Taalmodellen zoals Gemini geven soms antwoorden die overtuigend klinken maar feitelijk onjuist zijn. Dat heet hallucineren. Grounding is de techniek in Vertex AI om dit te verminderen: je koppelt het model aan een externe informatiebron, zodat het zijn antwoord baseert op echte gegevens in plaats van puur op zijn trainingsdata. Een bijkomend voordeel is dat het model bronnen kan meegeven, waardoor een antwoord controleerbaar wordt.
Vertex AI kent grofweg twee soorten grounding: gronden op het publieke web via Google Zoeken, en gronden op je eigen data.
Waarom grounding nuttig is
Een model zonder grounding put alleen uit wat het tijdens de training heeft geleerd. Dat geeft twee beperkingen:
- Verouderde kennis: gebeurtenissen na de trainingsdatum kent het model niet.
- Geen eigen context: het model weet niets van jouw interne documenten, producten of beleid.
Grounding lost beide op door het model tijdens het beantwoorden relevante informatie te laten ophalen.
Gronden op Google Zoeken
Met grounding op Google Zoeken verbindt Vertex AI een Gemini-antwoord met actuele, openbaar beschikbare webinformatie. Dit is geschikt voor vragen over recente of algemene onderwerpen waarvoor publieke bronnen volstaan. Het model haalt relevante zoekresultaten op en gebruikt die om een onderbouwd antwoord te formuleren, vaak met verwijzingen naar de gebruikte bronnen.
Alleen geschikt voor openbare informatie
Grounding op Google Zoeken werkt met openbare webinformatie. Voor vertrouwelijke of organisatie-specifieke vragen is het ongeschikt; daarvoor gebruik je grounding op je eigen data.
In Vertex AI Studio kun je deze vorm van grounding meestal met een schakelaar aanzetten bij je prompt. In code voeg je grounding op Google Zoeken toe als een zogeheten tool bij je modelaanroep.
Laat het model zijn bronnen noemen
Vraag het model expliciet om zijn bronnen te noemen wanneer je grounding gebruikt. Zo kun je de antwoorden zelf natrekken voordat je ze deelt of in een proces gebruikt.
Gronden op je eigen data
Voor antwoorden op basis van je interne kennis koppel je het model aan je eigen documenten. Dit werkt volgens het RAG-principe (Retrieval-Augmented Generation): bij een vraag worden eerst relevante stukken uit jouw bronnen opgehaald, en daarna gebruikt het model die stukken om te antwoorden.
Vertex AI biedt hiervoor verschillende routes, waaronder de RAG Engine en het koppelen van een Vertex AI Search-databron. Het idee is steeds hetzelfde: je voert je documenten in, het systeem maakt ze doorzoekbaar, en bij elke vraag haalt het de passende fragmenten op als context voor het model.
Typische toepassingen zijn een interne helpdesk-assistent, een zoekfunctie over beleidsdocumenten of een vraag-en-antwoordfunctie over productdocumentatie.
Let op de gegevens die je toevoegt
Grounding op eigen data betekent dat je documenten verwerkt worden om antwoorden te genereren. Zorg dat je weet welke gegevens je toevoegt, dat je de toegang beperkt tot wie het mag zien, en dat de gekozen dataregio past bij je afspraken rond privacy en de AVG.
Aan de slag in Vertex AI Studio
De snelste manier om grounding uit te proberen is via Vertex AI Studio, zonder dat je meteen code hoeft te schrijven.
Grounding op Google Zoeken testen
- Open Vertex AI Studio in de Google Cloud-console en start een nieuwe prompt met een Gemini-model.
- Stel een vraag waarvan het antwoord recent of actueel is, zodat je het verschil goed ziet.
- Zet bij de instellingen van de prompt de optie voor grounding op Google Zoeken aan.
- Voer dezelfde vraag opnieuw uit en vergelijk het antwoord met de versie zonder grounding.
- Controleer of het model bronnen meegeeft en open ze om de feiten zelf na te trekken.
Grounding versus fine-tuning
Grounding wordt vaak verward met fine-tuning, maar ze lossen verschillende problemen op:
- Grounding voegt op het moment van de vraag actuele of specifieke informatie toe als context. Wijzigt je informatie, dan pas je de bron aan, niet het model.
- Fine-tuning past het model zelf aan op een dataset, bijvoorbeeld om een vaste stijl of formaat aan te leren. Het is bewerkelijker en minder geschikt om snel veranderende feiten bij te houden.
Voor het actueel en feitelijk houden van antwoorden is grounding meestal de eerste keuze; fine-tuning gebruik je eerder voor gedrag en toon.
Aandachtspunten
- Kwaliteit van de bron: grounding maakt antwoorden niet automatisch waar. Een onjuiste of verouderde bron leidt nog steeds tot onjuiste antwoorden.
- Kosten en beschikbaarheid: grounding op Google Zoeken wordt per opvraging afgerekend en kan eigen voorwaarden hebben. Welke functies beschikbaar zijn, kan per regio en modelversie verschillen.
- Verificatie: controleer altijd de actuele mogelijkheden, tarieven en voorwaarden in de officiële Google Cloud-documentatie voordat je grounding in productie inzet.
Met grounding maak je de antwoorden van Gemini in Vertex AI feitelijker en beter herleidbaar: Google Zoeken voor publieke, actuele vragen en je eigen data voor organisatiekennis.
Wat is het verschil tussen grounding op Google Zoeken en grounding op eigen data?
Grounding op Google Zoeken put uit openbare webinformatie en is geschikt voor actuele of algemene vragen. Grounding op eigen data put uit jouw documenten via RAG en is bedoeld voor interne of vertrouwelijke kennis. Je kunt beide naast elkaar gebruiken.
Voorkomt grounding alle hallucinaties?
Nee. Grounding vermindert hallucinaties, maar garandeert geen juistheid. Als de onderliggende bron verouderd of onjuist is, kan het antwoord nog steeds fout zijn. Controleer daarom de meegegeven bronnen.
Wat is het verschil tussen grounding en fine-tuning?
Grounding voegt op het moment van de vraag externe informatie toe als context, zonder het model te wijzigen. Fine-tuning past het model zelf aan op een dataset, vooral voor stijl of formaat. Voor actuele feiten kies je meestal grounding.
Heb ik code nodig om grounding te gebruiken?
Niet om het te proberen. In Vertex AI Studio kun je grounding op Google Zoeken vaak met een schakelaar aanzetten. Voor productie integreer je grounding doorgaans als een tool in je modelaanroep via de SDK of API.
Welke route gebruik ik voor mijn eigen documenten?
Vertex AI biedt onder meer de RAG Engine en het koppelen van een Vertex AI Search-databron. Beide maken je documenten doorzoekbaar en halen bij elke vraag de relevante fragmenten op als context. De keuze hangt af van hoeveel beheer en maatwerk je nodig hebt.
Waar moet ik op letten qua privacy en AVG?
Bepaal welke gegevens je toevoegt, beperk de toegang tot wie de informatie mag zien en kies een dataregio die past bij je afspraken. Vertrouwelijke gegevens horen niet thuis in grounding op Google Zoeken, maar bij grounding op je eigen, afgeschermde data.