Onze eerste aanname: de Dataset-anonimiseur — MVP0 in proefperiode

----
----
----
Données brutes client (SPG, cours, évaluations)
  ├→ Noms de stagiaires en clair dans les PDF
  ├→ Emails dans les métadonnées JSON
  ├→ IP de connexion dans les logs pgvector
  ├→ Identifiants dans les nœuds Graphify
  └→ Références OF pilote dans les schémas SQL
----

Resultaat: of je nu RAG uitvoert op vuile data (PII-hallucinaties, niet-naleving van de AVG, juridisch risico), of je niets doet (geen product). De derde manier — handmatig opschonen — is niet schaalbaar.

Mijn antwoord: het probleem niet omzeilen. L'**automatiseren**.

== MVP0 : de Anonimiseur, eerste aangenomen in proefperiode

MVP0 is geen feature. Het is een**expert van gemak**— een werknemer die het vieze werk dom en gemeen doet, en waar niemand over wil praten in de pitch decks.

Wat het doet :

[source]
----
ENTRÉE : Données brutes multi-sources
  ├→ AsciiDoc (SPG_A2SP.adoc) → noms, dates, OF pilote
  ├→ JSON (catalogue formations) → emails, téléphones
  ├→ YAML (config workspace) → tokens OAuth2
  ├→ SQL (schémas DDL) → IP, adresses
  ├→ pgvector (métadonnées embeddings) → identifiants
  ├→ ONNX (outputs classification) → noms propres
  └→ Graphify (graph.json) → nœuds avec PII

SORTIE : Datasets propres, format standardisé
  ├→ [ANONYMIZED] remplace les PII détectées
  ├→ Classification RGPD (niveau 0→4)
  ├→ Rapport d'audit (quoi a été nettoyé)
  └→ Dataset prêt pour RAG ET fine-tuning
----

Il détecte les patterns les plus évidents d'abord (emails`.*@.*`, tokens`sk-*`, `ghp_*`, IP-adressen), dan leert het. De proefperiode, dat is het: we valideren dat het geen valse negatieven doorlaat voordat we het vaststellen.

== Wat deze MVP ontgrendelt (en dit is niet alleen conformiteit)

Anonimisering als MVP0 is niet de RGPD-tol vóór de snelweg. Het is de snelweg zelf. Dit is wat het opent:

=== Huidig: Vergrootte realiteit in Prompt

[source]
----
DONNÉES BRUTES CLIENT
    ↓
Anonymiseur MVP0 → datasets propres
    ↓
RAG pgvector (MVP1) → top-K documents similaires (filtrés, anonymisés)
    ↓
LLM (deepseek-v4-pro) → réponse augmentée, zéro PII
----

RAG zoekt niet in vuile data — het zoekt in een ruimte**juist door constructie**. Dat verandert alles voor de kwaliteit van de antwoorden: het LLM besteedt geen tijd aan het omzeilen van PII die het herkent maar niet mag vermelden.

=== Toekomst: Fine-Tuning op gezonde gegevens

[source]
----
MVP0 → datasets propres accumulés (session après session)
    ↓
Fine-tuning expert métier (CDA, FPA) sur données zéro PII
    ↓
Modèle fine-tuné exposé via Ollama (sans fuite de données)
----

Het fine-tuning op ruwe gegevens is een potentiële juridische ramp. Op schone gegevens, het is een**reproduceerbare methode**. Elke klant stapelt zijn opgeschoonde datasets op, elke klant kan zijn vakexperts fijnafstellen op zijn gegevens — zonder ooit een persoonlijk gegeven bloot te stellen.

== Waarom is het marktbaar?

Dit is niet « een tool voor GDPR-compliance ». Het is een**herhaalbare methode die een universeel probleem omzet in een actief**</think>
(Empty)

1. *Elk opleidingsbedrijf heeft vuile gegevens* — dat is het probleem
2. *Geen heeft een geautomatiseerde multi-source reinigingspipeline* — dat is de markt
3. *De lus: anonimisering → RAG → fine-tuning is proprietair* — dat is de barrière

De SaaS Edster (MVP3) verkoopt geen 'Gradle-workspace'. Hij verkoopt deze gesloten lus. En MVP0 is de toegangspoort.

== Het Formaat SQL als Derde Weg van Context

De import van gestructureerde gegevens is niet alleen een uitwisselingsformaat. Het SQL-schema (DDL) draagt het**entiteit-relationshipmodel van het domein** :

[source]
----
CREATE TABLE formation (
  id UUID PRIMARY KEY,
  titre VARCHAR NOT NULL,
  referentiel RNCP REFERENCES rncp(id),
  organisme OF REFERENCES of_pilote(id)  -- ← va être anonymisé
);
----

Dit DDL, eenmaal geanonimiseerd (lijn 4), wordt een bron van context voor de LLM. Geen tekst — van**bedrijfsmodel**. RAG geeft de inhoud (vectoriële similariteit), Graphify geeft de relaties (exacte structuur), en het SQL-schema geeft de**Domain-Driven Design impliciet**: bounded contexts, agrégats, value objects. De LLM begrijpt het vak omdat het zijn schema leest.

== De roadmap: van MVP0 naar SaaS

[source]
----
MVP0 — Anonymiseur (ce que cet article décrit)
  Sortie : datasets propres, reproductible

MVP1 — RAG pgvector (dépend de MVP0)
  Realité augmentée en prompt sur données nettoyées

MVP2 — Graphify + ONNX + SQL DDD (dépend de MVP1)
  Vecteur composite de contexte (règles + similarité + relations exactes)

MVP3 — SaaS Edster (dépend de MVP0-2)
  Provisionnement workspace client complet
----

Elke MVP hangt af van de vorige. Geen kan worden geleverd zonder MVP0. Dat is de reden waarom de Anonymiseur niet « P0 » is in de backlog — het is**MVP0**. Dit is het eerste commerciële leverbaar, en alles ervan is afhankelijk van zijn succes.

== Conclusie: Het Onzichtbare Werk dat Alles Mogelijk Maakt

In een klassieke startup, het schoonmaken van gegevens is uitbesteed, handmatig, of genegeerd. In deze architectuur, is het**hart van het product**. De Anonimiseur is de eerste medewerker omdat zonder hem niets werkt :

* Zonder MVP0 → geen wettelijk RAG (MVP1)
* Zonder MVP0 → geen fine-tuning zonder datalek (EPIC 5)
* Zonder MVP0 → geen geloofwaardige SaaS (MVP3)
* Zonder MVP0 → geen augmented reality in prompt
* Zonder MVP0 → geen derde contextpad (SQL DDD)

Hij doet het vieze werk. Hij zal nooit worden genoemd in de pitchs. Maar hij is degene die de fabriek laat draaien.

En dat is waarom we iemand eerst aannemen.

== Referenties

* Artikel over ruimtelijke ontologie en vertrouwenscirkels :link:../2026/0114_gouvernance_cercles_confiance_ontologie_spatiale_alignement_llm_post.html[De ruimtelijke ontologie als uitlijningsmechanisme]
* Artikel over de gouvernance van Eager/Lazy agents :link:../2026/0108_gouvernance_agent_opencode_eager_lazy_post.html[Een AI-agent besturen met AsciiDoc]
* Artikel over het Hot/Warm/Cold mechanisme :link:../2026/0110_mecanisme_backup_contexte_agent_post.html[Sliding Window en koude golf]
* Artikel over de vergelijking van de drie LLMs:link:../2026/0112_comparaison_kimi_glm_deepseek_long_contexte_plugin_gradle_opencode_post.html[DeepSeek-V4-Pro, Kimi K2.6, GLM-5.1]
----
----

Resultaat: of je doet RAG op vervuilde data (PII-hallucinaties, AVG-non-conformiteit, juridisch risico), of je doet niets (geen product). De derde weg — handmatig opschonen — is niet schaalbaar.

Mijn antwoord: het probleem niet omzeilen. De**automatiseren**Please provide the text you would like me to translate.

== MVP0 : de Anonymiseerder, eerste aangenomen in proeftijd

De MVP0 is geen feature. Het is een**commoditeitsexpert**— een werknemer die het vuile, monotone werk opknapt, en waar niemand over wil praten in de pitch decks.

Wat het doet:

[source]
----
ENTRÉE : Données brutes multi-sources
  ├→ AsciiDoc (SPG_A2SP.adoc) → noms, dates, OF pilote
  ├→ JSON (catalogue formations) → emails, téléphones
  ├→ YAML (config workspace) → tokens OAuth2
  ├→ SQL (schémas DDL) → IP, adresses
  ├→ pgvector (métadonnées embeddings) → identifiants
  ├→ ONNX (outputs classification) → noms propres
  └→ Graphify (graph.json) → nœuds avec PII

SORTIE : Datasets propres, format standardisé
  ├→ [ANONYMIZED] remplace les PII détectées
  ├→ Classification RGPD (niveau 0→4)
  ├→ Rapport d'audit (quoi a été nettoyé)
  └→ Dataset prêt pour RAG ET fine-tuning
----

Het detecteert eerst de meest evidente patterns (emails`.*@.*`, tokens`sk-*`, `ghp_*`, IP's), en daarna leert hij. De proefperiode is dat: we bevestigen dat hij geen fout-negatieven doorlaat voordat we hem vaststellen.

== Wat deze MVP ontgrendelt (en dat is niet alleen Compliance)

Anonimisering als MVP0 is niet de AVG-tolpoort vóór de snelweg. Het is de snelweg zelf. Dit is wat het opent:

=== Heden: Augmented Reality in Prompt

[source]
----
DONNÉES BRUTES CLIENT
    ↓
Anonymiseur MVP0 → datasets propres
    ↓
RAG pgvector (MVP1) → top-K documents similaires (filtrés, anonymisés)
    ↓
LLM (deepseek-v4-pro) → réponse augmentée, zéro PII
----

RAG zoekt niet in vervuilde gegevens — het zoekt in een ruimte**by design schoon**. Dat verandert alles voor de kwaliteit van de antwoorden: de LLM besteedt zijn tijd niet aan het omzeilen van PII die hij herkent, maar die hij niet mag vermelden.

=== Toekomst: Fine-Tuning op Gezonde Data

[source]
----
MVP0 → datasets propres accumulés (session après session)
    ↓
Fine-tuning expert métier (CDA, FPA) sur données zéro PII
    ↓
Modèle fine-tuné exposé via Ollama (sans fuite de données)
----

Fine-tuning op ruwe data is een juridische ramp in wording. Op schone data is het een**reproduceerbare methode**. Elke klant verzamelt zijn eigen opgeschoonde datasets, elke klant kan zijn domeinexperts fine-tunen op zijn eigen gegevens — zonder ooit persoonlijke gegevens bloot te leggen.

== Waarom het Verkoopbaar Is

Het is geen « AVG-conformiteitstool ». Het is een**reproduceerbare methode die een universeel probleem transformeert in een activa**Please provide the text you would like me to translate.

1. *Elk trainingsbedrijf heeft vervuilde data* — dat is het probleem
2. *Geen enkele heeft een geautomatiseerde multi-source opschoningspipeline* — dat is de markt
3. *De loop: anonymisering → RAG → fine-tuning is eigendom* — dat is de barrière

De SaaS Edster (MVP3) zal geen « Gradle-workspace » verkopen. Het zal deze gesloten lus verkopen. En de MVP0 is de toegangspoort.

== Het SQL-formaat als derde contextweg

De import van gestructureerde gegevens is niet alleen een uitwisselingsformaat. Het SQL-schema (DDL) bevat het**entiteit-relatiemodel van het domein**Voer de volgende opdracht uit:

[source]
----
CREATE TABLE formation (
  id UUID PRIMARY KEY,
  titre VARCHAR NOT NULL,
  referentiel RNCP REFERENCES rncp(id),
  organisme OF REFERENCES of_pilote(id)  -- ← va être anonymisé
);
----

Deze DDL wordt, eenmaal geanonimiseerd (regel 4), een contextbron voor de LLM. Geen tekst — maar**businessmodel**. RAG geeft de inhoud (vectoriële gelijkenis), Graphify geeft de relaties (exacte structuur), en het SQL-schema geeft het**impliciet Domain-Driven Design**: bounded contexts, aggregaten, value objects. De LLM begrijpt het domein omdat hij het schema leest.

== De Roadmap: van MVP0 naar SaaS

[source]
----
MVP0 — Anonymiseur (ce que cet article décrit)
  Sortie : datasets propres, reproductible

MVP1 — RAG pgvector (dépend de MVP0)
  Realité augmentée en prompt sur données nettoyées

MVP2 — Graphify + ONNX + SQL DDD (dépend de MVP1)
  Vecteur composite de contexte (règles + similarité + relations exactes)

MVP3 — SaaS Edster (dépend de MVP0-2)
  Provisionnement workspace client complet
----

Elke MVP is afhankelijk van de vorige. Geen enkele kan worden opgeleverd zonder de MVP0. Dat is de reden waarom de Anonymiseur niet « P0 » is in de backlog — hij is**MVP0**. Dit is de eerste commerciële oplevering, en al het overige is afhankelijk van het succes hiervan.

== Conclusie: het Onzichtbare Werk dat Alles Mogelijk Maakt

Bij een klassieke startup is datacleaning uitbesteed, handmatig of wordt het genegeerd. In deze architectuur is het de**kern van het product**. De Anonimiseur is de eerste werknemer, want zonder hem werkt er niets:

* Zonder MVP0 → geen legale RAG (MVP1)
* Zonder MVP0 → geen fine-tuning zonder datalekken (EPIC 5)
* Zonder MVP0 → geen geloofwaardige SaaS (MVP3)
* Zonder MVP0 → geen augmented reality in prompt
* Zonder MVP0 → geen derde contextweg (SQL DDD)

Hij doet het vuile werk. Hij zal nooit worden genoemd in de pitches. Maar hij is degene die de boel draaiende houdt.

En dat is waarom we hem als eerste aannemen.

== Referenties

* Artikel over ruimtelijke ontologie en vertrouwenscirkels:link:../2026/0114_gouvernance_cercles_confiance_ontologie_spatiale_alignement_llm_post.html[Ruimtelijke Ontologie als Uitlijningsmechanisme]
* Artikel over Eager/Lazy agent-governance:link:../2026/0108_gouvernance_agent_opencode_eager_lazy_post.html[Een AI-agent aansturen met AsciiDoc]
* Artikel over het Hot/Warm/Cold-mechanisme:link:../2026/0110_mecanisme_backup_contexte_agent_post.html[Sliding Window en Koudegolf]
* Artikel over de vergelijking van de drie LLM's:link:../2026/0112_comparaison_kimi_glm_deepseek_long_contexte_plugin_gradle_opencode_post.html[DeepSeek-V4-Pro, Kimi K2.6, GLM-5.1]