Artikelen met tag «RAG»
32 artikelen gevonden.
- RAG-kosten optimaliseren Hoe je de kosten van een RAG-systeem beheert: embedding-optimalisatie, model-keuze per taak, semantische caching en tiered retrieval. Evaluatie en Monitoring · 5 min lezen · 15 wkn
- Query expansion voor betere RAG Verrijk gebruikersvragen voor scherpere RAG-retrieval met HyDE, step-back prompting, query decomposition en synoniem-expansie. Retrieval Verbeteren · 5 min lezen · 15 wkn
- Retrieval optimaliseren in RAG Vier technieken om document-retrieval in RAG te verbeteren: multi-query, Maximal Marginal Relevance, parent-child retrieval en contextual compression. Retrieval Verbeteren · 5 min lezen · 15 wkn
- Geheugen in AI-agents implementeren Vier typen agent-geheugen: in-context, episodisch, semantisch en procedureel. Hoe je elk type implementeert en combineert voor persistente, lerende agents. AI-agents Bouwen · 6 min lezen · 15 wkn
- RAG-kennisbank op Workspace-content Zo bouw je een RAG-systeem dat Google Drive, Docs en Sites als kennisbron gebruikt, met een service-account en automatische synchronisatie. RAG op Workspace-bronnen · 8 min lezen · 15 wkn
- Chunking-strategieën voor RAG Hoe je documenten optimaal opdeelt in chunks voor RAG: vaste grootte, recursief, op documentstructuur en semantisch chunken vergeleken, met praktische TypeScript-voorbeelden. Documenten en Chunking · 6 min lezen · 15 wkn
- LangChain met de Gemini API Gebruik LangChain met Gemini als LLM-backend voor chains, agents en RAG-systemen, met actuele modellen en de huidige langchain-google-genai integratie. Geavanceerde API-technieken · 6 min lezen · 15 wkn
- Documenten voorbereiden voor RAG Hoe je PDF-, Word-, HTML- en Markdown-documenten optimaal verwerkt voor RAG: extractie, opschoning, metadata-verrijking en kwaliteitscontrole. Documenten en Chunking · 6 min lezen · 15 wkn
- Reranking in een RAG-systeem Hoe je met een cross-encoder reranker de kwaliteit van retrieved chunks verbetert door de initiele vector-zoekresultaten te herordenen. Retrieval Verbeteren · 4 min lezen · 15 wkn
- RAG-architectuur uitgelegd Retrieval-Augmented Generation (RAG) combineert een vectordatabase met een taalmodel: relevante documenten worden opgezocht en als context meegegeven aan het model. Basis en Concepten · 5 min lezen · 15 wkn
- Context window optimaliseren in RAG Hoe je de beschikbare context-ruimte optimaal benut: context-assemblage, documentvolgorde, instructie-inpakking en context-compressie. Retrieval Verbeteren · 6 min lezen · 15 wkn
- RAG evalueren met RAGAS Meet de kwaliteit van een RAG-systeem met RAGAS: context precision, context recall, faithfulness en answer relevance, plus een werkende evaluatiepipeline. Evaluatie en Monitoring · 6 min lezen · 15 wkn
- RAG versus NotebookLM: wanneer gebruik je wat? RAG en NotebookLM laten beide AI antwoorden over jouw documenten. Ontdek de verschillen en wanneer je voor de no-code tool kiest of zelf een pipeline bouwt. Basis en Concepten · 5 min lezen · 15 wkn
- Chatten met je documenten via lokale AI Gebruik lokale AI-tools zoals Open WebUI of AnythingLLM met Ollama om privacyveilig vragen te stellen over je eigen documenten, zonder dat er data naar externe servers gaat. Praktische Toepassingen · 6 min lezen · 15 wkn
- Prompt injection herkennen en voorkomen Leer wat prompt injection is, hoe aanvallers het gebruiken om AI-systemen te manipuleren en welke verdedigingstechnieken je in lagen kunt toepassen. Evaluatie, Testen en Beheer · 6 min lezen · 15 wkn
- Contextvenster optimaal benutten Leer hoe je het contextvenster van AI-modellen strategisch gebruikt: wat past erin, hoe prioriteer je informatie en hoe ga je om met contextlimieten en kosten. Model Instellen · 6 min lezen · 15 wkn
- Hybrid search: keyword plus semantisch Hoe je BM25-trefwoordzoekopdrachten combineert met vectorzoekopdrachten voor betere RAG-resultaten via Reciprocal Rank Fusion. Retrieval Verbeteren · 6 min lezen · 15 wkn
- Beveiliging van RAG-systemen Hoe je RAG-systemen beveiligt tegen prompt injection, data-exfiltratie, ongeautoriseerde toegang tot documenten en poisoning-aanvallen. Evaluatie en Monitoring · 7 min lezen · 15 wkn
- RAG naar productie brengen Hoe je een RAG-systeem productie-klaar maakt: caching, monitoring, incremental updates, fallbacks en kostenbeheersing. Evaluatie en Monitoring · 6 min lezen · 15 wkn
- Vector-database kiezen voor RAG Vergelijking van de meestgebruikte vectordatabases voor RAG (Chroma, pgvector, Qdrant, Weaviate en Pinecone) op schaal, kosten, latentie en metadata-filtering, met een praktische keuzewijzer. Embedding en Vector-Database · 6 min lezen · 15 wkn
- MCP-server voor Google Drive Bouw een MCP-server die bestanden in Google Drive kan doorzoeken, lezen, aanmaken en organiseren, klaar voor gebruik als RAG-bron voor je AI-assistent. MCP Integraties · 6 min lezen · 15 wkn
- Embedding-model kiezen voor RAG Hoe je het juiste embedding-model kiest voor je RAG-systeem op basis van taal, kwaliteit, kosten en latentie, met aandacht voor Nederlands. Embedding en Vector-Database · 6 min lezen · 15 wkn
- LlamaIndex met de Gemini API Bouw RAG-pipelines en kennisbank-chatbots met LlamaIndex en Gemini als LLM en embedding-model via de google-genai-integratie. Productie en Optimalisatie · 7 min lezen · 15 wkn
- Embeddings genereren met de Gemini API Genereer vectorrepresentaties van tekst met het model gemini-embedding-001 voor semantisch zoeken, clustering en aanbevelingen, via de nieuwe google-genai SDK. Geavanceerde API-technieken · 7 min lezen · 15 wkn
- Grounding instellen in Vertex AI voor betrouwbare antwoorden Grounding koppelt antwoorden van een model aan echte bronnen, zoals je eigen data of Google Search, zodat het minder verzint. Leer hoe je het in Vertex AI instelt. Prompts & Grounding · 7 min lezen · 16 wkn
- Vertex AI koppelen aan Google Workspace Door Vertex AI aan Google Workspace te koppelen bouw je AI bovenop je e-mail, documenten, Drive en agenda. Leer hoe dat veilig kan met serviceaccounts, minimale rechten en governance. Development Tools · 6 min lezen · 16 wkn
- RAG Engine in Vertex AI: kennisbank bouwen Met RAG Engine in Vertex AI bouw je een AI die antwoorden geeft op basis van jouw eigen documenten uit Drive of Cloud Storage, met de bron erbij. Prompts & Grounding · 7 min lezen · 16 wkn
- LangChain integreren met Vertex AI LangChain helpt je AI-toepassingen bouwen door bouwstenen aan elkaar te ketenen. Leer hoe je het via het pakket langchain-google-vertexai koppelt aan Vertex AI en Gemini. Development Tools · 6 min lezen · 16 wkn
- RAG-pipeline opzetten met lokale AI en eigen documenten Met een lokale RAG-pipeline laat je AI antwoorden geven op basis van je eigen documenten in plaats van alleen algemene kennis, volledig privé met Ollama en een embeddingmodel. Geavanceerde Integratie · 5 min lezen · 17 wkn
- Grounding in Vertex AI: betrouwbaardere antwoorden van Gemini Leer hoe grounding in Vertex AI de antwoorden van Gemini koppelt aan Google Zoeken of aan je eigen data, zodat je minder verzinsels krijgt en antwoorden met bronnen kunt onderbouwen. Prompts & Grounding · 6 min lezen · 17 wkn
- Vraag en antwoord over je eigen documenten: van NotebookLM tot een eigen RAG-pijplijn Wil je een AI laten antwoorden op basis van jouw eigen documenten? Begin met een kant-en-klare tool zoals NotebookLM, en bouw pas een eigen RAG-pijplijn als je meer controle of integratie nodig hebt. Basis en Concepten · 6 min lezen · 17 wkn
- Wat is RAG? Retrieval-Augmented Generation in begrijpelijke taal RAG laat een AI eerst relevante documenten ophalen en pas daarna antwoorden op basis van die bronnen, zodat je actuele en onderbouwde antwoorden krijgt in plaats van verzonnen tekst. Basis en Concepten · 6 min lezen · 17 wkn