Onze eerste medewerker : 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 RAG doet op vieze 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 Anonimiseerder, Eerste Aangenomen tijdens proefperiode

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

Wat hij 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 de meest voor de hand liggende patronen eerst (emails`.*@.*`, tokens`sk-*`, `ghp_*`, IPs), dan leert het. De proefperiode, dat is het: we valideren dat het geen vals-negatieven doorlaat voordat we het vast benoemen.

== Wat deze MVP ontgrendelt (en het is niet alleen naleving)

Anonymisatie als MVP0 is niet de tol van de AVG vóór de snelweg. Het is de snelweg zelf. Dit is wat het opent:

=== Huidig : 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 vuile data — het zoekt in een ruimte**schoon door constructie**. Het verandert alles voor de kwaliteit van de antwoorden : het LLM besteedt geen tijd aan het omzeilen van PII die het herkent maar die het niet mag noemen.

=== Futur : 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)
----

Fine-tuning op ruwe data is een potentiële juridische ramp. Op schone data is het een**reproduceerbare methode**. Elke klant verzamelt zijn gereinigde datasets, elke klant kan zijn business-experts finetunen op zijn data — zonder ooit persoonlijke gegevens bloot te stellen.

== Waarom is het marktbaar

Het is geen « instrument voor RGPD-naleving ». Het is een**reproduceerbare methode die een universeel probleem omzet in een actief**:

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 eigendom* — dat is de hindernis

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

== De SQL-indeling als derde weg van de context

De invoer van gestructureerde gegevens is niet alleen een uitwisselingsformaat. Het SQL-schema (DDL) draagt het**entiteit-relatiemodel 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
);
----

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

== De Roadmap: van MVP0 tot 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 kan worden geleverd zonder MVP0. Dat is de reden waarom de Anonimiseur niet « P0 » is in de backlog — hij is**MVP0**. Het is het eerste commerciële leverbaar, en alles andere is afhankelijk van zijn succes.

== Conclusie: het onzichtbare werk dat alles mogelijk maakt

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

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

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

En daarom wordt hij/zij eerst aangenomen.

== 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 de Eager/Lazy-agent :link:../2026/0108_gouvernance_agent_opencode_eager_lazy_post.html[Een AI-agent besturen met AsciiDoc]
* Artikel over het mechanisme Hot/Warm/Cold: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]
----