# Grounding instellen in Vertex AI voor betrouwbare antwoorden [[TOC]] Een van de grootste zorgen bij generatieve AI is dat een model dingen verzint die geloofwaardig klinken maar fout zijn. Dat heet hallucineren. Voor een vrijblijvend gesprek is dat hinderlijk, voor een zakelijke toepassing onacceptabel. Grounding is de techniek die dit aanpakt door antwoorden te verankeren in echte bronnen. Het idee is dat het model niet puur uit zijn getrainde geheugen put, maar bij het antwoorden steunt op informatie die je aanwijst. Dat kan je eigen data zijn, of een externe bron zoals Google Search. Het antwoord wordt daardoor controleerbaar en betrouwbaarder, en je kunt tonen waar het op gebaseerd is. ## Wat grounding doet Zonder grounding is een antwoord een gok op basis van patronen die het model ooit leerde. Met grounding krijgt het model bij het antwoorden actuele, relevante informatie aangereikt en wordt het gestuurd om daarop te steunen. Het verschil is dat van een goedgeinformeerde collega tegenover iemand die uit het hoofd antwoordt. Grounding maakt antwoorden ook verifieerbaar. Omdat het model op aanwijsbare bronnen steunt, geeft Vertex AI bij het antwoord grounding-metadata terug, waaronder citaties die naar de gebruikte bronnen verwijzen. De gebruiker hoeft het antwoord dan niet blind te vertrouwen maar kan zelf nagaan of het klopt. :::info title="Grounding is geen garantie" Grounding garandeert geen perfecte antwoorden, maar verkleint de kans op verzonnen informatie aanzienlijk. Het model wordt aangemoedigd om bij de aangereikte bronnen te blijven en bij twijfel aan te geven dat het iets niet zeker weet. ::: ## Soorten grounding in Vertex AI Vertex AI biedt grofweg twee richtingen, en daarbinnen meerdere concrete bronnen. De eerste richting is gronden op je eigen data: je documenten, je kennisbank, je productinformatie. Dit lijkt sterk op RAG en is ideaal als de antwoorden binnen jouw eigen kennis moeten blijven. In Vertex AI doe je dit doorgaans met de Vertex AI RAG Engine, met Agent Search (de opvolger van wat eerder Vertex AI Search heette) of met een externe index zoals Elasticsearch. De tweede richting is gronden op een brede externe bron zoals Google Search. Dat is nuttig als je actuele, algemene informatie nodig hebt die buiten je eigen documenten valt, bijvoorbeeld recent nieuws of feiten die snel veranderen. Sinds 2026 zijn er ook varianten zoals Google Maps voor geografische context en Web Grounding for Enterprise voor sterk gereguleerde omgevingen. De volgende tabel zet de meest gebruikte bronnen naast elkaar. | Bron | Waarvoor | Typisch gebruik | | --- | --- | --- | | Google Search | Brede, actuele wereldkennis | Recent nieuws, snel veranderende feiten | | Vertex AI RAG Engine | Je eigen documenten, beheerd | Interne kennisbank, productdocumentatie | | Agent Search | Eigen website en documentsets | Klantenservice op eigen content | | Elasticsearch | Bestaande Elasticsearch-index | Hergebruik van een bestaande zoekomgeving | | Google Maps | Geografische context | Locatie- en routegebonden vragen | :::tip title="Kies bewust per use case" Ground op je eigen data (RAG Engine of Agent Search) als antwoorden binnen jouw documenten, beleid of producten moeten blijven. Ground op Google Search als je actuele, algemene informatie nodig hebt die daarbuiten valt. Combineer beide als je toepassing zowel interne kennis als externe feiten moet kunnen gebruiken. ::: ## Grounding instellen Je stelt grounding in als onderdeel van je verzoek aan het model. In de Gemini-API op Vertex AI geef je via het `tools`-veld op welke grounding-bron het model mag gebruiken, bijvoorbeeld Google Search of een verwijzing naar je RAG Engine-corpus. Het systeem haalt de relevante informatie op, geeft die mee aan het model en levert bij het antwoord grounding-metadata met citaties terug. Werk je met je eigen data, dan bereid je die eerst voor. Bij Agent Search of de RAG Engine zet je je documenten klaar (vaak in een Cloud Storage-bucket) en importeer je ze in een data store of corpus. Houd er rekening mee dat het indexeren tijd kost. Test grounding niet meteen na het aanmaken, maar wacht tot het indexeren klaar is. :::howto title="Zo stel je grounding in" 1. Kies of je grondt op je eigen data (`RAG Engine` of `Agent Search`) of op een externe bron zoals Google Search. 2. Bereid bij eigen data je documenten voor en importeer ze in een data store of corpus. 3. Wacht tot het indexeren is afgerond voordat je test. 4. Schakel grounding in via het `tools`-veld van je `generateContent`-verzoek. 5. Vraag het model in je instructie expliciet om bij de bronnen te blijven. 6. Test met realistische vragen en controleer zowel het antwoord als de citaties. 7. Toon de bronvermelding uit de grounding-metadata aan je gebruikers. ::: Test grondig met realistische vragen. Kijk niet alleen of het antwoord klopt, maar ook of de verwijzingen naar de bron kloppen. Een antwoord dat klopt maar naar de verkeerde bron verwijst, ondermijnt het vertrouwen evenzeer als een fout antwoord. ## Het model sturen Grounding werkt het best als je het model duidelijke instructies geeft. Vraag expliciet om alleen te antwoorden op basis van de aangereikte bronnen, en om te zeggen dat het iets niet weet als de bronnen geen antwoord bieden. Dat voorkomt dat het toch terugvalt op verzonnen kennis. Die instructie dat het model mag zeggen dat het iets niet weet, is goud waard. Een eerlijk "ik weet het niet" is in een zakelijke toepassing veel waardevoller dan een zelfverzekerd fout antwoord. Stuur je model daar bewust op. :::tip title="Geef ruimte voor ik weet het niet" Instrueer je model expliciet dat het mag antwoorden met "ik weet het niet" als de bronnen geen antwoord geven. Dat eerlijke antwoord is in een professionele context veel beter dan een overtuigend klinkende verzinning. ::: ## Grenzen kennen Grounding is krachtig maar geen wondermiddel. Als de aangereikte bron zelf fout of verouderd is, kan ook het gegronde antwoord fout zijn. De kwaliteit van je bronnen blijft bepalend. Garbage in, garbage out geldt ook hier. Daarnaast kan een model zelfs met grounding soms net buiten de bronnen treden. Voor kritische toepassingen blijft menselijke controle op belangrijke antwoorden verstandig. Grounding verlaagt het risico flink, maar haalt het niet helemaal weg. :::warn title="Grounding is zo goed als je bronnen" Een verouderde of foute bron levert een verkeerd antwoord op, met de schijn van betrouwbaarheid. Houd je bronnen actueel en betrouwbaar, want daar staat of valt alles mee. ::: ## In productie In een echte toepassing combineer je grounding vaak met logging en monitoring. Je legt vast welk antwoord op welke bron steunde, met behulp van de grounding-metadata, zodat je achteraf kunt nagaan hoe een antwoord tot stand kwam. Dat is belangrijk voor controle en voor het verbeteren van je systeem. Begin met grounding op je eigen data voor interne kennis, en breid uit naar externe bronnen waar dat nodig is. Houd je bronnen schoon en actueel, en stuur je model met heldere instructies. Zo bouw je een AI die je echt kunt vertrouwen. :::faq ### Wat is grounding precies? Het koppelen van modelantwoorden aan echte bronnen, zodat het model daarop steunt in plaats van uit zijn geheugen te putten. Vertex AI geeft daarbij citaties terug die naar de gebruikte bronnen verwijzen. ### Verschilt grounding van RAG? Ze overlappen sterk. Gronden op je eigen data via de RAG Engine of Agent Search is in de praktijk een vorm van RAG. Grounding is het bredere begrip en omvat daarnaast ook gronden op externe bronnen zoals Google Search of Google Maps. ### Welke bronnen kan ik in Vertex AI gebruiken? Onder meer Google Search voor brede wereldkennis, de Vertex AI RAG Engine en Agent Search voor je eigen documenten, Elasticsearch voor een bestaande index, en Google Maps voor geografische context. ### Voorkomt grounding alle hallucinaties? Nee, maar het vermindert ze sterk. Met goede bronnen en heldere instructies is de kans op verzonnen informatie klein. Voor kritische antwoorden blijft menselijke controle verstandig. ### Kan ik bronnen tonen aan gebruikers? Ja, en dat is een groot voordeel. De grounding-metadata bevat citaties, zodat gebruikers het antwoord zelf kunnen controleren. Dat vergroot het vertrouwen. ### Waar stel ik grounding aan? In het `tools`-veld van je `generateContent`-verzoek aan de Gemini-API op Vertex AI. Daar geef je op welke grounding-bron het model mag gebruiken. ::: Grounding maakt generatieve AI geschikt voor serieus werk door antwoorden te verankeren in echte bronnen. Houd je bronnen actueel, stuur je model helder en toon de herkomst voor antwoorden die je kunt vertrouwen.