RAG Retrieval Augmented Generation
Wat is RAG?
RAG lost een van de grootste problemen van AI op, en dat probleem heet hallucineren. Een model verzint dan een antwoord dat klopt lijkt, maar feitelijk onjuist is. RAG pakt dit anders aan, want het model leunt niet op het eigen geheugen. Het zoekt eerst relevante informatie op uit jouw documenten, kennisbank of database. Pas daarna genereert het een antwoord op basis van die bronnen.
Vergelijk het met twee collega’s die dezelfde vraag krijgen. De eerste antwoordt uit zijn hoofd en gokt af en toe. De tweede pakt eerst het juiste document erbij en leest het antwoord daaruit voor. Die tweede aanpak is een stuk betrouwbaarder, en RAG dwingt het model precies in die rol. Meer over dat verzin-risico lees je bij hallucination.
De naam legt de twee stappen eigenlijk al uit. Retrieval is het ophalen van de juiste informatie en generation is het schrijven van het antwoord. Het LLM doet het schrijfwerk, maar krijgt de feiten netjes aangereikt. Zo blijft het antwoord verankerd in jouw eigen bronnen, en dat verankeren aan een betrouwbare bron heet grounding.
De grootste winst zit in de aanpak zelf, omdat je geen eigen model hoeft te trainen. Trainen is duur en traag en vraagt bovendien veel data. Met RAG gebruik je een bestaand AI-model en maak je het slim over jouw bedrijf. Je geeft het model simpelweg toegang tot jouw documenten. Bij Agentech zetten we RAG vaak in om een AI-agent betrouwbaar te laten werken met bedrijfskennis.
Hoe werkt RAG onder de motorkap?
De techniek werkt in twee fases, want eerst bereid je de kennis voor en daarna beantwoord je vragen. De voorbereiding doe je een keer, of steeds als er nieuwe documenten bij komen.
In de voorbereiding worden jouw documenten opgeknipt in kleinere stukken. Elk stuk wordt omgezet naar een reeks getallen, en zulke getallenreeksen heten embeddings. Ze vangen de betekenis van de tekst, dus niet alleen de losse woorden. Twee stukken met dezelfde strekking krijgen daardoor bijna dezelfde getallen. Al die embeddings worden opgeslagen in een vector database. Dat is een opslag die zoekt op betekenis in plaats van op exacte woorden.
Dan komt de vraag van de gebruiker binnen, en ook die vraag wordt omgezet naar embeddings. Het systeem zoekt in de vector database naar de stukken die het dichtst bij de vraag liggen. Die paar fragmenten vormen samen de relevante context voor het antwoord. Ze worden aan de prompt toegevoegd, samen met de oorspronkelijke vraag.
Als laatste genereert het model het antwoord op basis van de vraag en de opgehaalde fragmenten. Het leunt op die context in plaats van op een vaag geheugen. Vaak verwijst het antwoord bovendien terug naar de exacte bron, zodat een gebruiker het zelf kan natrekken. Dit verschilt van fine-tuning, waarbij je de kennis in het model zelf bakt.
Waar RAG voor kan helpen
RAG loont overal waar veel kennis in documenten vastzit, zoals in handleidingen, dossiers en procedures. In de sectoren waar wij werken zien we dat sterk terugkomen.
In de bouw en installatietechniek liggen duizenden technische handleidingen op de plank. Een monteur op locatie heeft geen tijd om daarin te bladeren, dus stelt hij met RAG gewoon een korte vraag. Bijvoorbeeld naar de maximale werkdruk van een specifieke ketel. Hij krijgt direct het juiste antwoord terug, met verwijzing naar de exacte pagina. Zo werkt hij sneller en met minder fouten.
In de logistiek draait veel om documentatie en procedures, denk aan douanevoorschriften, transportregels en interne werkinstructies. Die regels veranderen regelmatig, maar met RAG bevraag je altijd de laatste versie van de documenten. Een medewerker vraagt bijvoorbeeld hoe hij een bepaalde zending moet afhandelen. Het systeem haalt het antwoord dan uit de actuele procedure.
In het vastgoed zit veel informatie verstopt in dossiers, van huurcontracten tot taxatierapporten en onderhoudshistorie. Een beheerder wil snel weten wat er in een specifiek contract staat, en met RAG vraagt hij dat gewoon na. Het systeem zoekt het juiste dossier en geeft het antwoord met bron. Zo verdwijnt het zoekwerk en blijft de aandacht bij de klant. De kans op een verkeerd geciteerde clausule wordt daarmee ook kleiner.
Voorbeeld uit de praktijk
Visser Elektrotechniek voert dagelijks inspecties uit in het veld. De monteur vult op locatie een formulier in, en de agent maakt daar zelf een compleet inspectierapport van. Dat rapport moet netjes aansluiten op de juiste normen en specificaties.
Daar komt RAG goed van pas, want de agent hoeft de technische kennis niet uit het hoofd te kennen. Hij haalt de relevante details rechtstreeks uit de aanwezige documentatie. Het resultaat is 93 uur per jaar minder administratie. De rapporten liggen op tijd klaar, ook bij vakantie of ziekte, en hebben elke keer hetzelfde format.
Lees de volledige caseWat betekent dit voor jouw organisatie?
RAG is voor Agentech een vaste bouwsteen, die we inzetten zodra een agent moet werken met jouw eigen kennis. Je documenten blijven de bron, terwijl het model het opzoek- en schrijfwerk doet. Zo krijg je antwoorden die kloppen en die je kunt controleren.
Je hoeft geen eigen model te trainen en geen kennis over te typen. We koppelen de agent aan de documenten die je al hebt. Komt er een nieuw document bij, dan weet het systeem dat meteen. Hoeveel de agent zelfstandig doet, bepaal jij helemaal zelf. Meer over onze aanpak lees je op onze werkwijze.
Veelgestelde vragen
Wat betekent RAG precies?
RAG staat voor Retrieval Augmented Generation, in het Nederlands ophalen plus genereren. Het model haalt eerst relevante informatie op uit jouw bronnen. Daarna schrijft het een antwoord op basis van die informatie.
Waarom voorkomt RAG hallucinaties?
Een model zonder bronnen vult de gaten in met een gok, en dat gokken heet hallucineren. RAG geeft het model eerst de juiste feiten uit jouw documenten. Het antwoord blijft daardoor verankerd in echte bronnen.
Moet ik hiervoor een eigen AI-model laten trainen?
Nee, en dat is juist de kracht van RAG. Je gebruikt een bestaand model en geeft het toegang tot jouw documenten. Trainen is duur en traag, en bij RAG dus niet nodig.
Hoe blijft de kennis actueel?
Je voegt nieuwe of gewijzigde documenten toe aan de vector database. Het systeem gebruikt bij de volgende vraag meteen de laatste versie. Je hoeft het model daarvoor niet opnieuw te trainen.
Blijft mijn data van mij?
Ja, de documenten en de opslag blijven binnen jouw eigen omgeving. We werken AVG-conform en maken duidelijke afspraken over waar de data staat. Jouw kennis wordt geen trainingsmateriaal voor anderen.