RAG (Retrieval Augmented Generation)

In het kort: RAG combineert het opzoeken van informatie met het genereren van tekst. In plaats van dat een AI-model puur uit zijn trainingsdata put, doorzoekt het eerst jouw eigen bronnen, zoals handleidingen, productbladen of kennisbankartikelen, en bouwt daar een antwoord mee. Dat maakt de antwoorden specifieker en betrouwbaarder.

Wat is rag (retrieval augmented generation)?

Stel je voor dat je een medewerker een vraag stelt. Die medewerker heeft een goed geheugen (het taalmodel) maar kan zich niet alles herinneren. Daarom pakt hij eerst het juiste handboek erbij (retrieval), leest het relevante hoofdstuk en formuleert dan een antwoord op basis van wat daar staat (generation). Dat is precies wat RAG doet. De AI zoekt eerst de meest relevante stukken tekst op uit jouw documenten en gebruikt die als basis voor het antwoord. Daardoor hallucinert het model minder, omdat het niet hoeft te gokken maar kan verwijzen naar concrete bronnen.

Waarom is dit belangrijk voor het mkb?

Een standaard AI-model weet niets over jouw specifieke producten, processen of prijzen. RAG overbrugt dat gat. Het maakt het mogelijk om een AI-chatbot of assistent te bouwen die antwoorden geeft op basis van jouw eigen kennis, zonder dat je een heel model opnieuw hoeft te trainen. Voor MKB-bedrijven is dat belangrijk, want hertrainen is duur en complex. Met RAG laad je gewoon je bestaande documenten in en de AI kan ermee aan de slag.

Voorbeeld uit de praktijk

Een installatiebedrijf heeft 200 producthandleidingen van fabrikanten. Monteurs bellen regelmatig het kantoor met technische vragen. Met RAG wordt een interne kennisassistent gebouwd. De monteur typt zijn vraag, bijvoorbeeld "wat is het maximale vermogen van de Daikin Altherma 3 R?", en de assistent zoekt het antwoord op in de juiste handleiding en geeft het direct, inclusief verwijzing naar de bron.