Retrieval-Augmented Generation (RAG) is een AI-framework dat twee technieken combineert: het ophalen van relevante informatie uit externe of interne kennisbronnen en het genereren van tekst door een groot taalmodel (LLM). Het uitgangspunt is dat een taalmodel niet alleen afgaat op de kennis die tijdens training is opgeslagen, maar actief aanvullende informatie opvraagt voordat het een antwoord formuleert. Bij RAG wordt eerst een zoekopdracht uitgevoerd in een kennisbasis, waarna de gevonden documenten of passages als context aan het taalmodel worden meegegeven. Zo kan het model nauwkeurigere en actuele antwoorden geven, ook over onderwerpen die buiten de trainingsdata vallen. RAG wordt ingezet door bedrijven die generatieve AI willen verbinden met interne gegevens, zoals bedrijfsdocumenten of klanteninformatie, zonder het model opnieuw te hoeven trainen.
is algemeen beschikbaar
“De Responses API en ingebouwde RAG zijn algemeen beschikbaar”Red Hat maakt AI 3.5 klaar voor beheerde productie
is het gereedschap voor kennis
“RAG is het gereedschap voor kennis: de juiste documenten erbij zoeken op het moment van de vraag”Hoe leer je AI jouw kennis: prompten, RAG of fine-tunen?
is de enige aanpak die met actuele en morgen bijgewerkte data overweg kan
“is de enige die met 'actueel' en 'morgen bijgewerkt' overweg kan”Wat is RAG? Antwoorden uit je eigen documenten
past voor feiten die veranderen en bijgewerkt moeten worden
“voor feiten die veranderen en die je wilt kunnen bijwerken en onderbouwen, past RAG”Wat is RAG? Antwoorden uit je eigen documenten
is een techniek waarbij een taalmodel zijn antwoord baseert op tekst die er vlak voor de vraag bij wordt gezocht
“Het is een techniek waarbij een taalmodel zijn antwoord baseert op tekst die er vlak voor je vraag bij wordt gezocht.”Wat is RAG? Antwoorden uit je eigen documenten
beantwoordt vragen, maar voert geen processen uit
“RAG beantwoordt vragen; het voert geen processen uit.”Bedrijfskennis doorzoekbaar maken met AI: wanneer RAG loont, en wanneer je het niet moet bouwen
loont bij herhaald gebruik
“RAG loont bij herhaald gebruik”Bedrijfskennis doorzoekbaar maken met AI: wanneer RAG loont, en wanneer je het niet moet bouwen
werkt niet goed bij chaotische bronnen met meerdere versies van dezelfde handleiding
“staan er drie versies van dezelfde handleiding, dan citeert het systeem vrolijk de verkeerde”Bedrijfskennis doorzoekbaar maken met AI: wanneer RAG loont, en wanneer je het niet moet bouwen
blinkt uit bij informatie die verandert en waar een verouderd antwoord schadelijk is
“RAG blinkt uit bij informatie die verandert en waar een verouderd antwoord schadelijk is”Bedrijfskennis doorzoekbaar maken met AI: wanneer RAG loont, en wanneer je het niet moet bouwen
vereist dat data actueel is en verandert
“Is de data actueel en verandert ze?”Bedrijfskennis doorzoekbaar maken met AI: wanneer RAG loont, en wanneer je het niet moet bouwen
is niet de moeite waard bij minder dan vijfhonderd documenten
“onder de grofweg vijfhonderd documenten is de bouwrekening zelden de moeite waard”Bedrijfskennis doorzoekbaar maken met AI: wanneer RAG loont, en wanneer je het niet moet bouwen
verdient zich terug bij voldoende volume en variatie (honderden tot duizenden documenten)
“RAG verdient zich pas terug als er echt iets te doorzoeken valt: honderden tot duizenden documenten”Bedrijfskennis doorzoekbaar maken met AI: wanneer RAG loont, en wanneer je het niet moet bouwen
loont alleen als data actueel, afgebakend en gestructureerd is en er herhaalde zoekvragen op afkomen
“RAG loont alleen als je data actueel, afgebakend en gestructureerd is en er herhaalde zoekvragen op afkomen.”Bedrijfskennis doorzoekbaar maken met AI: wanneer RAG loont, en wanneer je het niet moet bouwen
werkt technisch
“De echte vraag is niet of RAG technisch werkt, dat doet het.”Een AI-chatbot op je eigen data (RAG): een praktisch stappenplan
is geen orakel; het haalt op en herformuleert, neemt geen beslissingen
“RAG redeneert niet, het haalt op en herformuleert. Het neemt geen beslissingen”Een AI-chatbot op je eigen data (RAG): een praktisch stappenplan
is geschikt voor vragen waar het antwoord in eigen documenten staat
“RAG is uitstekend voor vragen waar het antwoord ergens in jouw documenten staat”Een AI-chatbot op je eigen data (RAG): een praktisch stappenplan
vermindert hallucinaties
“RAG vermindert hallucinaties flink, maar bant ze niet helemaal uit.”Een AI-chatbot op je eigen data (RAG): een praktisch stappenplan
gebruikt opgehaalde tekstfragmenten om antwoorden te baseren op eigen data
“Die gevonden stukjes gaan samen met de vraag naar het model, met de instructie: beantwoord de vraag op basis van deze tekst.”Een AI-chatbot op je eigen data (RAG): een praktisch stappenplan
bestaat uit twee stappen: retrieval en generation
“Het bestaat uit twee stappen: 1. Retrieval (ophalen). 2. Generation (genereren).”Een AI-chatbot op je eigen data (RAG): een praktisch stappenplan
bestaat uit twee stappen: retrieval en generation
“RAG lost dat op met een truc die in de naam verstopt zit. Het bestaat uit twee stappen:”Een AI-chatbot op je eigen data (RAG): een praktisch stappenplan
is een techniek om een AI-model te laten antwoorden op basis van eigen documenten
“RAG, oftewel Retrieval-Augmented Generation. Het is de techniek waarmee je een AI-model laat antwoorden op basis van jouw eigen documenten”Een AI-chatbot op je eigen data (RAG): een praktisch stappenplan
is afkomstig uit een paper van Lewis en collega's uit 2020
“De naam en het idee komen uit een paper van Lewis en collega's uit 2020”Wat is RAG? Antwoorden uit je eigen documenten
Onderwerpen die vaak samen met RAG voorkomen, ook zonder een vastgelegd verband. Open de gedeelde verhalen voor de context.
AiThority
Techzine
Red Hat Documentation
Red Hat
UWV
CBS
Design Arena
Deepgram
ROA, Maastricht University
Rijksoverheid
Gemini Notebook
Scribe
Microsoft Support
Notion
Genians Security Center
Reuters
Chosunbiz
Belastingdienst ODB
AccountOne
King Software
