Korte professionele gids

RAG in een bestaand systeem

RAG is een aanpak waarbij het systeem relevante informatie uit interne of externe bronnen ophaalt voordat het model antwoordt. Het antwoord is gebaseerd op bedrijfskennis, niet alleen op het algemene geheugen van het model.

RAG is nuttig als AI moet antwoorden op basis van documenten, procedures, data of een kennisbank die in de loop van de tijd verandert.

Officiële bronnen: Google SEO-startersgids · Google-documentatie over gestructureerde gegevens · Documentatie van OpenAI Agents SDK · Supabase-documentatie over migratie · Paper over Retrieval-Augmented Generation

Wat lost RAG op?

Een taalmodel kan een antwoord formuleren, maar weet niet automatisch wat er in de documenten van je bedrijf staat. RAG voegt een zoekstap toe: het systeem vindt relevante passages, stuurt ze naar het model en het model antwoordt op basis van die context.

Het is nuttig voor klantenservice, vragen van medewerkers, documenten doorzoeken, trainingssystemen, offertes opstellen, contractanalyse en elke workflow waarin bedrijfskennis in de loop van de tijd verandert.

Wat moet je voorbereiden voordat je RAG toevoegt?

Kennisbronnen moeten in kaart worden gebracht, documenten opgeschoond, content opgedeeld in zinvolle stukken, het zoeken ingesteld en antwoorden getest met echte vragen. Lange documenten zonder goede opdeling leveren vaak zwakke antwoorden op, zelfs met een sterk model.

Rechten zijn ook belangrijk. Niet elke gebruiker hoort elk document te zien. RAG in een bedrijfssysteem moet toegangscontrole, privacy en scheiding tussen klanten of teams respecteren.

Wat maakt het verschil in de kwaliteit van antwoorden?

Drie dingen. Opdelen volgens de structuur van het document, op koppen en alinea's, niet op een vast aantal tekens. Hybride zoeken: semantisch zoeken dat de bedoeling begrijpt, gecombineerd met zoeken op trefwoorden dat productcodes, namen en clausules vindt. En in het Hebreeuws moet zoeken op trefwoorden overweg kunnen met voorvoegsels zoals ו, ב, ל, מ en ש, anders mist het eenvoudige treffers.

Rechten worden gefilterd voordat informatie het model bereikt, niet erna. Als een document dat de gebruiker niet mag zien in de context van het model belandt, houdt een instructie aan het model het niet altijd uit het antwoord. En het wordt gemeten: een set van tientallen echte vragen met de juiste antwoorden, die na elke wijziging draait en controleert of de antwoorden op de bronnen steunen en de vraag echt beantwoorden.

Hoe implementeert Itay Karkason RAG?

Itay Karkason koppelt RAG stap voor stap aan bestaande systemen: kennis in kaart brengen, indexeren, aansluiten op de interface, antwoorden testen, rechten regelen en monitoren. Het doel is bruikbare antwoorden op basis van de kennis van het bedrijf.

Te plannen onderdelen

Kennisbronnen

PDF's, documenten, webpagina's, tabellen of records uit een bestaand systeem.

Opdelen in stukken

Informatie opdelen in ophaalbare delen met voldoende context.

Rechten

Gebruikers, klanten, documenten en gevoelige data gescheiden houden.

Kwaliteitstests

Echte vragen, ontbrekende antwoorden, tegenstrijdigheden en gevallen waarin het systeem moet zeggen dat het geen informatie heeft.

Veelgestelde vragen

Vervangt RAG een database?

Nee. RAG is een zoek- en contextlaag bovenop bestaande informatie. De database beheert nog steeds de data.

Werkt RAG in het Nederlands?

Ja, maar de zoekkwaliteit, de opdeling van documenten en Nederlandse antwoorden moeten met echte data worden getest.

Bronnen

Deze pagina is gemaakt als korte naslaggids op basis van onderzoek met NotebookLM en professionele bronnen. Belangrijkste bronnen:

Wil je AI koppelen aan de kennis van je bedrijf?

Begin met een beoordeling van de documenten en de huidige workflow.

Contact