Grounding betekent dat je de antwoorden van een AI-model koppelt aan echte, controleerbare bronnen in plaats van het alleen op zijn geheugen te laten leunen. Een kaal large language model maakt tekst op basis van patronen die het tijdens de training leerde, en daardoor kan het heel stellig klinken terwijl het fout zit. Grounding lost dit op door het model op het moment van de vraag relevante feiten aan te reiken en het te vragen daaruit te antwoorden.
Denk aan het verschil tussen een student die een examen uit zijn hoofd maakt en een die een open-boektoets doet met de juiste pagina’s voor zich. De open-boekstudent geeft antwoorden die verankerd zijn in de echte tekst, met veel minder gokwerk. Grounding maakt van de AI die open-boekstudent, en dat is de meest effectieve manier om hallucinatie terug te dringen.
In de praktijk leunt grounding meestal op retrieval: het systeem doorzoekt een vertrouwde set documenten, haalt de passages op die bij de vraag passen en geeft die samen met de prompt aan het model. Het bekende patroon dat dit doet, heet RAG.
Goed uitgevoerd laat grounding het model ook zijn bron noemen. Omdat het antwoord uit specifieke passages is opgebouwd, kan het systeem tonen uit welk document en welke regel het komt, zodat een lezer de bewering kan controleren in plaats van die op goed geloof aan te nemen. De adder onder het gras: grounding is niet beter dan het bronmateriaal. Voer je het een verouderd beleid of een fout getal, dan herhaalt het die fout met dezelfde stelligheid, alleen nu met een bronvermelding erbij.
Bij TopDevs gronden we AI-functies in de eigen documenten en data van elke klant, zodat de assistent antwoordt vanuit hun realiteit in plaats van het open internet, en verantwoording aflegt aan een bron.
