Ga naar inhoud

Deep Dive: Het Zelflerende Ecosysteem (Autonomous Knowledge Loop)

Datum: 13 maart 2026
Onderwerp: Blauwdruk en mechanismen voor de zelflerende en adaptieve capaciteiten van het BORIS ecosysteem. Hoe evolueert BORIS van een statische 'vraagbaak' naar een dynamische, zichzelf corrigerende intelligentie?

1. De Leugen van het Statische Protocol

De huidige werkelijkheid in het sociaal domein is dat zorgprotocollen, theorieën en "best practices" (Tier 1 & 2 kennis) vaak jarenlang statisch op een SharePoint-site staan. Tegen de tijd dat beleid is geschreven, is de praktijk op straat al veranderd (zoals de plotselinge explosie van economisch daklozen).

De Visie van BORIS: Kennis is geen statisch archief, maar een vloeiend organisme. Het "zelflerende" aspect van BORIS zit in de continue, wiskundige validatie van de papieren theorie tegen de keiharde praktijkdata. We noemen dit de Autonomous Knowledge Loop.

2. Het Kloppend Hart: Twee Zelflerende Systemen

BORIS gebruikt twee totaal verschillende AI-mechanismen die elkaar voeden.

A. De RAG-Loop ("Autonomous Harvesting" via Scout)

Dit is het Tekstuele leervermogen (LLM-gebaseerd).

  1. De Observatie: Een Aandachtsfunctionaris (AF) lost een enorm lastige casus rondom jeugdschulden briljant op. Hij/zij bewaart het succesvolle handelingsplan in de 'Yellow Zone' omgeving.
  2. Autonomous Harvesting: De Scout-agent struint ('s nachts) continu de MS365-omgeving af op zoek naar patronen. De Scout ziet dat dit specifieke plan geleid heeft tot een extreem snelle stijging van de UDS-parameter PG_Meedoen.
  3. Curation: De Scout stuurt de bevinding naar de Curator-agent. De Curator destilleert de kern-interventie uit de vrije tekst en markeert deze als "Bronze Evidence" (Praktijkobservatie) in ChromaDB.
  4. De Cirkel is Rond: De volgende dag vraagt een Naaf-medewerker aan VERA: "Hoe ga ik om met jeugdschulden?". VERA haalt nu niet meer (alleen) de theorie op, maar zegt: "Gisteren is in wijk Y deze specifieke aanpak effectief gebleken bij een vergelijkbare casus." Het systeem heeft geleerd zónder dat iemand 'beleid' hoefde te updaten.

B. De BNS-Loop ("Bayesian Updating")

Dit is het Wiskundige/Causale leervermogen (Machine Learning via Causal Graphs).

Bij de live-gang (Sprint 0) zijn de waarschijnlijkheden in het Bayesiaanse model gebaseerd op de meningen van experts (Priors). Maar experts hebben, zoals eerder geanalyseerd, een 'Availability Bias' (ze zien vooral wat misgaat).

  1. De Priors (De aanname): Experts stellen: "Als een LVB-inwoner zijn werk verliest, is er 80% kans op onmiddellijke crisis-escalatie" (Utility = Laag).
  2. De Data Influx: Over de eerste 6 maanden verwerkt BORIS via inloop en trajecten honderden LVB-casussen. De UDS-scores (van intake tot ontslag) worden veilig weggeschreven in de causal_audit_log.
  3. Bayesian Updating (De Machine leert): Het algoritme controleert de aanname. De harde data toont aan: in de praktijk belandt slechts 35% van deze groep in een crisis, mits ze lid zijn van een (sport)vereniging (Sociaal Kapitaal).
  4. Kalibratie (De CPT update): De Causal Engine overschrijft autonoom de expert-mening. Het risico-percentage wordt teruggeschroefd naar 35%, met een extra 'edge' (causale pijl) naar "Lidmaatschap Vereniging".
  5. Resultaat: Het systeem geneest zichzelf van menselijk doemdenken en wordt met elke inwoner objectiever en rustiger.

3. "Structure Learning" (De Ultieme AI)

Na fase 2 (wanneer we Bayesian Updating op de CPT-tabellen doen), schakelt het ecosysteem door naar de heilige graal van AI in besliskunde: Causal Discovery of Structure Learning.

Wat betekent dit? Het systeem past niet alleen de kansen aan, maar ontdekt nieuwe verbanden die nog in geen enkel medisch of sociaal handboek staan.

  • Voorbeeld: Het algoritme (via een library als bnlearn of PC-algorithm) draait over duizenden afgesloten dossiers. Het ontdekt een statistisch gigantisch causaal pad: Inwoners die in de intake klagen over "stank in het trappenhuis" hebben een 300% hogere kans op 'Huiselijk Geweld' 6 maanden later, door de stresscomponent van een onveilige woonsituatie.
  • Actie: De LUMEN-agent (Strategie/Management) pingt direct de wijkteams en woningbouwcorporaties met dit nieuwe inzicht. Er wordt een compleet nieuwe preventieve interventie ontworpen. BORIS genereert hier letterlijk nieuwe kennis.

4. De Rol van de Aandachtsfunctionaris in een Zelflerend Systeem

Maakt dit de Spaken (AF'ers) overbodig? Absoluut niet. Hun rol verandert radicaal.

In plaats van het "uit het hoofd weten van protocollen" of het beantwoorden van basale vragen over casuïstiek, wordt de AF de "Supervisor of the Machine" (Human-in-the-Loop).

  1. Yellow Zone Validatie: Elke keer dat de BNS-loop of de Scout een nieuwe theorie ('Bronze Evidence') wil promoveren naar 'Silver Evidence', moet de AF dit tekenen (valideren).
  2. Anomaly Detection: Soms schiet statistiek tekort. Het systeem signaleert een afwijkend traject. De AF duikt in de diepte van de casus om te duiden waarom de inwoner buiten de statistiek valt (Epistemische Rechtvaardigheid).
  3. Master Evidence Core beheer: De AF gebruikt de data (welke theorieën werken wel en niet in de praktijk) om lokaal maatwerk in het methodisch kader te schrijven.

5. Ethische Borging in een Zelflerend Systeem (Zero-Drift)

Een systeem dat zichzelf aanpast is gevaarlijk als er geen vangrails zijn (denk aan AI's die racistisch worden door internet-data). We ondervangen dit met de AI Grondwet:

  • Geen Autonome Doelen-Shift: Het systeem mag leren hoe het doelen sneller bereikt, maar de Utility Nodes (De Waarden: Autonomie, Inclusie, Meedoen) staan vast via de Grondwet. De AI kan nooit zelf bepalen dat "verplichte opname" beter is omdat het 'goedkoper' (Cost Utility) is, want de negatieve weging van 'Autonomie Verlies' weegt wiskundig oneindig veel zwaarder.
  • Transparantie van Evolutie (M&E): Elke wijziging in de conditionele probabiliteiten (CPT) wordt gelogd met een tijdstempel. Zorginspecties of gemeenten kunnen opvragen: "Waarom gaf het systeem in 2026 dit advies, en in 2027 een ánder advies bij dezelfde input?" Het systeem kan exact uitdraaien hoeveel casussen, en welk bewijs tot die systeemverandering heeft geleid (De 'Logic Trace' over tijd).