gates. Voert onafhankelijke audits uit op AI-systemen: compliance, technische conformiteit, datakwaliteit en governance-naleving. Beheert de technische AI-infrastructuur: platforms, API-gateways, model registries, monitoring-tooling en toegangsbeheer. Bereidt trainingsdata voor: labeling, annotatie, kwaliteitscontrole en validatie van datasets voor supervised learning. Levert domeinkennis voor AI-systemen: validatie van output, curatie van kennisbronnen en beoordeling van domeinspecifieke kwaliteit. Begeleidt de organisatieverandering bij AI-adoptie: stakeholdermanagement, training, communicatie en cultuurverandering. Beheert autonome AI-agents: definieert mandaten, escalatieregels, autonomiegrenzen en bewaakt agentgedrag in productie. Waarborgt naleving van AI-wet- en regelgeving: EU AI Act, AVG, sectorspecifieke eisen en rapportageverplichtingen. Ontwerpt en beheert kennisgrafen en ontologieën voor AI-grounding. Ontwerpt en optimaliseert RAG-pipelines en retrieval-strategieën. Specialist in bias-detectie, fairness-metrics en debiasing-technieken. Ontwerpt en implementeert uitlegbaarheidsmechanismen (SHAP, LIME). Beveiligingsarchitectuur voor AI-systemen, prompt injection preventie. Bouwt en beheert het AI-platform (MLOps, serving, monitoring). Selecteert en kwalificeert kennisbronnen voor RAG-pipelines. Expert in terminologieraamwerken, SKOS, linked data voor AI. Ontwerpt concrete AI-oplossingen binnen de referentiearchitectuur. Functionaris gegevensbescherming, toezicht op AVG-naleving bij AI. AI Architecture als 5e laag (Cognition Plane). AI Architect op Enterprise Architecture Board. KG5/KG12 breiden datagovernance uit. Terminologieraamwerken in metadata management. AI-systemen in CMDB. AI-incidenten via bestaand incidentmanagement + AI-classificatie. AI-risicoregister geïntegreerd in enterprise-risicoregister. Three Lines of Defence toegepast. DPIA voor AI-systemen. Art. 22 recht op uitleg geoperationaliseerd. Privacy by design. Gate-criteria als Definition of Done per PI. MLOps pipeline als CD Pipeline equivalent. P7 → P4: Prestatiedegradatie triggert hertraining. P5 → P4: Gezakte evaluatie keert terug naar modelontwikkeling. P8 → P1: Fundamentele veranderingen herstarten de volledige cyclus. Assessment per dataset op bias en representativiteit. Risicobeoordeling van externe modellen, datasets, diensten. Onveranderbare log van AI-beslissingen en -interacties. Inferentie-endpoint voor taalmodellen. Biedt tekst-, beeld- en codegeneratie via foundation models. Orkestratie van autonome AI-agents, taakdecompositie, tool-gebruik en multi-agent coördinatie. Retrieval-Augmented Generation: haalt relevante context op uit kennisbronnen en voedt deze aan het LLM. Centraal beheer van prompt-templates, system messages, versiebeheer en effectiviteitsmetrics. Input/output-filtering, content moderation, prompt injection detectie en veiligheidscontroles. Geautomatiseerde kwaliteitsevaluatie van modellen: faithfulness, relevance, hallucination rate. Identiteit en autorisatie voor AI-agents, gebruikers en systemen. Agent-identiteiten (NHI). Beleidsregels voor AI-autorisatie, policy-as-code. Runtime governance-checks voor agents. Onveranderbare logging van AI-beslissingen, interacties en agentacties. Provenance en traceerbaarheid. Centraal register van modellen, versies, model cards, experimenten en deployments. Toegangsbeheer, rate limiting, routing en load balancing voor AI-services en LLM-endpoints. Opslag en similarity search van embeddings voor RAG en semantisch zoeken. Kennisgraaf voor gestructureerde kennis: entiteiten, relaties, ontologieën (RDF/OWL/SKOS). Gestandaardiseerde opslag en serving van ML-features voor training en inferentie. Centrale opslag voor trainingsdata, evaluatiedata en analytics. Documentopslag voor RAG-bronnen: beleidsdocumenten, handleidingen, kennisartikelen. Continue monitoring van AI-systemen: prestaties, kosten, drift, anomalieën en SLA-bewaking. Detectie en mitigatie van bias in modellen en data. Fairness-metrics en debiasing-technieken. Uitlegbaarheidsmechanismen voor AI-beslissingen: feature attribution, counterfactuals, attention maps. Geautomatiseerde datakwaliteitsvalidatie: volledigheid, consistentie, actualiteit, biasdetectie. Tooling voor data-annotatie, labeling en curatie. Ondersteuning voor RLHF en domeinexpert-validatie. Continuous integration/delivery pipelines, containerisatie, infrastructure-as-code voor AI-workloads. Productie-serving van ML-modellen: batching, caching, GPU-optimalisatie, A/B-testing. Basis retrieve-then-generate patroon. Pre-retrieval optimalisatie, post-retrieval reranking. Modulaire pipeline met verwisselbare componenten. Kennisgraaf-gebaseerde retrieval met entity-relatie context. Agent-gestuurde retrieval met tool-gebruik en iteratieve zoekstrategieën. Vector similarity search en document retrieval voor RAG-pipelines. SPARQL en graph queries op kennisgrafen en ontologieën. Geautomatiseerde datakwaliteitsvalidatie en -rapportage. On-demand serving van ML-features voor training en inferentie. Agent-identiteit, autorisatie en mandaatverificatie. Runtime governance-checks: mag deze agent deze actie uitvoeren? Onveranderbare logging van beslissingen, interacties en agentacties. Modelselectie, versiebeheer en model card raadpleging. Gecontroleerde toegang tot AI-endpoints met rate limiting en routing. Continue monitoring van prestaties, drift, kosten en anomalieën. Tekstgeneratie, classificatie, embedding via foundation models. Multi-agent coördinatie, taakdecompositie en tool-gebruik. RAG: grounded antwoorden op basis van autoritatieve kennisbronnen. Input/output-filtering, hallucinatiepreventie en content moderation. Geautomatiseerde kwaliteitsevaluatie: faithfulness, relevance, fairness. De-pseudonimisering alleen mogelijk door geautoriseerde rollen met specifieke taaksleutel. Pseudonimiseringslaag die persoonsgegevens scheidt van inhoudelijke data. Taaksleutels koppelen gepseudonimiseerde data aan taken, niet aan personen. Europese verordening voor AI-regulering met risicoklassen. Organisaties moeten AI inzetten om concurrerend te blijven. Maatschappelijk vertrouwen in AI is essentieel voor adoptie. Autonome AI-agents vereisen nieuwe governance-mechanismen. Snelle ontwikkeling van foundation models en agentic AI. Arbeidsmarkt voor AI-specialisten is zeer krap. Cultuur bepaalt adoptietempo van AI. Aanvullende eisen per sector (zorg, finance, overheid). AI-energieverbruik en CO2-uitstoot worden gerapporteerd. Federatieve datadeling vereist interoperabele AI. Condities creëren waaronder AI-systemen maximale waarde leveren binnen acceptabele risicogrenzen. Maximale organisatiewaarde uit AI-investeringen door systematische selectie en prioritering. Een samenhangend, herhaalbaar en evolueerbaar blauwdruk voor AI-capabilities. Voorspelbare, herhaalbare en bestuurbare voortgang van AI-initiatieven. Betrouwbare, traceerbare en semantisch verankerde datafundament voor AI. Betrouwbaar, reproduceerbaar en verantwoord modelportfolio. AI-interacties die gebruikersgericht, betrouwbaar en inclusief zijn. Betrouwbare, observeerbare en kostenefficiënte AI-operaties in productie. Proactief identificeren, beoordelen en mitigeren van AI-gerelateerde risico's. Verifieerbare, risicogebaseerde compliance van AI-systemen. Ethische overwegingen structureel ingebed in ontwerp en inzet van AI. AI-systemen produceren gegronde, traceerbare en semantisch gevalideerde output. AI wordt ingezet op een verantwoorde, transparante en veilige manier. Volledige compliance met EU AI Act en relevante standaarden. Eenduidige definities van de begrippen die AI gebruikt. Autoritatieve, gecureerde informatie voor grounding. Duidelijke regels, rollen en mandaten. Elk AI-systeem heeft een aangewezen eigenaar verantwoordelijk voor functioneren, impact en beleidsnaleving. Governance-intensiteit is evenredig aan de risicoclassificatie van het AI-systeem. De mate van autonoom opereren is gedocumenteerd en zichtbaar. Governance-mechanismen zijn onderdeel van de AI-architectuur, geen bijzaak. Human-in-the-loop of human-on-the-loop is ingebouwd voor beslissingen met significante impact. Governance is niet statisch maar wordt periodiek aangepast. AI-initiatieven worden geselecteerd op bijdrage aan bedrijfsdoelstellingen. Het AI-portfolio is bewust gebalanceerd tussen exploratief en exploitatief. Niet het aantal AI-projecten telt maar de gerealiseerde waarde. AI-strategie zonder capaciteitsplanning is een wensenlijst. Strategie wordt jaarlijks herzien; portfolio minstens per kwartaal. Strategie adresseert het cognition plane als nieuwe architectuurlaag. AI-systemen moeten concepten eenduidig interpreteren via terminologieraamwerken. Bevoegdheden en escalatieregels voor AI-agents staan expliciet in de architectuur. Architectuur scheidt data, kennis, logica en governance als vier lagen. Elke AI-output moet traceerbaar zijn naar bronnen, modellen en redeneerstappen. AI-componenten communiceren via MCP en A2A. Vendor lock-in wordt geminimaliseerd. Architectuur is modulair en loosely coupled zodat componenten vervangbaar zijn. Persoonsgegevens worden nooit onnodig blootgesteld aan AI-componenten. Elke lifecycle-fase heeft eigen kwaliteitscriteria, rollen en deliverables. Productieobservaties stromen structureel terug naar eerdere fasen. Elk experiment, training en deployment moet herhaalbaar zijn. De lifecycle wordt gestuurd op bedrijfswaarde, niet alleen technische haalbaarheid. Einde lifecycle is even belangrijk als begin: audittrail, dataretentie, kennisoverdracht. Voor agentic AI gelden aanvullende lifecycle-eisen per fase. Datawaarde voor AI wordt bepaald door eenduidigheid, niet door hoeveelheid. AI-systemen verankeren antwoorden in traceerbare, autoritatieve kennisbronnen. Elke AI-output is traceerbaar naar databronnen en semantische definities. Datakwaliteit is een doorlopend proces van meting, signalering en verbetering. Biasdetectie is ingebouwd in elke fase van de datapipeline. Semantische modellen gebruiken SKOS, RDF, OWL, SHACL. Elk productiemodel is geregistreerd in een centraal modelregister. Geen model naar productie zonder model card. Elke modelversie moet reproduceerbaar zijn. Modellen worden periodiek getest op ongewenste biases. De keuze is een architectuurbeslissing met gevolgen. Modellen worden als portfolio beheerd: overlap en risico's zichtbaar. Elke AI-interactie is ontworpen vanuit taak, context en kennisniveau. Gebruikers vormen een realistisch beeld van wat AI kan en niet kan. Het systeem communiceert proactief over bronnen en onzekerheden. AI-interfaces zijn bruikbaar voor gebruikers met diverse abilities. De gebruiker behoudt controle over het beslisproces. Interactiepatronen worden continu geëvalueerd en verbeterd. AI-systemen functioneren met dezelfde betrouwbaarheid als bedrijfskritische applicaties. Prestaties, kosten, kwaliteit en afwijkingen worden continu gemeten. Elke deployment is reproduceerbaar: modellen, configuraties en prompts zijn geversioneerd. CI/CD-pipelines voor maximale automatisering van model naar productie. AI-inferentiekosten worden actief gemonitord en geoptimaliseerd. Nieuwe versies worden in fasen uitgerold (canary, A/B, blue-green). Risicomanagement-intensiteit is proportioneel aan het risiconiveau. Risico's worden vóór deployment geïdentificeerd en geadresseerd. Risicoprofielen veranderen; monitoring is continu, niet eenmalig. AI-veiligheid is een organisatiecultuur, geen checklist. EU AI Act-risicoclassificatie is het minimumkader. Risicobeoordelingen zijn gedocumenteerd en beschikbaar voor audit. Compliance is pas echt als verifieerbaar en reproduceerbaar. Compliance-inspanning schaalt met risiconiveau. Audits worden uitgevoerd door functioneel onafhankelijke partijen. Audittrails worden continu vastgelegd, niet achteraf gereconstrueerd. Organisaties publiceren actief in het algoritmeregister. AI-compliance integreert met enterprise governance en informatiebeveiliging. Eerlijkheid is een testbare eigenschap met gestandaardiseerde metrics. Betrokkenen hebben recht op een begrijpelijke uitleg van AI-beslissingen. Human-in/on/in-command per AI-systeem op basis van risico en impact. Organisaties beoordelen ook bredere maatschappelijke consequenties. AI-systemen zijn ontworpen in lijn met organisatie- en maatschappelijke waarden. Ethische overwegingen zijn structureel geïntegreerd in het ontwerpproces. AI-output gebaseerd op geverifieerde, autoritatieve bronnen. Kennisbronnen zijn geclassificeerd op betrouwbaarheid en autoriteit. Voorkomen van feitelijk onjuiste output is een harde systeemeis. Mechanismen voor verouderingsdetectie zijn structureel ingebed. Elke kennisbron en AI-output wordt gevalideerd tegen terminologieraamwerken. Kennis wordt ontsloten aan de bron en gedeeld conform data spaces principes. W3C standaard voor terminologieraamwerken en thesauri. Standaard voor het Beschrijven van Begrippen. W3C Resource Description Framework voor linked data. W3C Web Ontology Language voor ontologieën. W3C Shapes Constraint Language voor validatie. W3C query-taal voor RDF-data. W3C Data Catalog Vocabulary voor datasetmetadata. Nederlands profiel voor datacatalogus. Linked data serialisatieformaat. Provenance ontologie voor herkomstregistratie. Metadata-standaard voor informatiebronnen. AI Management System standaard. AI Risk Management Framework. Europese verordening voor AI-regulering. Europese privacyverordening. Software product quality characteristics. Adaptive Autonomous Systems Architecture. Enterprise Architecture framework. Architecture modelling language. Metamodel Informatiemodellering (Geonovum/VNG). Pipeline metadata lineage standaard. Agent-tool integratieprotocol. Agent-agent communicatieprotocol. De facto standaard voor modeldocumentatie. Standaard voor datasetdocumentatie. Agent metadata specificatie. Open standaard voor AI-interactiepatronen. AI Lifecycle Processes. AI Concepts & Terminology. AI Risk Management. Data Quality Model. Human-Centred Design. Toegankelijkheidsstandaard. Findable, Accessible, Interoperable, Reusable. Standaard voor beslismodellen. Semantics of Business Vocabulary and Business Rules. Business Process Model and Notation. Open Neural Network Exchange formaat. REST API specificatiestandaard. Cloud financial management framework. Risk Management standaard. Beoordeling van impact en risico's per AI-systeem. Ad hoc, geen gestructureerde AI-governance. Basale processen en rollen gedefinieerd. Organisatiebrede standaarden en procedures. Kwantitatief gestuurd, continue monitoring. Continue verbetering, innovatie-gedreven. Beleid, besluitstructuren, verantwoordelijkheden. Lifecycle-processen, kwaliteitsgates, feedbackloops. Rollen, competenties, training, cultuur. Tooling, platformen, infrastructuur, automatisering. AI-geletterdheid, innovatiemindset, ethisch bewustzijn. Assessment van AI-volwassenheid op 5 dimensies en 5 niveaus. Beoordeling van impact op grondrechten. Data Protection Impact Assessment specifiek voor AI-systemen. Kwaliteitsscore op 5 dimensies per AI-systeem. Volledigheid, actualiteit, representativiteit, labeling, bias, semantische consistentie. Accuratesse, robuustheid, reproduceerbaarheid, generaliseerbaarheid, eerlijkheid. Taaksucces, gebruikerstevredenheid, vertrouwenskalibratie, hallucinatiepercentage. Beschikbaarheid, betrouwbaarheid, schaalbaarheid, driftdetectiesnelheid, kosten. Complianceratio, auditeerbaarheid, transparantie, ethische review-dekking. Governance-regels moeten machine-leesbaar en runtime-evalueerbaar zijn. Alle AI-beslissingen en -interacties moeten onveranderbaar gelogd worden. Agents moeten runtime geautoriseerd worden op basis van expliciete mandaten. AI-output moet gefilterd worden op veiligheid, correctheid en ethiek. AI-systemen moeten continu gemonitord worden op prestaties, drift en kosten. AI-systemen moeten begrippen interpreteren via autoritatieve terminologieraamwerken. Elke AI-output moet traceerbaar zijn naar bronnen, modellen en redeneerstappen. Alle productiemodellen moeten geregistreerd zijn met model cards en versies. Modellen moeten periodiek getest worden op ongewenste biases. Betrokkenen hebben recht op een begrijpelijke uitleg van AI-beslissingen. Persoonsgegevens worden nooit onnodig blootgesteld aan AI-componenten. AI-output moet gebaseerd zijn op geverifieerde, traceerbare kennisbronnen. AI-componenten communiceren via gestandaardiseerde protocollen (MCP, A2A). Model-naar-productie moet maximaal geautomatiseerd via CI/CD. AI-interacties worden ontworpen vanuit taak, context en kennisniveau. Datakwaliteit is een doorlopend proces van meting en verbetering. Strategische besluitvorming over AI-inzet en risicoacceptatie. Verantwoordelijk voor IT/data-strategie en AI-integratie. Eigenaar van het bedrijfsproces dat door AI wordt ondersteund. Medewerker die dagelijks met AI-systemen werkt. Persoon die geraakt wordt door AI-beslissingen. Externe partij die toeziet op AI-compliance (bijv. AP, ACM). Multidisciplinair team van AI-specialisten. Een technologie die, voor expliciete of impliciete doelen, afleidt hoe het op basis van ontvangen input (zoals data), outputs genereert. Outputs betreffen onder meer voorspellingen, content, aanbevelingen en/of beslissingen. De technologie kan leren, redeneren en taken uitvoeren op een manier die normaliter menselijke intelligentie vereist. Een op een machine gebaseerd systeem dat is ontworpen om met verschillende niveaus van autonomie te werken en dat na het inzetten ervan aanpassingsvermogen kan vertonen, en dat, voor expliciete of impliciete doelstellingen, uit de ontvangen input afleidt hoe output te genereren zoals voorspellingen, inhoud, aanbevelingen of beslissingen die van invloed kunnen zijn op fysieke of virtuele omgevingen. Een set van regels en instructies die een computer geautomatiseerd volgt bij het maken van berekeningen om een probleem op te lossen of een vraag te beantwoorden. Een programma getraind om patronen in data te herkennen en voorspellingen te doen. Een AI-model is het resultaat van het trainen van een algoritme op data. Een algoritme is een set instructies, en het model is het specifieke resultaat van het volgen van de set instructies op basis van bepaalde data. De manier waarop computers nieuwe dingen leren zonder expliciete programmering, door te leren van gelabelde data om voorspellingen te doen. Machine learning proces waarbij een model leert van gelabelde voorbeelden (input-output paren), vergelijkbaar met een docent-student scenario. Machine learning proces waarbij AI zelf verborgen patronen in ongelabelde data zoekt zonder expliciete begeleiding. Het algoritme leert door straf en beloning. Het doel is zo hoog mogelijk scoren in zo min mogelijk tijd. Stap in machine learning om de prestaties van een model te controleren met een aparte dataset (validatieset) die niet voor training is gebruikt. Een geavanceerde vorm van AI die complexe patronen in data herkent via gelaagde neurale netwerken, nuttig voor beeldherkenning, spraakverwerking en taalbegrip. Vooral gebruikt bij beeldherkenning. Geschikt voor sequentiegegevens zoals tekst en spraak. Backbone van moderne NLP-modellen zoals GPT en BERT. Een vorm van artificiële intelligentie die content (tekst, afbeeldingen en/of gevarieerde inhoud zoals muziek) kan produceren (genereren) op basis van de gegevens waarop het wordt getraind. Een gespecialiseerd type generatief AI-model dat getraind is op grote hoeveelheden tekst om bestaande content te begrijpen en tekstuele content te generen. Een type neuraal netwerk, vooraf getraind op veel tekstdata, dat duidelijke en relevante tekst genereert op basis van prompts Is een techniek binnen kunstmatige intelligentie die de kracht van generatieve AI combineert met informatieopvraging. Dit betekent dat een AI-model niet alleen tekst genereert op basis van vooraf getrainde data, maar ook relevante informatie kan ophalen uit externe kennisbronnen om nauwkeurigere en actuele antwoorden te geven Het proces van het zorgvuldig kiezen en aanpassen van de input (prompt) voor een machine learning-model om de best mogelijke output te krijgen. De basiseenheid van tekst (een woord of deel van een woord) die wordt verwerkt door LLMs. De mate van willekeur (randomness) in de output van een LLM. Output van generatieve AI die feitelijk onjuist is of niet overeenkomt met de werkelijkheid, ondanks dat deze semantisch correct kan lijken. In de context van AI verwijst bias of vooringenomenheid naar de aannames die een AI-systeem doet om het leerproces en de taakuitvoer te vereenvoudigen. AI-onderzoekers proberen bias tot een minimum te beperken, omdat deze kan leiden tot slechte resultaten of onverwachte uitkomsten. De manier waarop computers nieuwe dingen leren zonder expliciete programmering, door te leren van gelabelde data om voorspellingen te doen. Identificeren van namen, locaties en concepten in tekst. Interpreteren of een tekst positief, negatief of neutraal is. Een AI-agent is een software-entiteit die autonoom taken uitvoert en beslissingen neemt op basis van waarnemingen, regels en machine learning-algoritmen. Agentic AI geeft het AI-systeem ook het vermogen tot zelfstandige handelingen, om bijvoorbeeld bestanden aan te maken. Deze kunnen zelfstandig complexe taken uitvoeren, zoals zelfrijdende auto's die verkeersomstandigheden analyseren en handelen zonder directe menselijke controle. Deze reageren direct op input zonder een langetermijngeheugen. Bijvoorbeeld een schaakcomputer die alleen de huidige zet analyseert. Dit zijn meerdere AI-agents die samenwerken, bijvoorbeeld robots in een fabriek die gezamenlijk een productieproces optimaliseren. De Europese AI-verordening vormt een van ’s werelds eerste uitgebreide wetten specifiek voor kunstmatige intelligentie (AI). De AI-verordening legt kaders en eisen vast voor zowel overheden als bedrijven met betrekking tot de ontwikkeling en het gebruik van AI-systemen. Vaardigheden, kennis en begrip die aanbieders, gebruiksverantwoordelijken en betrokken personen, rekening houdend met hun respectieve rechten en plichten in het kader van de de AI-verordening, in staat stellen met kennis van zaken AI-systemen in te zetten en zich bewuster te worden van de kansen en risico’s van AI en de mogelijke schade die zij kan veroorzaken. Een AI-detector is een hulpmiddel dat is ontworpen om te detecteren wanneer een stuk tekst (of soms een afbeelding of video) is gemaakt door AI-tools (zoals ChatGPT en DALL-E). Deze detectoren zijn niet 100% betrouwbaar, maar ze kunnen een indicatie geven van de waarschijnlijkheid dat een tekst door AI is gegenereerd. Door AI gegenereerd of gemanipuleerd beeld-, audio- of videomateriaal dat een gelijkenis vertoont met bestaande personen, voorwerpen, plaatsen, entiteiten of gebeurtenissen, en door een persoon ten onrechte voor authentiek of waarheidsgetrouw zou worden aangezien. Een algoritme impact assessment is een hulpmiddel voor het maken van afwegingen bij het inzetten van algoritmes en kunstmatige intelligentie. Een register met beschrijvingen van algoritmische toepassingen die direct of indirect een maatschappelijk en/of economisch effect hebben, op burgers of op de maatschappij als geheel. De architectuurlaag waar AI-systemen redeneren, interpreteren en beslissingen nemen. Onderscheidt zich van het data- en controlvlak door non-deterministisch, contextafhankelijk gedrag. Het verankeren van AI-output in geverifieerde, autoritatieve bronnen zodat antwoorden feitelijk correct en traceerbaar zijn. Eenduidige, formeel gedefinieerde begrippen die AI-systemen in staat stellen concepten correct te interpreteren. Het geheel van beleidsraamwerken, besluitstructuren, verantwoordelijkheden en mandaten waarmee een organisatie AI-systemen bestuurt. Niet-goedgekeurd gebruik van AI-tools en -diensten door medewerkers buiten het zicht van IT en governance. Het monitoren van verschuivingen in data- of modelgedrag die de prestaties van een AI-systeem in productie degraderen. Programmeerbare begrenzingen op de input en output van AI-modellen die ongewenst gedrag voorkomen. Formele specificatie van de autonomiegrenzen, escalatieregels en contextbeperkingen waarbinnen een AI-agent mag opereren. Formeel beslismoment in de AI-levenscyclus waar een AI-initiatief wordt beoordeeld op kwaliteitscriteria voordat het naar de volgende fase mag. Gestandaardiseerd documentatieformaat dat beschrijft wat een AI-model doet, voor wie, met welke beperkingen en welke prestaties. Ontwerppatroon waarbij een mens actief betrokken is in het beslisproces van een AI-systeem en elke output beoordeelt voordat deze wordt uitgevoerd. Een grafenstructuur die entiteiten en hun onderlinge relaties representeert als kennisbasis voor AI-systemen. Een numerieke vectorrepresentatie van tekst, beeld of andere data die semantische betekenis vastlegt in een continue vectorruimte. Het verder trainen van een foundation model op domeinspecifieke data om de prestaties voor een specifieke taak te verbeteren. De praktijk van het ontwerpen, ontwikkelen en inzetten van AI-systemen op een manier die ethisch, transparant, eerlijk en verantwoord is. Meetbare businesswaarde uit AI-systemen binnen acceptabele risicogrenzen. AI ondersteunt individuele taken, geen autonomie. Gebruiker initieert en controleert volledig. AI is geïntegreerd in bedrijfsprocessen, geautomatiseerde stappen met menselijke supervisie. AI voert conversaties, beantwoordt vragen, helpt bij beslissingen. Beperkte autonomie. Meerdere AI-agents werken samen, gecoördineerd door een orchestrator. Hoge governance-intensiteit. AI-agents handelen zelfstandig binnen mandaten. Zeer hoge governance-vereisten. Agents van verschillende organisaties werken samen. Maximale governance-complexiteit. Inventariseer bestaande AI-initiatieven, stel AI Board samen, classificeer risico, creëer bewustzijn. Governance framework operationeel, lifecycle ingericht, eerste modellen in registry, basismonitoring. Organisatiebrede uitrol, cognition plane operationeel, multi-agent pilots, volledige compliance. Continue verbetering, federatieve samenwerking, AI-gedreven innovatie, volwassenheidsniveau 4-5. Verschil tussen huidige situatie en eerste quick wins. Verschil tussen ad-hoc en gestructureerd. Verschil tussen basis en organisatiebrede uitrol. Semantische Precisie + Betrouwbare Kennisbronnen + Expliciete Governance zijn alle drie nodig. Redenering, interpretatie, besluitvorming door AI. Identiteit, autorisatie, logging, audit. Data, kennis, vectorstores, kennisgrafen. AI Engineers, AI Operations Engineers — dagelijkse operatie en eerste kwaliteitscontrole. AI Risk Manager, AI Compliance Officer — onafhankelijke controle en risicobewaking. AI Auditor — onafhankelijke audit van governance en systemen. Leveranciers in het Cognition Plane. Leveranciers in het Control Plane. Leveranciers in het Data Plane. Bron: AI-BOK v1.0, Module 1, sectie 1-12, p.7 Auteur: Jan Willem van Veen Gewijzigd: 2026-04-02 Bron: AI-BOK v1.0, Module 1, sectie 1-12, p.7 De 12 kennisgebieden als capabilities, gegroepeerd in drie lagen: Strategie & Richting, Realisatie & Operaties, Assurance & Verantwoording. Per KG de bijbehorende bedrijfsfunctie, primaire rol en doel. Bron: AI-BOK v1.0, Module 3, sectie 3.6, p.159 Auteur: Jan Willem van Veen Gewijzigd: 2026-04-02 Bron: AI-BOK v1.0, Module 3, sectie 3.6, p.159 Gelaagde weergave van alle architectuurlagen: motivatie (drivers, doelen, principes), strategie (capabilities), business (functies, rollen, processen), applicatie (ABBs, services) en technologie (SBBs). Bron: AI-BOK v1.0, Module 1, sectie 1-12, p.7 Auteur: Jan Willem van Veen Gewijzigd: 2026-04-02 Bron: AI-BOK v1.0, Module 1, sectie 1-12, p.7 Overzichtsplaat van de AI-BOK: van drivers en doelen via 12 kennisgebieden en 3 architectuurplanes naar waardecreatie en governance. Bron: AI-BOK v1.0, Module 2, sectie 2.2, p.88 Auteur: Jan Willem van Veen Gewijzigd: 2026-04-02 Bron: AI-BOK v1.0, Module 2, sectie 2.2, p.88 De 19 AI-BOK rollen met hun onderlinge rapportagelijnen en koppeling aan kennisgebieden. Bron: AI-BOK v1.0, Module 1, sectie 4, p.26 Auteur: Jan Willem van Veen Gewijzigd: 2026-04-02 Bron: AI-BOK v1.0, Module 1, sectie 4, p.26 De 8 levenscyclusfasen van een AI-initiatief in TOGAF ADM-stijl met feedback loops (retraining, evaluatie, evolutie). Bron: AI-BOK v1.0, Module 1, sectie 4, p.26 Auteur: Jan Willem van Veen Gewijzigd: 2026-04-02 Bron: AI-BOK v1.0, Module 1, sectie 4, p.26 Gedetailleerd procesmodel met quality gates als formele beslismomenten tussen de levenscyclusfasen. Bron: AI-BOK v1.0, Module 2, sectie 2.2, p.88 Auteur: Jan Willem van Veen Gewijzigd: 2026-04-02 Bron: AI-BOK v1.0, Module 2, sectie 2.2, p.88 RACI-matrix die de verantwoordelijkheden van rollen per kennisgebied vastlegt. Bron: AI-BOK v1.0, Module 1, sectie 1-12, p.7 Auteur: Jan Willem van Veen Gewijzigd: 2026-04-02 Bron: AI-BOK v1.0, Module 1, sectie 1-12, p.7 Alle 12 bedrijfsfuncties met hun 52 bedrijfsobjecten: contracten, representaties, assessments en registers. Bron: AI-BOK v1.0, Module 3, sectie 3.6.5a, p.163 Auteur: Jan Willem van Veen Gewijzigd: 2026-04-02 Bron: AI-BOK v1.0, Module 3, sectie 3.6.5a, p.163 Bedrijfsfuncties gekoppeld aan de applicatiebouwblokken (ABBs) die hen ondersteunen. Bron: AI-BOK v1.0, Module 3, sectie 3.5, p.151 Auteur: Jan Willem van Veen Gewijzigd: 2026-04-02 Bron: AI-BOK v1.0, Module 3, sectie 3.5, p.151 AI-waardestroom van Idee & Kans tot meetbare Waarde, met per fase de ondersteunende capability, proces, functie en ABB. Bron: AI-BOK v1.0, Module 3, sectie 3.3.4, p.140 Auteur: Jan Willem van Veen Gewijzigd: 2026-04-02 Bron: AI-BOK v1.0, Module 3, sectie 3.3.4, p.140 Three Lines of Defence model: operationeel management, risico & compliance, en interne audit voor AI. Bron: AI-BOK v1.0, Module 2, sectie 2.2, p.88 Auteur: Jan Willem van Veen Gewijzigd: 2026-04-02 Bron: AI-BOK v1.0, Module 2, sectie 2.2, p.88 Uitwerking van de 19 hoofdrollen naar gespecialiseerde sub-rollen per kennisgebied. Bron: AI-BOK v1.0, Module 1, sectie 1-12, p.7 Auteur: Jan Willem van Veen Gewijzigd: 2026-04-02 Bron: AI-BOK v1.0, Module 1, sectie 1-12, p.7 Bedrijfsobjecten gegroepeerd per kennisgebied: per bedrijfsfunctie de bijbehorende documenten, registers, assessments en protocollen. Bron: AI-BOK v1.0, Module 3, sectie 3.6.1, p.159 Auteur: Jan Willem van Veen Gewijzigd: 2026-04-02 Bron: AI-BOK v1.0, Module 3, sectie 3.6.1, p.159 De drie architectuurplanes (Cognition, Control, Data) met hun applicatiebouwblokken en de services die ze aan elkaar leveren. Bron: AI-BOK v1.0, Module 3, sectie 3.6.1, p.159 Auteur: Jan Willem van Veen Gewijzigd: 2026-04-02 Bron: AI-BOK v1.0, Module 3, sectie 3.6.1, p.159 Cognition Plane SBBs: LLM-providers, agent orchestrators, RAG frameworks, guardrails, evaluatie en explainability tools. Bron: AI-BOK v1.0, Module 3, sectie 3.6.1, p.159 Auteur: Jan Willem van Veen Gewijzigd: 2026-04-02 Bron: AI-BOK v1.0, Module 3, sectie 3.6.1, p.159 Control Plane SBBs: IAM, policy engines, audit trails, model registries, API gateways, monitoring en CI/CD. Bron: AI-BOK v1.0, Module 3, sectie 3.6.1, p.159 Auteur: Jan Willem van Veen Gewijzigd: 2026-04-02 Bron: AI-BOK v1.0, Module 3, sectie 3.6.1, p.159 Data Plane SBBs: vector databases, knowledge graphs, data platforms, feature stores, documentopslag en datakwaliteit. Bron: AI-BOK v1.0, Module 3, sectie 3.2, p.190 Auteur: Jan Willem van Veen Gewijzigd: 2026-04-02 Bron: AI-BOK v1.0, Module 3, sectie 3.2, p.190 Meta-model van de AI-BOK: de kernentiteiten (AI Systeem, Model, Agent, Dataset, Kennisbron) en hun onderlinge relaties. Bron: AI-BOK v1.0, Module 3, sectie 3.6.5, p.162 Auteur: Jan Willem van Veen Gewijzigd: 2026-04-02 Bron: AI-BOK v1.0, Module 3, sectie 3.6.5, p.162 Datastromen en samenwerkingsrelaties tussen applicatiebouwblokken over de drie planes heen. Bron: AI-BOK v1.0, Module 1, sectie 12.6, p.73 Auteur: Jan Willem van Veen Gewijzigd: 2026-04-02 Bron: AI-BOK v1.0, Module 1, sectie 12.6, p.73 Vijf RAG-architectuurvarianten: Naive, Advanced, Modular, GraphRAG en Agentic RAG. Bron: AI-BOK v1.0, Module 1, sectie 5.10, p.33 Auteur: Jan Willem van Veen Gewijzigd: 2026-04-02 Bron: AI-BOK v1.0, Module 1, sectie 5.10, p.33 Het Sleutelkast-patroon voor privacy: pseudonimisering die persoonsgegevens scheidt van AI-verwerking. Bron: AI-BOK v1.0, Module 3, sectie 3.6.1, p.159 Auteur: Jan Willem van Veen Gewijzigd: 2026-04-02 Bron: AI-BOK v1.0, Module 3, sectie 3.6.1, p.159 Compleet leveranciersoverzicht: alle vendors gegroepeerd naar categorie (LLM, MLOps, monitoring, security, etc.). Bron: AI-BOK v1.0, Module 1, sectie 1.2, p.7 Auteur: Jan Willem van Veen Gewijzigd: 2026-04-02 Bron: AI-BOK v1.0, Module 1, sectie 1.2, p.7 Governance-structuur met besluitvormingslijnen tussen AI Board, committees en het AI Center of Excellence. Bron: AI-BOK v1.0, Module 2, sectie 2.3, p.108 Auteur: Jan Willem van Veen Gewijzigd: 2026-04-02 Bron: AI-BOK v1.0, Module 2, sectie 2.3, p.108 Stakeholderanalyse: de governance-organen (AI Board, Review Committee, Ethics Committee, Risk Committee) en hun mandaten. Bron: AI-BOK v1.0, Module 1, sectie 1.2, 3.2, p.7 Auteur: Jan Willem van Veen Gewijzigd: 2026-04-02 Bron: AI-BOK v1.0, Module 1, sectie 1.2, 3.2, p.7 Detailweergave van de principes voor KG1 (Governance) en KG3 (Architectuur) met hun onderbouwing. Bron: AI-BOK v1.0, Module 1, sectie 1-12, p.7 Auteur: Jan Willem van Veen Gewijzigd: 2026-04-02 Bron: AI-BOK v1.0, Module 1, sectie 1-12, p.7 Overzicht van alle 72+ principes uit de AI-BOK, gegroepeerd per kennisgebied. Bron: AI-BOK v1.0, Module 3, sectie 3.6.5a, p.163 Auteur: Jan Willem van Veen Gewijzigd: 2026-04-02 Bron: AI-BOK v1.0, Module 3, sectie 3.6.5a, p.163 Traceerbaarheid van principes via architectuureisen naar de ABBs die ze realiseren. Bron: AI-BOK v1.0, Module 3, sectie 3.3, p.138 Auteur: Jan Willem van Veen Gewijzigd: 2026-04-02 Bron: AI-BOK v1.0, Module 3, sectie 3.3, p.138 Standaarden en constraints (ISO, IEEE, NIST, EU AI Act) met hun koppelingen naar applicatiebouwblokken. Bron: AI Thesaurus (AI-BOK bijlage) Auteur: Jan Willem van Veen Gewijzigd: 2026-04-02 Bron: AI Thesaurus (AI-BOK bijlage) Kernbegrippen uit de AI-thesaurus in context geplaatst met bijbehorende ABBs en capabilities. Bron: AI-BOK v1.0, Module 3, sectie 3.3, p.138 Auteur: Jan Willem van Veen Gewijzigd: 2026-04-02 Bron: AI-BOK v1.0, Module 3, sectie 3.3, p.138 Aanvullende standaarden en omgevingsfactoren die de AI-BOK context vormen. Bron: AI-BOK v1.0, Module 3, sectie 3.3, p.138 Auteur: Jan Willem van Veen Gewijzigd: 2026-04-02 Bron: AI-BOK v1.0, Module 3, sectie 3.3, p.138 Governance-integratiepatronen: hoe AI-BOK samenwerkt met TOGAF, DAMA DMBOK, COBIT en AVG/GDPR. Bron: AI Thesaurus (AI-BOK bijlage) Auteur: Jan Willem van Veen Gewijzigd: 2026-04-02 Bron: AI Thesaurus (AI-BOK bijlage) Volledige AI-thesaurus: alle 52 begrippen met hun specialisatie- en associatierelaties. Bron: AI-BOK v1.0, Module 3, sectie 3.6.6, p.163 Auteur: Jan Willem van Veen Gewijzigd: 2026-04-02 Bron: AI-BOK v1.0, Module 3, sectie 3.6.6, p.163 Het Agent Maturity Spectrum: 6 niveaus van reactieve agents tot volledig autonome AI-systemen. Bron: AI-BOK v1.0, Module 3, sectie 3.4, p.145 Auteur: Jan Willem van Veen Gewijzigd: 2026-04-02 Bron: AI-BOK v1.0, Module 3, sectie 3.4, p.145 Het 5×5 volwassenheidsmodel: 5 dimensies op 5 niveaus, gekoppeld aan de implementatie-roadmap. Bron: AI-BOK v1.0, Module 3, sectie 3.7, p.164 Auteur: Jan Willem van Veen Gewijzigd: 2026-04-02 Bron: AI-BOK v1.0, Module 3, sectie 3.7, p.164 AI Quality Framework met 5 kwaliteitsdimensies voor het beoordelen van AI-systemen. Bron: AI-BOK v1.0, Module 3, sectie 3.5, p.151 Auteur: Jan Willem van Veen Gewijzigd: 2026-04-02 Bron: AI-BOK v1.0, Module 3, sectie 3.5, p.151 Implementatie-roadmap in 4 fasen (Foundation, Scale, Optimize, Transform) met geïdentificeerde gaps. Bron: AI-BOK v1.0, Module 1, sectie 1, p.7 Auteur: Jan Willem van Veen Gewijzigd: 2026-04-02 Bron: AI-BOK v1.0, Module 1, sectie 1, p.7 Detailview van kennisgebied 1 (AI Governance): capability, principes, bedrijfsfunctie, processen, rollen, objecten en ondersteunende ABBs. Bron: AI-BOK v1.0, Module 1, sectie 2, p.14 Auteur: Jan Willem van Veen Gewijzigd: 2026-04-02 Bron: AI-BOK v1.0, Module 1, sectie 2, p.14 Detailview van kennisgebied 2 (AI Strategie & Portfoliomanagement): capability, principes, bedrijfsfunctie, processen, rollen, objecten en ondersteunende ABBs. Bron: AI-BOK v1.0, Module 1, sectie 3, p.20 Auteur: Jan Willem van Veen Gewijzigd: 2026-04-02 Bron: AI-BOK v1.0, Module 1, sectie 3, p.20 Detailview van kennisgebied 3 (AI Architectuur): capability, principes, bedrijfsfunctie, processen, rollen, objecten en ondersteunende ABBs. Bron: AI-BOK v1.0, Module 1, sectie 4, p.26 Auteur: Jan Willem van Veen Gewijzigd: 2026-04-02 Bron: AI-BOK v1.0, Module 1, sectie 4, p.26 Detailview van kennisgebied 4 (AI Lifecycle Management): capability, principes, bedrijfsfunctie, processen, rollen, objecten en ondersteunende ABBs. Bron: AI-BOK v1.0, Module 1, sectie 5, p.28 Auteur: Jan Willem van Veen Gewijzigd: 2026-04-02 Bron: AI-BOK v1.0, Module 1, sectie 5, p.28 Detailview van kennisgebied 5 (Data & Semantiek voor AI): capability, principes, bedrijfsfunctie, processen, rollen, objecten en ondersteunende ABBs. Bron: AI-BOK v1.0, Module 1, sectie 6, p.26 Auteur: Jan Willem van Veen Gewijzigd: 2026-04-02 Bron: AI-BOK v1.0, Module 1, sectie 6, p.26 Detailview van kennisgebied 6 (Model Management): capability, principes, bedrijfsfunctie, processen, rollen, objecten en ondersteunende ABBs. Bron: AI-BOK v1.0, Module 1, sectie 7, p.30 Auteur: Jan Willem van Veen Gewijzigd: 2026-04-02 Bron: AI-BOK v1.0, Module 1, sectie 7, p.30 Detailview van kennisgebied 7 (AI Interactie & UX): capability, principes, bedrijfsfunctie, processen, rollen, objecten en ondersteunende ABBs. Bron: AI-BOK v1.0, Module 1, sectie 8, p.26 Auteur: Jan Willem van Veen Gewijzigd: 2026-04-02 Bron: AI-BOK v1.0, Module 1, sectie 8, p.26 Detailview van kennisgebied 8 (AI Operations): capability, principes, bedrijfsfunctie, processen, rollen, objecten en ondersteunende ABBs. Bron: AI-BOK v1.0, Module 1, sectie 9, p.30 Auteur: Jan Willem van Veen Gewijzigd: 2026-04-02 Bron: AI-BOK v1.0, Module 1, sectie 9, p.30 Detailview van kennisgebied 9 (AI Risicomanagement): capability, principes, bedrijfsfunctie, processen, rollen, objecten en ondersteunende ABBs. Bron: AI-BOK v1.0, Module 1, sectie 10, p.28 Auteur: Jan Willem van Veen Gewijzigd: 2026-04-02 Bron: AI-BOK v1.0, Module 1, sectie 10, p.28 Detailview van kennisgebied 10 (AI Compliance & Audit): capability, principes, bedrijfsfunctie, processen, rollen, objecten en ondersteunende ABBs. Bron: AI-BOK v1.0, Module 1, sectie 11, p.34 Auteur: Jan Willem van Veen Gewijzigd: 2026-04-02 Bron: AI-BOK v1.0, Module 1, sectie 11, p.34 Detailview van kennisgebied 11 (AI Ethiek): capability, principes, bedrijfsfunctie, processen, rollen, objecten en ondersteunende ABBs. Bron: AI-BOK v1.0, Module 1, sectie 12, p.34 Auteur: Jan Willem van Veen Gewijzigd: 2026-04-02 Bron: AI-BOK v1.0, Module 1, sectie 12, p.34 Detailview van kennisgebied 12 (AI Kennis- & Contextmanagement): capability, principes, bedrijfsfunctie, processen, rollen, objecten en ondersteunende ABBs.