Entity Enricher biedt twee verrijkingsstrategieën die bepalen hoe LLM-aanroepen worden georkestreerd. De juiste strategie kiezen heeft invloed op nauwkeurigheid, snelheid en kosten.
Van de eenvoudigste tot de krachtigste configuratie. Elke bouwt voort op de vorige.
Eén model, één aanroep. Het hele schema wordt in één prompt verzonden. Snel en goedkoop — ideaal voor eenvoudige schema's of snel itereren.
Aspirin
Elke entiteit: bedrijf, geneesmiddel, rechtszaak, onderzoekspaper...
Gebruik elke LLM-provider met je eigen API-sleutel.
Volledig schema in één aanroep — probeert automatisch opnieuw bij validatiefout.
Aspirin
Dezelfde strategie, maar parallel uitgevoerd op meerdere modellen. De resultaten worden veld voor veld vergeleken en beslecht om één output met hoge betrouwbaarheid te produceren.
Aspirin
Elke entiteit: bedrijf, geneesmiddel, rechtszaak, onderzoekspaper...
Match — Pharmaceutical Compound
Vangt typemismatches op voordat je LLM-credits verspilt.
Breng je eigen API-sleutels mee — werkt met elke LLM-provider.
Volledig schema in één aanroep — probeert automatisch opnieuw bij validatiefout.
Aspirin
GearbitreerdBeredeneerde conflictoplossing op veldniveau levert het uiteindelijke betrouwbare resultaat op.
Het schema wordt opgesplitst per expertisedomein. Elk model ontvangt gerichte sub-prompts voor elk domein. Resultaten worden per model diep samengevoegd en vervolgens gearbitreerd over de modellen heen. Maximale nauwkeurigheid voor complexe schema's met meerdere domeinen.
Aspirin
Elke entiteit: bedrijf, geneesmiddel, rechtszaak, onderzoekspaper...
Match — Pharmaceutical Compound
Vangt typemismatches op voordat je LLM-credits verspilt.
Breng je eigen API-sleutels mee — werkt met elke LLM-provider.
Schema opgesplitst per domein — zelfcorrigerende prompts proberen het opnieuw bij een validatiefout.
Deep merge van expertise-reacties per model.
Aspirin
GearbitreerdBeredeneerde conflictoplossing op veldniveau levert het uiteindelijke betrouwbare resultaat op.
| Aspect | Enkele doorloop | Multi-expertise |
|---|---|---|
| LLM-aanroepen | 1 per model | N per model (1 per expertise domain) |
| Schema verzonden | Volledig schema in één prompt | Subset per expertisedomein |
| Uitvoering | Sequentieel (één call) | Parallel (alle expertisedomeinen worden tegelijk uitgevoerd) |
| Nauwkeurigheid | Geschikt voor eenvoudige schema's | Hoger — gerichte prompts leveren betere resultaten op |
| Snelheid | Sneller voor kleine schema's | Parallelle uitvoering kan sneller zijn voor grote schema's |
| Kosten | Lager (overhead van één call) | Hoger (meerdere aanroepen met overhead per aanroep) |
| Streaming | Alles-of-niets-resultaat | Progressief — resultaten stromen binnen zodra elke expertise klaar is |
| Gedeeltelijk gelukt | Nee — de hele aanroep slaagt of mislukt | Ja — geslaagde expertises worden bewaard, mislukte kunnen opnieuw worden geprobeerd |
De multi-expertisestrategie volgt voor elk model een proces in vier stappen:
Het schema wordt recursief doorlopen. Elke eigenschap met een expertisedomein-tag wordt gegroepeerd met andere met hetzelfde domein. Bijvoorbeeld: revenue en market_cap gaan naar de groep “financieel”, terwijl gmp_status naar “regelgeving” gaat.
Elke expertisegroep wordt een minimaal subschema dat alleen zijn eigen eigenschappen bevat. Dit betekent dat de LLM een kleinere, gerichtere prompt ontvangt en alleen de velden hoeft in te vullen waarin ze gespecialiseerd is.
Alle expertise domain-aanroepen draaien gelijktijdig. Een schema met 5 expertise domains start 5 LLM-aanroepen tegelijk. Zodra een aanroep klaar is, worden de resultaten diep samengevoegd in de opgebouwde output en in realtime naar de UI gestreamd.
Als sommige expertises falen, retourneert het systeem de samengevoegde output van de geslaagde expertises met de status “Gedeeltelijk”. Je kunt alleen de mislukte expertises opnieuw proberen, en de nieuwe resultaten worden samengevoegd met de bestaande output zonder het al geslaagde werk te herhalen.
Beide strategieën kunnen worden gecombineerd met multimodelverrijking. Wanneer je meerdere modellen selecteert, voert elk model de gekozen strategie onafhankelijk uit. De resultaten kunnen vervolgens worden samengevoegd met multimodelfusie om één uitvoer met hoge betrouwbaarheid te produceren.