Wolters Kluwer benadrukt deze week dat verantwoord gebruik van kunstmatige intelligentie begint met betrouwbare data. Het Nederlandse software- en informatiebedrijf schetst hoe organisaties data moeten verzamelen, beheren en toetsen. De oproep sluit aan op de Europese AI-verordening (AI Act) en de AVG, en raakt direct aan de gevolgen voor overheid en zorg. Het doel is minder risico’s, meer kwaliteit en aantoonbare naleving.
Betrouwbare data als basis
Een algoritme is zo goed als de data die het voedt. Betrouwbare data is juist, volledig, actueel en representatief. Zonder deze basis ontstaan vooroordelen, fouten en onvoorspelbare uitkomsten.
In vakgebieden als recht, finance en gezondheidszorg is nauwkeurigheid extra belangrijk. Kleine onnauwkeurigheden kunnen leiden tot verkeerd advies of onterechte kosten. Dat vraagt om strenge broncontrole en valideren van gegevens vóórdat modellen worden getraind.
Data komt vaak uit veel verschillende systemen en formaten. Standaardisering met vaste definities en datamodellen helpt om ruis te verminderen. Zo blijft de betekenis van elk gegeven helder, ook als het tussen afdelingen of landen beweegt.
Europese regels sturen aanpak
De AI Act van de Europese Commissie verplicht organisaties om hun datakwaliteit en -herkomst aan te tonen, vooral bij hoog-risico systemen. Denk aan algoritmen voor kredietbeoordeling of medische triage. Documentatie, risicobeheersing en toezicht worden daarmee kernonderdelen van elk AI-project.
De AVG blijft onverminderd van kracht. Dataminimalisatie, een rechtmatige grondslag en passende beveiliging, zoals versleuteling, zijn verplicht. Voor veel toepassingen hoort daar ook een gegevensbeschermingseffectbeoordeling (DPIA) bij.
Voor Nederlandse organisaties betekent dit concreet dat inkoop, juridische teams en IT nauwer moeten samenwerken. De Autoriteit Persoonsgegevens ziet toe op privacyregels en kan handhaven. Afspraken over bewaartermijnen, data-opslag in de EU en doorgifte buiten de EER vragen daarom expliciete keuzes.
Datagovernance in de praktijk
Goed databeheer begint met een dataregister en duidelijke eigenaarschap. Datagovernance is het geheel aan afspraken over kwaliteit, toegang en verantwoordelijkheden. Het geeft grip op wie welke data gebruikt, waarom en onder welke voorwaarden.
Datagovernance is de manier waarop een organisatie de kwaliteit, veiligheid en herkomst van data regelt, inclusief rollen, processen en controles.
Organisaties hebben zicht nodig op data lineage: de herkomst en bewerkingen van gegevens in elke stap. Dit maakt fouten herleidbaar en audits sneller. Een vaste kwaliteitsmeting per dataset (zoals compleetheid en actualiteit) voorkomt verrassingen bij modeltraining.
Maak documentatie standaard. Een “datasheet” voor elke dataset en een “modelkaart” voor elk systeem beschrijven doel, beperkingen en testresultaten in begrijpelijke taal. Dit helpt ontwikkelaars, bestuurders en toezichthouders om dezelfde feiten te zien.
Voorkom vooringenomenheid vroeg
Vooroordelen in data leiden tot oneerlijke uitkomsten. Meet prestaties daarom per subgroep, zoals leeftijdscategorie of regio, en niet alleen gemiddeld. Koppel datakwaliteit aan duidelijke beslisregels en leg vast wat acceptabel is.
Representativiteit vraagt gerichte aanvulling van ondervertegenwoordigde cases. Soms helpt synthetische data, maar die moet je apart labelen en testen. Betrek domeinexperts om te beoordelen of voorbeelden realistisch en wettig zijn.
Stel een proces in voor continue monitoring na livegang. Log beslissingen, bewaar versies van modellen en datasets, en plan hertraining met frisse data. Zo blijft het systeem rechtvaardig en actueel.
Transparantie en toezicht worden norm
Gebruikers willen weten waar kennis en bronnen vandaan komen. Leveranciers van professionele software, zoals Wolters Kluwer, moeten duidelijk zijn over trainingsdata, beperkingen en beveiliging. Contracten horen vast te leggen dat klantdata niet voor modeltraining wordt gebruikt zonder toestemming.
Voor overheid en zorg spelen extra eisen rond uitlegbaarheid en toegankelijkheid. Besluitvormende systemen moeten begrijpelijke redenen kunnen geven voor een uitkomst. Dat sluit aan bij de AI Act, die uitlegbaarheid en menselijk toezicht centraal zet.
Praktisch gezien helpt een toetsingskader bij start en oplevering van elk AI-project. Combineer juridische checks (AVG, AI Act) met technische eisen (kwaliteitsdrempels, bias-tests) en operationele afspraken (logging, escalatie). Zo groeit vertrouwen in kunstmatige intelligentie op een verantwoorde manier, met betrouwbare data als fundament.
