Wat is Retrieval-Augmented Generation (RAG)?
Retrieval-Augmented Generation (RAG) is een techniek waarbij een AI-taalmodel eerst relevante documenten opzoekt voordat het een antwoord genereert. Het model heeft geen kennis van jouw bedrijfsdocumenten, maar via RAG geef je het tijdelijk toegang tot de juiste context. Het resultaat is een antwoord dat gebaseerd is op je eigen informatie, niet op algemene trainingsdata.
RAG combineert een AI-taalmodel met je eigen documenten. Het model zoekt eerst relevante informatie op en gebruikt die als context om een antwoord te genereren.
Het probleem dat RAG oplost
Taalmodellen hebben een kennisgrens. Ze zijn getraind op publiek beschikbare tekst tot een bepaalde datum. Alles wat daarna is gebeurd of wat nooit gepubliceerd is, weet het model niet. Voor bedrijfstoepassingen is dit een fundamenteel probleem: je wil een AI die antwoorden geeft op basis van jouw specifieke informatie.
RAG overbrugt die kloof door het model tijdelijk toegang te geven tot de informatie die het nodig heeft om een vraag te beantwoorden. Meer over hoe je een volledige AI-assistent bouwt op basis van je eigen documenten lees je in het artikel over een AI-assistent op basis van eigen documenten.
Hoe RAG werkt
RAG werkt in drie stappen. Stap één is het opslaan van je documenten: de tekst wordt opgedeeld in kleine stukken (chunks) en omgezet naar wiskundige representaties (embeddings) die in een vectordatabase worden opgeslagen.
Stap twee is zoeken: bij een vraag van een gebruiker zoekt het systeem in de vectordatabase naar de meest relevante tekstfragmenten. Dit is geen simpele zoekterm-match, maar een semantische zoekopdracht die vergelijkbare betekenissen herkent.
Stap drie is genereren: de gevonden fragmenten worden meegegeven als context aan het taalmodel. Het model genereert een antwoord op basis van zowel de vraag als de aangeleverde context, in plaats van alleen op zijn trainingsdata te vertrouwen.
RAG versus fine-tuning
Fine-tuning betekent het taalmodel opnieuw trainen op jouw data, zodat het die informatie opneemt in zijn gewichten. Dat is duur, tijdrovend en moet herhaald worden elke keer als je documenten veranderen.
RAG laat het basismodel intact: de kennis zit in een externe opslag die je eenvoudig kunt bijwerken. Voeg een nieuw document toe, verwijder een verouderd beleid, pas een handleiding aan: de AI heeft direct de juiste informatie. Voor vrijwel alle bedrijfsapplicaties is RAG de verstandigere keuze.
Praktische voorbeelden
Een interne helpdesk-AI die antwoorden geeft op basis van HR-beleid, IT-procedures en onboardingdocumenten. Een klantenservice-assistent die producthandleidingen en veelgestelde vragen doorzoekt. Een juridische assistent die contracttemplates en wetgeving raadpleegt bij het beantwoorden van vragen.
In elk geval is het patroon hetzelfde: de gebruiker stelt een vraag, het systeem zoekt de relevante passages op, het model formuleert een antwoord. Meer over wat er mogelijk is wanneer je AI combineert met een eigen platform lees je in het artikel over het verschil tussen ChatGPT en een eigen AI-oplossing voor je bedrijf.
Wanneer kies je voor RAG
RAG is de juiste keuze als je een AI wil die vragen beantwoordt op basis van jouw specifieke documenten, als die documenten regelmatig veranderen en als je transparantie wil over de bronnen van de antwoorden.
RAG werkt minder goed als de informatie sterk verspreid is over honderden documenten zonder duidelijke structuur, als de vragen veelal rekenkundige of logische redenering vereisen, of als de informatie primair in afbeeldingen en tabellen staat. In die gevallen heb je aanvullende technieken nodig.
Onze tip: investeer in de kwaliteit van je documentenopslag voordat je RAG bouwt. Zorg dat documenten up-to-date zijn, duidelijke taal gebruiken en per document over één onderwerp gaan. Een slecht gestructureerde documentenopslag levert een onbetrouwbare AI, ongeacht de kwaliteit van het taalmodel.
Veelgestelde vragen
Wat is het verschil tussen RAG en fine-tuning?
Bij fine-tuning train je het taalmodel opnieuw op jouw data. Het model leert de informatie en sloeg die op in zijn gewichten. Dat is duur, tijdrovend en moet herhaald worden als je data verandert. Bij RAG blijft het basismodel ongewijzigd: de kennis zit in een externe documentenopslag die je eenvoudig kunt bijwerken. Voor de meeste bedrijfsapplicaties is RAG de betere keuze: goedkoper, sneller te bouwen en eenvoudiger te onderhouden.
Hoe nauwkeurig zijn antwoorden via RAG?
De nauwkeurigheid van RAG hangt af van de kwaliteit van de documentenopslag en de zoekvraag. Als de relevante informatie in de documenten staat en het zoekproces de juiste documenten vindt, is het antwoord doorgaans betrouwbaar. Problemen ontstaan wanneer informatie verspreid is over veel documenten, wanneer de zoekvraag vaag is of wanneer het model hallucineert ondanks de context. Goede RAG-implementaties geven bronverwijzingen mee bij het antwoord, zodat je kunt controleren waar de informatie vandaan komt.
Welke documenten kun je gebruiken voor RAG?
RAG werkt met vrijwel elk tekstdocument: PDF's, Word-bestanden, e-mails, webpagina's, handleidingen, FAQ-documenten en interne wikis. De documenten worden verwerkt tot tekstfragmenten (chunks) die worden opgeslagen in een vectordatabase. Afbeeldingen, tabellen en diagrammen worden niet standaard verwerkt, tenzij je multimodale modellen of extra verwerking inbouwt. Zorg dat documenten actueel zijn: verouderde informatie in de documentenopslag leidt tot verouderde antwoorden.