Update _index.md

content/docs/usecases/Kamervragen/_index.md

@@ -8,7 +8,7 @@ title: "Kamervragen"
 De Tweede Kamer der Staten-Generaal speelt een cruciale rol in de Nederlandse democratie door vragen te stellen aan de regering en verantwoording te eisen over beleid en uitvoering. Het beantwoorden van deze vragen is een tijdrovend proces. Wij willen onderzoeken in hoeverre generatieve AI-modellen kamervragen effectief kunnen analyseren en beantwoorden. In theorie zou LearningLion dit proces vereenvoudigen, door beleidsmedewerkers te ondersteunen in het vinden van relevante documenten en het genereren van concept-antwoorden. Door gebruik te maken van semantisch zoeken en door eerder gestelde vragen te identificeren, levert het systeem meer consistentie en bespaart het tijd.
 
 ## Ontwerp van Learning Lion Kamervragen
-Het systeem is ontworpen om relevante informatie te verzamelen die het proces van de beantwoording van Kamervragen kan ondersteunen. In eerste instantie wordt gebruik gemaakt van de [API van het Open Data Portaal](https://opendata.tweedekamer.nl/). De gebruiker stelt een gehele Kamervraag aan het systeem. Op basis van deze vraag zoekt het systeem (een RAG-model) naar relevante documenten (eerder gestelde Kamervragen met beantwoording) om zo een beeld te krijgen van een eerdere lijn die het betreffende departement hanteerde. Relevantie wordt in eerste instantie bepaald door het systeem aan de hand van een treshold die ingesteld wordt. De gebruiker beslist daarna welke documenten hij relevant acht voor het beantwoorden van de desbetreffende Kamervraag. Deze documenten worden daarna meegegeven als context aan een Large [Language Model (LLM)]({{%ref "LLM.md" %}}) die een tekstvoorstel voor een Kamervraag genereert op basis van precies deze documenten. Bij het gegenereerde concept-antwoord op de Kamervraag blijven deze documenten altijd zichtbaar als een soort bronvermelding. Hierdoor kan de gebruiker zien op basis waarvan de output is gegenereerd waardoor transparantie in de hand wordt gewerkt.
+Het systeem is ontworpen om relevante informatie te verzamelen die het proces van de beantwoording van Kamervragen kan ondersteunen. In eerste instantie wordt gebruik gemaakt van de [API van het Open Data Portaal](https://opendata.tweedekamer.nl/). De gebruiker stelt een gehele Kamervraag aan het systeem. Op basis van deze vraag zoekt het systeem (een RAG-model) naar relevante documenten (eerder gestelde Kamervragen met beantwoording) om zo een beeld te krijgen van een eerdere lijn die het betreffende departement hanteerde. Relevantie wordt in eerste instantie bepaald door het systeem aan de hand van een treshold die ingesteld wordt. De gebruiker beslist daarna welke documenten hij relevant acht voor het beantwoorden van de desbetreffende Kamervraag. Deze documenten worden daarna meegegeven als context aan een [Large Language Model (LLM)]({{%ref "taalmodel.md" %}}) die een tekstvoorstel voor een Kamervraag genereert op basis van precies deze documenten. Bij het gegenereerde concept-antwoord op de Kamervraag blijven deze documenten altijd zichtbaar als een soort bronvermelding. Hierdoor kan de gebruiker zien op basis waarvan de output is gegenereerd waardoor transparantie in de hand wordt gewerkt.
 
 ## Verantwoord gebruik van generatieve AI voor het doen van tekstvoorstellen voor Kamervragen
 Bij het ontwerpen van het RAG-systeem zien wij deze technologie als een hulpmiddel dat ondersteuning biedt aan beleidsmedewerkers en de werklast kan verlichten, maar het proces ook reproduceerbaarder, betrouwbaarder en tijdsefficiënter maakt. Dit houdt echter wel in dat de beleidsmedewerker kritisch moet zijn tegenover de output die het model levert. Momenteel is deze technologie en de manier hoe wij dit implementeren volgens de AI-verordening nog geen hoog risico, maar als in de toekomst de antwoorden die het model genereert direct gebruikt worden zonder dat deze gecontroleerd worden op feitelijke waarheid, wordt het risico aanzienlijk hoger.*