Het beheer van computernetwerken via kunstmatige intelligentie biedt grote kansen voor efficiëntie, maar brengt aanzienlijke risico's mee op het gebied van privacy. Wanneer organisaties gebruikmaken van externe, grootschalige taalmodellen, worden gevoelige gegevens zoals netwerktopologieën en configuraties naar externe servers gestuurd. Om deze datalekken te voorkomen, wordt er steeds vaker gekeken naar lokale Small Language Models (SLM's), al zijn deze kleinere varianten doorgaans gevoeliger voor fouten.
Om dit betrouwbaarheidsprobleem op te lossen, hebben onderzoekers Maleeha Masood en Momina Nofal een nieuwe strategie ontwikkeld. In een publicatie op arxiv.org van 25 september 2026 introduceren zij het concept van 'checkability'. Dit principe stelt dat een taak alleen lokaal uitgevoerd kan worden als er een eenvoudige, deterministische test beschikbaar is om de correctheid van de output direct te verifiëren. Deze zogenaamde intrinsieke check zorgt ervoor dat foutieve antwoorden onmiddellijk worden herkend en verworpen, waardoor de veiligheid in productieomgevingen gewaarborgd blijft.
Ter validatie van dit concept hebben de wetenschappers 'Touchstone' gebouwd, een hybride pipeline. Dit systeem maakt gebruik van zeven verschillende lokale modellen met een omvang tussen de 1 en 8 miljard parameters. De werkwijze is tweeledig: eerst genereren de lokale SLM's een mogelijke oplossing, waarna de intrinsieke checks bepalen of het antwoord correct is. Pas wanneer de lokale route faalt, wordt de taak geëscaleerd naar een krachtig extern model.
De resultaten van dit systeem zijn veelbelovend. Bij het detecteren van conflicten behaalde Touchstone een nauwkeurigheid van 98,6%, terwijl de nauwkeurigheid bij het vertalen van intenties op 93,8% lag. Een cruciaal aspect is dat respectievelijk slechts 16% en 17% van de aanvragen naar het externe model gestuurd hoefde te worden. Dit betekent dat het overgrote deel van de kritieke informatie binnen de eigen infrastructuur van de organisatie blijft.
Toch is de aanpak niet universeel toepasbaar. Uit tests met TeleQnA, een experiment dat puur op kennis is gebaseerd zonder specifieke controlemechanismen, bleek dat Touchstone de prestaties van grote externe modellen niet kon evenaren. Dit onderstreept dat lokale AI enkel effectief is wanneer de output objectief getoetst kan worden. De onderzoekers adviseren daarom om inferentie lokaal te houden wanneer de taak zich leent voor goedkope en nauwkeurige controles, en anders over te stappen op externe modellen.
De essentie van deze methode ligt in het proces van verificatie. In algemene zin wordt het cambridge.org van iets gedefinieerd als het snel onderzoeken van een object of persoon om vast te stellen of deze correct of veilig is. In de context van netwerkbeheer betekent dit het systematisch verwijderen van fouten voordat een configuratie daadwerkelijk wordt geïmplementeerd.
In digitale interfaces wordt een succesvolle verificatie vaak aangeduid met specifieke tekens. Zo worden symbolsdb.com wereldwijd gebruikt om aan te geven dat een item geldig is of een taak is voltooid. Binnen de Touchstone-pipeline fungeert de intrinsieke check als een digitale versie van dit symbool: alleen een output die de test doorstaat, krijgt het virtuele 'vinkje' en wordt geaccepteerd. Door deze hybride structuur kunnen bedrijven profiteren van de kracht van moderne AI zonder concessies te doen aan de veiligheid van hun netwerkinfrastructuur.