Przejdź do treści
promptowy.com / AI-begrippenlijst / RAG (retrieval-augmented generation)
Technologie

RAG (retrieval-augmented generation)

RAG is een AI-methode die een taalmodel koppelt aan externe documenten, zodat het antwoorden formuleert op basis van actuele en controleerbare feiten.

RAG, een afkorting voor retrieval-augmented generation, is een techniek binnen kunstmatige intelligentie waarbij een taalmodel gekoppeld wordt aan een externe kennisbron. In plaats van uitsluitend te vertrouwen op de gegevens waarmee het algoritme ooit is getraind, zoekt het systeem bij elke vraag eerst in een eigen verzameling documenten. De gevonden fragmenten worden vervolgens samen met de vraag aan het taalmodel doorgegeven om een helder, kloppend antwoord te formuleren.

Met deze methode verandert een standaard taalmodel van een creatieve tekstschrijver in een betrouwbare onderzoeksassistent. Het model hoeft niet meer te gokken als het iets niet weet, want het krijgt de juiste bronteksten letterlijk voor zijn neus geschoven. Hierdoor neemt het risico op zogeheten hallucinaties sterk af en kan de gebruiker precies nagaan uit welk intern rapport, handleiding of beleidsstuk de informatie afkomstig is.

Hoe werkt RAG achter de schermen?

Het proces van retrieval-augmented generation verloopt in een vaste cyclus die bestaat uit drie opeenvolgende stappen:

  1. Ophalen (Retrieval): De gebruiker stelt een vraag. Een zoeksysteem zoekt razendsnel door de database van de organisatie naar de meest relevante alinea's, werkinstructies of artikelen die inhoudelijk aansluiten bij die vraag.
  2. Verrijken (Augmentation): De gevonden fragmenten worden toegevoegd aan de oorspronkelijke opdracht (de prompt). Hierin staat een duidelijke instructie, bijvoorbeeld: Gebruik alleen onderstaande context om de vraag te beantwoorden. Noem de bron als dat mogelijk is.
  3. Genereren (Generation): Het taalmodel leest de vraag én de meegeleverde context. Op basis van die specifieke feiten schrijft het model een vlot leesbaar antwoord in natuurlijk Nederlands.

Een herkenbaar praktijkvoorbeeld

Stel dat een middelgroot installatiebedrijf in Amersfoort of een accountantskantoor in Leuven werkt met honderden interne handleidingen, cao-afspraken en productspecificaties. Een monteur staat bij een klant voor een specifieke warmtepomp en wil weten wat storingscode E4 inhoudt bij een installatie met vloerverwarming.

Zonder RAG kan een algemene chatbot alleen gissen naar een waarschijnlijke betekenis of een verouderd handboek citeren. Met een RAG-systeem doorzoekt de interne assistent binnen een fractie van een seconde de officiële documentatie van de fabrikant die het bedrijf zelf heeft geüpload. De assistent vindt de juiste alinea en meldt: 'Storingscode E4 duidt op een te lage waterdruk in het secundaire circuit. Controleer manometer B achter het voorpaneel (bron: Technische Gids 2024, pagina 18).' De monteur krijgt exact het juiste antwoord, zonder dat het taalmodel opnieuw getraind hoefde te worden.

Waarom bedrijven kiezen voor RAG

Voor organisaties in Nederland en Vlaanderen is RAG vaak dé standaardoplossing om AI veilig toe te passen op eigen bedrijfsdata. Het trainen of verfijnen van een eigen taalmodel kost immers enorm veel rekenkracht en tijd. Bovendien raakt zo'n model snel verouderd zodra wetgeving, prijzen of protocollen wijzigen.

Bij RAG blijft het taalmodel zelf onaangetast. Verandert er een regelgeving bij de Vlaamse overheid of wijzigt een retourbeleid in een webwinkel in Utrecht? Dan hoeft de beheerder alleen het bijbehorende pdf-bestand in de database te vervangen. Vanaf dat moment gebruikt het zoeksysteem direct de nieuwste versie. Daarnaast kan de toegang strikt geregeld worden: medewerkers krijgen via het zoeksysteem alleen die documenten te zien waarvoor zij de juiste bevoegdheden hebben.

De grootste valkuil: slechte zoekresultaten

Een veelgemaakte fout is de aanname dat een slim taalmodel slechte zoekresultaten vanzelf wel corrigeert. Dat is een misvatting. RAG staat of valt met het eerste onderdeel: de zoekkwestie. Als het zoeksysteem irrelevante, onvolledige of tegenstrijdige tekstfragmenten uit de database vist, heeft het taalmodel simpelweg niet de juiste munitie om een goed antwoord te bouwen.

In de praktijk geldt het bekende principe van 'rommel in, rommel uit'. Organisaties die starten met RAG moeten daarom vooral aandacht besteden aan het structureren van hun documenten, het opschonen van oude versies en het nauwkeurig instellen van semantische zoektechnologie. Pas wanneer de zoekfunctie foutloos de juiste alinea selecteert, kan de taalgenerator zijn werk optimaal doen.

Veelgestelde vragen

Wat is het verschil tussen RAG en een standaard chatbot?

Een standaard chatbot baseert zijn antwoorden alleen op de algemene trainingsdata uit het verleden. Een RAG-systeem zoekt eerst in jouw eigen documenten en beantwoordt de vraag uitsluitend met behulp van die actuele informatie.

Moet ik een model opnieuw trainen om RAG te gebruiken?

Nee, juist niet. Het taalmodel blijft hetzelfde. Je koppelt het model via software aan een externe database, waardoor je documenten kunt toevoegen of aanpassen zonder dure hertraining.

Kan een RAG-systeem nog steeds hallucineren?

De kans op verzinsels daalt aanzienlijk, maar is nooit helemaal nul. Als het systeem geen relevante documenten vindt of als de brondocumenten fouten bevatten, kan het model alsnog een verkeerde conclusie trekken.

Welke bestanden kan ik gebruiken in een RAG-omgeving?

Je kunt vrijwel alle tekstbronnen gebruiken, zoals pdf-handleidingen, Word-bestanden, e-mails, intranetpagina's en spreadsheets, mits de tekst gedigitaliseerd en doorzoekbaar is gemaakt.

← Alle termen in de AI-begrippenlijst

🛒 Sklep Kinetyka CapCut Pro 460 zł/rok Lovable Pro 450 zł/rok Replit Core 119 zł/rok Zobacz wszystko →
× ‹ powiększenie ›