Artikelen met tag «Vectordatabase»
10 artikelen gevonden.
- 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 · 5 uur
- 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 · 40 uur
- 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 · 5 uur
- 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 · 5 uur
- 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 · 5 uur
- 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 · 52 dagen
- 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 · 5 uur
- 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 · 5 uur
- 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 · 5 uur
- 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 · 6 uur