Dit artikel is onderdeel van de AI Woordenlijst op De Wereld van AI. Daar vind je een overzicht van alle belangrijke AI-begrippen.
Retrieval-Augmented Generation, vaak afgekort als RAG, is een AI-techniek waarbij een taalmodel actief externe informatie opzoekt voordat het een antwoord genereert. In plaats van alleen te vertrouwen op wat het model tijdens training heeft geleerd, combineert RAG generatieve AI met realtime of vooraf geselecteerde kennisbronnen.
Hierdoor worden antwoorden nauwkeuriger, consistenter en beter te verifiëren.
Waarom RAG nodig is
Standaard taalmodellen genereren antwoorden op basis van waarschijnlijkheid. Dat Standaard taalmodellen genereren antwoorden op basis van waarschijnlijkheid. Dat werkt goed voor algemene kennis, maar minder goed voor:
- Specifieke bedrijfsinformatie
- Actuele data
- Lange of complexe documenten
- Juridische, medische of beleidsinformatie
Retrieval-Augmented Generation lost dit op door eerst relevante externe of interne informatie op te halen, zoals bedrijfsdocumenten, kennisbanken of gebruikersspecifieke bestanden, en deze expliciet mee te geven aan het model voordat het antwoord wordt gegenereerd.
Hoe werkt RAG stap voor stap
Een RAG-systeem bestaat meestal uit de volgende stappen:
- Een vraag wordt gesteld door de gebruiker
- Het systeem zoekt relevante documenten of tekstfragmenten op
- De gevonden informatie wordt toegevoegd aan de prompt
- Het taalmodel genereert een antwoord op basis van die context
Het model verzint de informatie dus niet zelf, maar baseert het antwoord op aangeleverde bronnen.
Eenvoudig voorbeeld
Zonder RAG:
- Vraag, wat staat er in het interne personeelsbeleid
- Antwoord, algemeen en mogelijk onjuist
Met RAG:
- Het systeem zoekt eerst het echte beleidsdocument
- Relevante passages worden toegevoegd
- Het antwoord verwijst naar de daadwerkelijke inhoud
Het verschil zit niet in slimmer formuleren, maar in betere input.
Voordelen van Retrieval-Augmented Generation
RAG wordt steeds vaker gebruikt omdat het belangrijke voordelen heeft:
- Minder hallucinaties, het model verzint minder feiten
- Meer controle over gebruikte bronnen
- Betere betrouwbaarheid voor organisaties
- Mogelijkheid om eigen documenten te gebruiken
- Consistente toon en terminologie
Dit maakt RAG bijzonder geschikt voor professionele en kennisintensieve toepassingen.
Waar wordt RAG toegepast
RAG wordt veel gebruikt in:
- Interne bedrijfschatbots
- Klantenservice met kennisbanken
- Overheidsinformatie en beleidssystemen
- Juridische en compliance-toepassingen
- Kennisgedreven websites en platforms
Verder lezen
Wil je begrijpen hoe RAG past binnen moderne AI-systemen en hoe het verschilt van standaard generatieve AI, dan is de gratis AI basiscursus een logisch vervolg.
DE WERELD VAN AI 