Naar de inhoud

Start hierLerenGratis e-mailcursusAI voor je beroepPlaygroundAI-WerkplaatsAI-geletterdheid voor organisaties
PromptsWorkflowsToolsVeiligheidBegrippenBlog
Mijn dashboard
↑↓ kiezenEnter openenCtrlK overal openenEsc sluiten

Begrip, bouwen

Vectordatabase

Een vectordatabase slaat embeddings op en kan razendsnel de opgeslagen teksten vinden waarvan de betekenis het meest lijkt op die van een zoekvraag.

Bij RAG zoek je bij elke vraag in duizenden of miljoenen tekststukken naar de beste match op betekenis. Een gewone database is gemaakt om exacte waarden te vinden, zoals een klantnummer. Een vectordatabase is gemaakt om snel de embeddings te vinden die het meest lijken op de embedding van de vraag, met slimme indexen die niet elke vector één voor één hoeven te vergelijken.

Naast de embedding sla je meestal ook de oorspronkelijke tekst op en extra gegevens, zoals de titel, de datum, de afdeling en wie het document mag zien. Daarmee kun je filteren: zoek alleen in de actuele versies, of alleen in documenten waar deze gebruiker toegang toe heeft.

Een installatiebedrijf bouwt een assistent voor monteurs die alle handleidingen en storingscodes doorzoekbaar maakt. De handleidingen worden in stukken geknipt, omgezet naar embeddings en opgeslagen in de bestaande PostgreSQL-database met de uitbreiding pgvector. Een monteur typt de storing in en krijgt de relevante passage uit de juiste handleiding.

Je hoeft niet altijd een aparte database te nemen: PostgreSQL kan het bijvoorbeeld ook, met pgvector, en veel bestaande zoekdiensten hebben vectorzoeken ingebouwd. Een losse, gespecialiseerde vectordatabase is vooral zinvol bij heel grote hoeveelheden data. Let op het bijwerken: als een document verandert, moet ook de embedding opnieuw worden gemaakt, anders zoekt het systeem in een verouderde versie.