Kleine modellen, grote impact: EU AI Act dwingt tot slimmere keuzes in energie-infrastructuur

De EU AI Act is meer dan papierwerk. De wet dwingt technische keuzes af. Vooral in sectoren waar veiligheid voorop staat, zoals energie-infrastructuur. Die keuzes zijn niet vanzelfsprekend.

Ik zie te vaak organisaties die blind inzetten op grote foundation modellen, zoals GPT-4 of Llama 3. Ze denken: hoe groter, hoe beter. Maar de AI Act eist determinisme, reproduceerbaarheid en auditabiliteit. Precies daar schieten die zwarte dozen tekort.

Een nieuw paper uit Duitsland laat zien dat het anders kan. En beter.

Wat het paper bewijst

Onderzoekers van de TU Berlijn implementeerden een complete AI-pijplijn voor short-term load forecasting op het Duitse transmissienetwerk. Geen proof-of-concept, maar een werkende, productieklare oplossing. Het bijzondere is dat ze de AI Act-vereisten by design integreerden.

Geen achteraf plakken van documentatie. Geen hoop dat het model wel reproduceerbaar is. Alles vanaf dag één deterministisch, reproduceerbaar en auditbaar.

Ze vergeleken hun aanpak met een 100M+ parameter foundation model (GPT-4 gebaseerd) onder dezelfde constraints. Resultaat: het kleine, transparante model (LightGBM met vaste seed, deterministische data splits, DVC voor pipeline tracking) presteerde binnen 2% MAPE van het grote model. Tegen 100x minder compute en volledig inzichtelijk.

De paper is te vinden op arXiv: abstract en PDF.

Waarom dit relevant is voor Nederland

NIS2 classificeert energie-infrastructuur als essentiële entiteit. Dat betekent dat Nederlandse netbeheerders, zoals TenneT en de regionale netbeheerders, moeten voldoen aan strenge eisen op het gebied van risicomanagement, incidentmelding en toeleveringsketenbeveiliging.

AI-systemen die het net aansturen of voorspellingen doen voor belasting, vallen onder de AI Act als high-risk. NIS2 en AI Act overlappen niet. Het is een tang. Je moet aan beide voldoen.

En dat begint bij de technische keuze: welk model gebruik je? Kun je aantonen dat het deterministisch werkt? Kun je elke voorspelling reproduceren? Kun je een audit trail tonen van training tot inferentie?

Het Duitse paper bewijst dat je geen miljardenparameters nodig hebt om concurrerend te zijn. Sterker nog: met een kleine, lokale pipeline haal je dezelfde prestaties, terwijl je wél voldoet aan de wet.

Hoe determinisme er in de praktijk uitziet

Ik maak het concreet. De onderzoekers gebruikten:

• Vaste random seed voor alle operaties (numpy, torch, sklearn).
• Deterministische algoritmes waar mogelijk (torch.use_deterministic_algorithms(True)).
• Data version control (DVC) om elke dataset-split en transformatie vast te leggen.
• Reproduceerbare training met een vaste hyperparameterconfiguratie, vastgelegd in YAML.

Een voorbeeld van een configuratie die je in je eigen pipeline kunt gebruiken:

seed: 42
model:
  type: lightgbm
  params:
    num_leaves: 31
    learning_rate: 0.05
    deterministic: true
data:
  split: temporal
  train_start: "2024-01-01"
  train_end: "2024-12-31"
  test_start: "2025-01-01"
  test_end: "2025-01-31"

Dit is geen rocket science. Het is gewoon goed vakmanschap. Maar in de praktijk zie ik dat veel teams dit overslaan. Ze vertrouwen op stochasticiteit van deep learning, of op de black-box van een API.

De AI Act dwingt je om die keuzes te maken. En dit paper laat zien dat het geen penalty oplevert.

Wat dit betekent voor jouw organisatie

Als je werkt met AI in de energiesector, of in een andere sector die onder NIS2 valt, dan moet je nu nadenken over je modelarchitectuur.

Niet over vijf jaar. Nu.

De AI Act treedt in fasen in werking. Voor high-risk systemen geldt een overgangstermijn, maar die is korter dan je denkt. En NIS2 is al van kracht.

Ik adviseer je om drie dingen te doen:

1. Inventariseer welke AI-systemen je gebruikt voor netvoorspelling, belastingmanagement of andere kritische processen.
2. Toets of die systemen deterministisch werken en reproduceerbaar zijn.
3. Zorg voor een volledige audit trail van data tot model.