Overtuigende AI-analyse. Maar kun je er op vertrouwen?
AI kan overtuigende analyses en conclusies genereren. Maar waarop zijn die gebaseerd? Zijn de belangrijkste aannames juist, of berusten ze op wijdverbreide maar onjuiste of achterhaalde inzichten, speculaties of hallucinaties? En wat zeggen relevante empirische gegevens over de onderbouwing, belangrijkste drivers en onzekerheden?
Daarom hebben wij een geautomatiseerde validatie-engine ontwikkeld.
Deze toetst belangrijke aannames achter kapitaalbeslissingen aan relevante empirische gegevens en helpt te beoordelen hoe betrouwbaar die zijn.
Deze aanpak sluit ook aan bij de toenemende aandacht voor transparantie, betrouwbaarheid en verantwoordingsplicht bij het gebruik van AI, zoals ook tot uitdrukking komt in EU AI Act.
Empirische validatieniveaus
De volgende niveaus van empirische onderbouwing kunnen worden onderscheiden:
| Validatieniveau | Type empirische onderbouwing | Interpretatie | Voorbeelden |
|---|---|---|---|
| 1. Initieel | Binnen de trainingsdata (In-sample) | Vastgelegde verbanden; mogelijk fit op de trainingsdata. | LLMs of foundation- modellen zonder onafhankelijke out-of-sample validatie. |
| 2. Voorspellend | Buiten de trainingsdata (out-of-sample), met statistische onderbouwing | Generaliseerbare voorspelbaarheid binnen het geëvalueerde domein. | Voorspelmodellen met onafhankelijke out-of-sample validatie. |
| 3. Voorspellend per referentieklasse | Buiten de trainingsdata (out-of-sample), met statistische onderbouwing per referentieklasse | Generaliseerbare voorspelbaarheid binnen de referentieklassen. | Predictive Reference Class Retrieval, met onafhankelijke out-of-sample validatie per referentieklasse. |
Breed toepasbaar
Van grondexploitatierisico en vroege infrastructuur ramingen tot macro-economie, renterisico en investeringen: onze validatie-engine is breed toepasbaar op verschillende kapitaalbeslissingen.
Aannames zijn snel gemaakt.
Maar weloverwogen beslissingen vragen om meer.
