Woordenlijst

Embeddingvector

Wat is Embeddingvector?

Een embeddingvector (embedding) is een lijst getallen die de betekenis van een woord, zin of document weergeeft, zodat teksten met vergelijkbare inhoud dicht bij elkaar liggen. Zo kan bijvoorbeeld worden herkend dat ‘opzegging’ en ‘beëindiging van het contract’ verwant zijn, ook al hebben ze geen woorden gemeen. Embeddings vormen de basis van veel semantische zoeksystemen, aanbevelingsdiensten en RAG-toepassingen; ze worden berekend door speciaal getrainde modellen.

Hoe KI.ordo helpt

KI.ordo gebruikt voor de kennisbank-zoekfunctie geen embeddings, maar de BM25-trefwoordzoekfunctie, rechtstreeks op de server uitgevoerd.

Onderwerpen

vector
semantisch zoeken
NLP

KI.ordo uitproberen

Agents, workflows en sjablonen in één werkruimte – gratis demo van 24 uur.

Demo starten

← Alle begrippen

Verwante begrippen

Woordembeddings

Woordembeddings stellen woorden voor als numerieke vectoren, zodat woorden met een vergelijkbare betekenis in de vectorruimte dicht bij elkaar liggen, zoals “auto” en “voertuig”. Methoden als Word2Vec of GloVe leren deze vectoren uit grote hoeveelheden tekst. Ze waren een belangrijke stap in de taalverwerking, bijvoorbeeld voor zoeken of classificeren; huidige taalmodellen gebruiken contextuele embeddings, waarin een woord afhankelijk van de zin anders wordt weergegeven.

NLP
Vectoren
+1

Retrieval-augmented generation (RAG)

Retrieval-augmented generation combineert zoeken met tekstgeneratie: voordat het antwoordt, doorzoekt het systeem een kennisverzameling – zoals handleidingen, richtlijnen of veelgestelde vragen – op relevante passages en geeft die als context aan het taalmodel. Het antwoord is daardoor gebaseerd op actuele, bedrijfsspecifieke inhoud en niet alleen op de trainingskennis van het model. Dit vermindert verzonnen beweringen, maakt bronnen controleerbaar en maakt updates mogelijk zonder opnieuw te trainen.

RAG
kennis zoeken
+1

Information retrieval

Information retrieval omvat methoden waarmee in een grote hoeveelheid tekst de documenten of passages worden gevonden die bij een zoekvraag passen, en die op relevantie worden gerangschikt. Klassieke benaderingen zoals BM25 wegen zoektermen naar hoe vaak en hoe zelden ze voorkomen; nieuwere voegen semantische gelijkenis toe. Het vormt de basis van zoekmachines, enterprise search en retrieval-augmented generation, waarbij een taalmodel de opgehaalde passages als basis voor zijn antwoord gebruikt.

Zoeken
BM25
+1

Transformer

De transformer is een architectuur voor neurale netwerken die in 2017 werd geïntroduceerd in het onderzoeksartikel “Attention Is All You Need”. De kern is het aandachtsmechanisme (attention): elk woord wordt gewogen ten opzichte van alle andere woorden in een tekst, en de berekening kan efficiënt parallel worden uitgevoerd. Transformers vormen de basis van de huidige taalmodellen zoals GPT, Claude en BERT en worden ook voor beeld en audio gebruikt.

Architectuur
Deep learning
+1