AMALT

Opleiden als gereedheidsvraagstuk

De Nederlandse krijgsmacht groeit, en het opleiden moet meegroeien: zo’n 45 Defensiescholen leiden jaarlijks ongeveer 180.000 mensen op, en de organisatie schaalt richting 200.000. Lange, gestandaardiseerde leertrajecten passen niet bij die werkelijkheid. Als mensen alleen hoeven te leren wat ze nog niet beheersen, zijn ze sneller inzetbaar.

Dat is het uitgangspunt van AMALT, voluit Automated Monitoring and Advice for optimizing Learning Trajectories: maak leertrajecten persoonlijk en adaptief, en behandel opleidingssnelheid als wat het voor een krijgsmacht is, een gereedheidsvraagstuk.

AMALT brengt het Ministerie van Defensie, TNO, NLR, Next Learning Valley en HOIST IT samen. Defensie brengt domeinkennis en echte leertrajecten in. TNO en NLR onderzoeken welke aanpak werkt en leveren het bewijs waarmee de resultaten kunnen worden beoordeeld. Next Learning Valley vertaalt die inzichten naar leerfunctionaliteit die de beoogde doelen in de praktijk ondersteunt. HOIST IT vervult de rollen van Solution & Data Architect en Software Architect. We geven vorm aan het hele systeem, van solution design tot softwarearchitectuur en deployment. Ook bouwen we de data-infrastructuur daaronder: de laag waar alle leerdata staat, stroomt en beheerd blijft. De ontwikkeling loopt sinds het najaar van 2025; het eerste doel is een werkend prototype, bewezen in een klein aantal echte leertrajecten.

Wat het platform doet

Leren gebeurt op veel plekken: e-learningmodules, simulatoren, AR en VR, het klaslokaal, de praktijk. Elk daarvan produceert data. AMALT verzamelt die als xAPI-statements (de open standaard voor het vastleggen van leerervaringen) in een Learning Record Store, verrijkt ze met context zoals instructeursbeoordelingen en HR-gegevens, en vertaalt ze via analysemodellen naar een actueel beeld van iemands competenties. Leg dat beeld naast wat de functie vraagt en je ziet wat er nog ontbreekt. Leg dat gat naast wat eerder werkte en je hebt advies: een volgende leerstap voor de lerende, een coachingssignaal voor de instructeur, een gereedheidsbeeld voor de manager. En dan draait de lus opnieuw.

Zo’n lus is maar zo betrouwbaar als de datalaag eronder. Elk advies moet terug te voeren zijn op de gebeurtenissen erachter, over systemen en jaren heen, en de opleidingsstandaarden zelf mogen nooit wijken voor de drang om te optimaliseren.

Hoe adaptief leren echt werkt

“Adaptief” heeft hier een precieze betekenis. Voor elke lerende weegt het platform vier factoren: wat iemand al kan (afgeleid uit activiteit en beoordelingen), wat de functie vraagt (geformaliseerd als competentiedefinities), het gat daartussen, en de beste volgende interventie om dat gat te sluiten. De interventies zelf vormen een vast vocabulaire in plaats van een black box: moeilijkheid bijstellen, ondersteuning toevoegen of afbouwen, extra oefening bieden of juist beheerste stof laten overslaan, de feedback afstemmen, de herhaling anders spreiden, of content uitfaseren zodra beheersing is aangetoond.

Twee waarborgen omlijsten dat alles. Guardrails toetsen elke aanbeveling deterministisch voordat die een mens bereikt: veiligheidsgrenzen, beleids- en autorisatieregels, didactische geldigheid, beschikbaarheid van middelen. Schendt een AI-gegenereerde aanbeveling zo’n regel, dan valt het systeem terug op een veilige, regelgebaseerde standaard. En de mens blijft in de lus: instructeurs zien het advies, kunnen het bijstellen of overrulen, en hun eigen beoordelingen voeden het beeld van de lerende.

Eén platform, veel modellen

Er is geen los “AMALT-model”. Wij ontwerpen het AI-platform zo dat het model past bij de toepassing. Learner inference gebruikt lokaal geserveerde patroonherkenningsmodellen om activiteit te vertalen naar competenties. Aanbevelingen komen uit een recommender met meerdere strategieën, die content-based en collaborative filtering combineert met kennisgebaseerd redeneren over competentiegrafen en contextbewuste logica, met een meta-controller die de strategieën weegt op wat aantoonbaar werkte. De analytics lopen van beschrijvend en diagnostisch tot voorspellend en voorschrijvend. Per leertraject kan een strategie beginnen als uitlegbare regels en doorgroeien naar machine learning naarmate het bewijs zich opstapelt.

De air gap vormt ook de AI. In de cloud gehoste modellen zijn uitgesloten, dus elk model wordt lokaal getraind en lokaal geserveerd, op hetzelfde Kubernetes-platform, met features die vooraf berekend worden in het lakehouse en elke aanbeveling opgeslagen mét onderbouwing en betrouwbaarheidsscore. Uitlegbaarheid is hier geen nice-to-have; het gestelde kwaliteitsdoel is uitlegbare aggregatie, herleidbaar van het advies tot aan de brongebeurtenissen.

Het datafundament

Het deel dat we met eigen handen bouwen, is die datalaag. Het fundament is een “lakehouse”: één open dataplatform dat de Learning Record Store voor live xAPI-verkeer verbindt met analytische opslag op Apache Iceberg, met Kafka als event-backbone en Spark en Trino voor verwerking en query’s. Superset verzorgt rolgebaseerde dashboards, Keycloak de gefedereerde toegang, en OpenTelemetry de observability. De uitrol volgt een strikt GitOps-model met Argo CD: Git is de enige bron van waarheid, en elke wijziging bereikt een cluster via een pull request.

De standaarden gaan dieper dan xAPI alleen. De architectuur sluit aan op het volledige open ecosysteem van leerstandaarden: xAPI en zijn profielen (IEEE 9274), IEEE-competentiedefinities (1484.20), metadata over leeractiviteiten (IEEE P2881) en enterprise learner records (IEEE P2997), de Total Learning Architecture van het Amerikaanse ADL Initiative met bijbehorend master object model (TLA-MOM), publiek gedocumenteerd in het TLA-rapport van 2019, en CaSS voor competentieraamwerken. Dat is wat de data bruikbaar houdt los van elk afzonderlijk systeem, elke leverancier en zelfs dit platform.

Soevereiniteit als startvoorwaarde

Leerdata klinkt onschuldig. Geaggregeerd laat het zien hoe gereed eenheden zijn en hoe ze opereren, en zulke data kan niet afhangen van infrastructuur die iemand anders beheert. De architectuur vertrekt daarom vanuit soevereiniteit: managed clouddiensten vielen vroeg af, hoe gemakkelijk ook, omdat ze internetverbinding vereisen en lock-in meebrengen. Wat overbleef is een stack die open source is, zelf te hosten en te installeren zonder internetverbinding.

Hetzelfde platform dat in een cloudomgeving wordt ontwikkeld, is gebouwd om vanuit dezelfde codebase in het eigen datacenter van Defensie te draaien: air-gapped, met leerdata op infrastructuur van Defensie, onder controle van Defensie. Het is onze definitie van eigenaarschap in de praktijk: het ministerie kan de data bezitten op eigen infrastructuur, gebruiken via open standaarden, en aantoonbaar wegdoen. De organisatorische laag is daarop ingericht: open source, open standaarden en overdracht by design, zodat geen enkele leverancier, wijzelf incluis, onvervangbaar is.

Waar het staat

AMALT is in ontwikkeling: de analysemodellen, de dashboards en het dataplatform eronder worden nu gebouwd, om eerst in echte leertrajecten bewezen te worden. We laten liever een werkend prototype zien dan dat we een afgerond verhaal vertellen.

Meer over het denkwerk hierachter lees je in onze Engelstalige blogserie: wat het werkelijk betekent om eigenaar te zijn van je data en de laag die je als eerste tekent en als laatste leest.