RAG op maat laten bouwen
We bouwen RAG-systemen (AI die antwoordt vanuit je eigen documenten) voor je contracten, handleidingen, dossiers en kennisbanken. Bij elk antwoord staat de exacte passage waarop het is gebaseerd. Gebruikers zien alleen wat ze mogen zien, en we meten de zoekkwaliteit bij elke release.
Wat het is en wanneer het past.
Retrieval-augmented generation (RAG) zoekt de meest relevante passages in je eigen content en geeft die aan een taalmodel, dat er het antwoord mee schrijft. De kwaliteit komt vooral uit onderdelen die gebruikers nooit zien: documenten inlezen, ze opdelen in stukken, hybride zoeken, herrangschikken en rechtenfilters. Dat behandelen we als technisch werk met testsets, en we meten de zoekkwaliteit en de antwoordkwaliteit apart.
RAG is de juiste keuze als antwoorden uit specifieke documenten moeten komen die veranderen, en gebruikers de bron willen controleren. Het past minder bij taken die een vaste stijl of vorm vragen over miljoenen resultaten, waar fine-tuning kan helpen, of bij vragen die eigenlijk databasequery's zijn. Daarom combineren we RAG vaak met gestructureerde query's.
Wat we bouwen.
Chatbots voor vragen over documenten
Chatinterfaces die antwoorden vanuit beleid, contracten, handleidingen of dossiers, met klikbare verwijzingen naar de passage in de bron.
Pipelines om documenten in te lezen
Inlezen van pdf's, scans, tabellen en spreadsheets, met metadata en automatisch opnieuw indexeren als bronnen veranderen.
Hybride zoeken en herrangschikken
Vectorzoeken en zoeken op trefwoord gecombineerd en daarna opnieuw gerangschikt, afgesteld op de vragen die je gebruikers echt stellen.
Toegang volgens rechten
Toegangsregels per document en per veld, toegepast bij elke vraag en in lijn met je identity provider en bronsystemen.
Evaluaties voor zoeken en antwoorden
Testsets die meten of de juiste passages gevonden worden, of bronverwijzingen kloppen en of antwoorden trouw blijven aan de bron. Ze draaien automatisch voor elke deployment.
Hoe het werkt.
- 01
Bronnen en vragen verzamelen
We verzamelen representatieve documenten en een set echte vragen met verwachte antwoorden van de mensen die het systeem gaan gebruiken.
- 02
Eerst het zoeken op orde
We bouwen het inlezen, opdelen en zoeken, en meten of de juiste passages gevonden worden voordat een model antwoorden schrijft.
- 03
De antwoordlaag bouwen
We voegen het schrijven van antwoorden, bronvermelding, rechtencontroles en de interface toe, en meten met dezelfde testset of antwoorden trouw blijven aan de bron.
- 04
Bewaken tijdens gebruik
We volgen feedback, onbeantwoorde vragen en antwoorden met weinig zekerheid. Elk probleem dat we vinden, komt als nieuwe case in de testset.
Gerelateerde cases.
Gebouwd met.
Alle technologieVerder lezen.
Een RAG-chatbot bouwen die in productie werkt
Wat er nodig is om van een veelbelovend RAG-experiment een chatbot te maken die mensen vertrouwen: inlezen, hybride zoeken, bronvermelding, rechten en evaluaties.
6 min leestijd
RAG evalueren: retrieval-metrics, faithfulness en golden sets
Zo meet je een RAG-systeem goed: houd retrieval en antwoorden apart, controleer faithfulness per bewering en bouw een golden set die je kunt vertrouwen.
5 min leestijd
RAG vs fine-tuning: wat past bij je bedrijf?
RAG geeft een model je kennis op het moment dat het antwoordt. Fine-tuning vormt zijn gedrag. Hoe je kiest, wanneer je ze combineert en wat elke aanpak kost.
4 min leestijd
Veelgestelde vragen.
De variatie en kwaliteit van je documenten, het aantal bronsystemen, hoe ingewikkeld het rechtenmodel is en hoe nauwkeurig antwoorden moeten zijn. Gescande documenten en complexe tabellen kosten het meeste werk. We bepalen de scope nadat we een steekproef van je content hebben bekeken.
Door het zoeken betrouwbaar te maken, het model alleen te laten antwoorden vanuit de gevonden passages, bronvermelding te eisen en met evaluaties te controleren of antwoorden trouw blijven aan de bron. Vindt het systeem geen goede bron, dan zegt het dat het het antwoord niet weet.
Ja. De vectordatabase, documenten en logs kunnen in EU-regio's draaien. We kunnen modellen van Mistral, Azure OpenAI of AWS Bedrock gebruiken die in de EU gehost worden, of open modellen zelf hosten op je eigen infrastructuur.
Vaak pgvector in Postgres, omdat de vectoren dan naast je data en rechten staan. Voor heel grote collecties of veel filters gebruiken we Qdrant of Elasticsearch. De keuze volgt je volume en je bestaande stack.