Woordenlijst
Wat is RAG (retrieval-augmented generation)?
RAG is een techniek waarbij een AI-systeem relevante tekstfragmenten uit eigen documenten opzoekt en meegeeft aan een taalmodel. Het model baseert zijn antwoord op die fragmenten en kan naar de bron verwijzen.
RAG (retrieval-augmented generation) uitgelegd
Bij RAG worden documenten eerst in stukken geknipt en omgezet in embeddings: getallenreeksen die de betekenis van een stuk tekst vastleggen. Die komen in een vectordatabase. Stelt iemand een vraag, dan zoekt het systeem de stukken die er inhoudelijk het meest op lijken en geeft die samen met de vraag aan het taalmodel.
RAG werkt goed voor vragen over beleid, handleidingen, contracten of kennisbanken. Het werkt slecht voor vragen die rekenen vereisen, zoals totalen of gemiddelden, omdat het model dan op een paar fragmenten moet rekenen in plaats van op alle rijen.
Let bij RAG op rechten: als iemand een document niet mag lezen, mag een antwoord er ook niet op gebaseerd zijn. En controleer de bronverwijzingen, want een model kan ook bij goede fragmenten een verkeerde conclusie trekken.
Voorbeeld
Acme Groothandel zou RAG kunnen inzetten voor vragen van medewerkers over het personeelshandboek, zoals "hoeveel vakantiedagen krijg ik na vijf jaar?". Het systeem zoekt dan de juiste passage op en het antwoord verwijst naar het betreffende hoofdstuk.
RAG (retrieval-augmented generation) in ENABLE
RAG en AI-chat op documenten zitten niet in ENABLE. ENABLE gebruikt AI voor text-to-SQL in de SQL Explorer: het model schrijft een query op het datawarehouse en de database levert de cijfers.
FAQ
Veelgestelde vragen
Wat is het verschil tussen RAG en text-to-SQL?
RAG zoekt tekstfragmenten in documenten en laat een taalmodel daar een antwoord van maken. Text-to-SQL laat een model een databasequery schrijven, waarna de database rekent. RAG past bij tekst, text-to-SQL bij cijfers.
Wat is een vectordatabase?
Een vectordatabase slaat embeddings op, getallenreeksen die de betekenis van tekst vastleggen, en zoekt snel de stukken die op een vraag lijken. Het is de zoekmachine achter de meeste RAG-systemen.
Voorkomt RAG hallucinaties?
RAG vermindert hallucinaties, omdat het model zich baseert op echte bronnen, maar voorkomt ze niet helemaal. Controleer daarom altijd de bronverwijzingen.
Verder lezen
- KennisbankRAG of text-to-SQL: welke AI kies je?RAG en text-to-SQL zijn twee manieren om AI te laten werken met je eigen data. RAG (retrieval-augmented generation) zoekt relevante tekstfragmenten in je documenten en laat het model daarmee een antwoord formuleren; text-to-SQL laat het model een query schrijven op een database, zodat de database het rekenwerk doet. Gebruik RAG voor vragen over documenten en kennis, en text-to-SQL voor vragen over cijfers.Lees meer
- OplossingAI op eigen data: vragen stellen aan je bedrijfsdataStel vragen in gewone taal aan je eigen datawarehouse. De AI ziet je structuur, niet je rijen.Lees meer
- OplossingVeilige AI voor bedrijven: private AI op je dataWat private, veilige AI echt betekent, en hoe ENABLE beperkt wat de AI van je data ziet.Lees meer
- KennisbankText-to-SQL uitgelegd: AI op je databaseText-to-SQL is een techniek waarbij een AI-model een vraag in gewone taal omzet naar een SQL-query, die daarna op een database wordt uitgevoerd. Het taalmodel schrijft de query, de database levert de cijfers. Hoe goed dat werkt, hangt vooral af van de kwaliteit van je metadata en van de veiligheidsmaatregelen rond de uitvoering, zoals alleen-lezen toegang, timeouts en rijlimieten.Lees meer
AI gebruiken op je eigen data. Veilig, en zonder hoofdpijn.
In een online demo laten we zien hoe ENABLE je data veilig beschikbaar maakt en hoe je erop bouwt: een app beschrijven in de AI Builder, vragen in gewone taal, dashboards en API's. En hoe wij het voor je inrichten en beheren.