Deze pagina is onderdeel van AI uitgelegd in beelden op De Wereld van AI. Een overzicht van leerzame visuals die uitleggen hoe AI-systemen werken.
RAG combineert een AI-model met externe informatie, zodat antwoorden worden gebaseerd op opgehaalde context in plaats van alleen op training.
In het schema begint alles met een vraag. Die vraag gaat niet direct naar het taalmodel, maar wordt eerst gebruikt om relevante informatie op te halen uit externe bronnen.
De opgehaalde informatie wordt vervolgens toegevoegd als context. Pas daarna genereert het model een antwoord, waarbij het zich baseert op die aangeleverde inhoud.
Dit schema helpt omdat het een belangrijk verschil zichtbaar maakt. Het antwoord komt niet alleen uit het model zelf, maar uit een combinatie van opgehaalde informatie en tekstgeneratie. Daardoor kunnen antwoorden actueler, specifieker en beter controleerbaar zijn.
Waar dit terugkomt in AI
Dit principe wordt gebruikt bij vraag-antwoordsystemen, interne zoekoplossingen, bedrijfsassistenten en kennisbanken. Het zie je terug in toepassingen waar actuele of domeinspecifieke informatie nodig is.
RAG bouwt voort op machine learning en taalmodellen, maar voegt daar expliciet informatieophaling aan toe. Dat maakt het geschikt voor situaties waarin het model niet mag gokken of generaliseren.
Logische vervolgstap
Wie wil begrijpen hoe taalmodellen zelf antwoorden genereren, kan verder lezen op de pagina taalmodellen. De AI-woordenlijst helpt om begrippen zoals context, retrieval en taalmodel beter te plaatsen. Voor een bredere basis biedt de gratis basiscursus AI een logisch vervolg.
Voor verdieping in dit specifieke onderwerp is ook het artikel Wat is Retrieval-Augmented Generation (RAG)? een passend vervolg.
Of bekijk de andere leerzame visuals en ga terug naar AI uitgelegd in beelden.