Programma

It has become obvious and generally accepted now that AI agents can’t function properly without enough context. As organizations scale up their AI use and strive for new, agentic workflows, various technical and architectural solutions for context management have emerged. But what do these semantic layers, context planes, and knowledge management systems actually contain? And where do we get all that context from?

In this talk, we will focus on what information is actually needed, instead of how that information is stored or processed. Zooming out, we’ll find out that in the end all the “context” or “knowledge” is made of very simple basic elements – things, definitions, and relationships – that are very familiar for those of us coming from a data modeling background. We will look into the daunting world of Knowledge Graphs and Ontologies through this very practical lens, which allows us to avoid getting tangled in standards and syntaxes and lets us concentrate on the important part: the knowledge itself.

• What is this “context” everyone keeps talking about
• Things, definitions, and relationships – back to basics
• Metamodels – what do we need to know about
• Using Conceptual Modeling as a context discovery method
• Recap on Knowledge Graph and how it relates to ConceptualModels
• What goes where in the Knowledge Graph pyramid: glossaries, ontologies, and instances
• Metadata graphs vs. “actual” graphs – differences in scale and use cases
• Managing and maintaining knowledge in the modern Enterprise.

Vrijwel dagelijks verschijnen artikelen waarin gewaarschuwd wordt dat AI alleen succesvol toegepast kan worden als organisaties hun data en metadata op orde hebben. Helaas laten veel auteurs na te melden wat er dan precies moet gebeuren. De cruciale vervolgvraag “Hoe ziet een AI-ready data-architectuur er dan uit?” blijft vaak onbeantwoord. Welke architectuurprincipes zijn nodig? Welke metadata moet beschikbaar zijn? Hoe maak je data begrijpelijk voor zowel mensen als AI-agents? En hoe voorkom je dat AI-oplossingen stranden in een verzameling losse experimenten?
In deze sessie wordt antwoord gegeven op deze vragen. Aan de hand van actuele ontwikkelingen op het gebied van generatieve AI, agentic AI en kennisgedreven architecturen wordt besproken hoe een moderne data-architectuur eruit moet zien om AI te kunnen inzetten. Niet de AI-modellen staan daarbij centraal, maar de data-architectuur. Vanuit die basis komen governance, ontwerp, implementatie en beheer vanzelf in beeld.

• Waarom AI veel meer metadata nodig heeft dan alleen simpele definities.
• De rol van semantische metadata, bedrijfslogicaregels en context.
• Het automatisch produceren en verrijken van metadata met behulp van AI.
• Metadata als fundament voor RAG (Retrieval Augmented Generation).
• Het inzetten van AI-agents op bronsystemen en de rol van MCP (Model Context Protocol) binnen agentic AI.
• Van metadata naar knowledge graphs met behulp van datamodellen, taxonomieën, ontologieën en thesauri.
• Waarom traditionele datalakes en lakehouses onvoldoende zijn als data-architectuur voor AI.
• Hoe AI data lineage, impactanalyses en documentatie kan automatiseren.