Woordenlijst

Multi-hop reasoning

Wat is Multi-hop reasoning?

Multi-hop reasoning is het vermogen van een AI-systeem om een vraag te beantwoorden via meerdere opeenvolgende gevolgtrekkingen, vaak door informatie uit verschillende bronnen te combineren. Voorbeeld: “Welke afdeling wordt geleid door de verantwoordelijke voor project X?” vraagt eerst om het vaststellen van de verantwoordelijke persoon en daarna van diens afdeling. Zulke vragen zijn veeleisend voor zoek- en RAG-systemen, omdat elke tussenstap correct gevonden en gekoppeld moet worden.

Onderwerpen

redeneren
vraagbeantwoording
RAG

KI.ordo uitproberen

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

Demo starten

← Alle begrippen

Verwante begrippen

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

Vraagbeantwoording

Vraagbeantwoording (question answering, QA) is een vakgebied binnen natuurlijke taalverwerking waarin een systeem in gewone taal gestelde vragen rechtstreeks beantwoordt, in plaats van een lijst zoekresultaten te geven. Moderne systemen zoeken relevante passages in een kennisbank en stellen daar een antwoord uit samen, bij voorkeur met bronvermelding. Typische toepassingen zijn klantenservice, interne kennisbanken en handleidingen – bijvoorbeeld door het personeelshandboek te vragen: ‘Hoeveel vakantiedagen krijg ik in mijn eerste jaar?’

NLP
Kennisbeheer
+1

Sjabloon

LazyGraphRAG

LazyGraphRAG is een benadering van graafgebaseerde retrieval-augmented generation die Microsoft Research in 2024 presenteerde. In tegenstelling tot GraphRAG laat het geen taalmodel samenvattingen maken tijdens het indexeren; het identificeert concepten en hun gezamenlijke voorkomen met klassieke natuurlijke taalverwerking, en het taalmodel wordt pas gebruikt op het moment van de zoekvraag. Volgens Microsoft brengt dit de indexeringskosten terug tot het niveau van eenvoudige vector-RAG. Het is vooral geschikt voor vragen die een overzicht van grote documentverzamelingen vereisen.

RAG
Kennisgraaf
+1

Modelketens

Bij modelketens worden meerdere AI-modellen of AI-stappen achter elkaar geschakeld, zodat de uitvoer van de ene stap de invoer van de volgende wordt. Complexe taken kunnen zo worden opgedeeld in overzichtelijke deeltaken die elk afzonderlijk gecontroleerd en verbeterd kunnen worden. Voorbeeld: een eerste stap vat een klantvraag samen, een tweede wijst die toe aan een afdeling en een derde stelt het antwoord op.

orkestratie
workflows
+1