Semantisch zoeken laten bouwen
We bouwen zoekfuncties die begrijpen wat mensen bedoelen, door embeddings te combineren met zoeken op trefwoord en je bedrijfsregels. Klanten vinden het juiste product en medewerkers het juiste document, ook als hun woorden niet overeenkomen met de jouwe.
Wat het is en wanneer het past.
Semantisch zoeken zet tekst, en soms beeld, om in embeddings, zodat zoekvragen op betekenis matchen. Alleen daarmee mis je exacte termen zoals onderdeelnummers en merknamen. Daarom bouwen we hybride zoeken: vectorzoeken en zoeken op trefwoord gecombineerd, opnieuw gerangschikt en bijgestuurd met filters, voorraad, marge of actualiteit. We stellen het af op je echte zoeklogs en meten de relevantie met gelabelde sets zoekvragen.
Dit past goed bij grote catalogi met onregelmatige productdata, meertalige content of kennisbanken waarin mensen in hun eigen woorden zoeken. Zoeken je gebruikers vooral op exacte codes, of is je collectie klein en goed getagd, dan kan het afstellen van je huidige zoekfunctie genoeg zijn. We bekijken je zoeklogs voordat we een van beide adviseren.
Wat we bouwen.
Zoeken in producten
Zoeken in je catalogus dat synoniemen, vage omschrijvingen en typefouten aankan, met een volgorde die rekening houdt met voorraad, filters en merchandisingregels.
Zoeken in kennis
Zoeken in documenten, tickets en wiki's dat de relevante passage teruggeeft, gefilterd op de rechten van de gebruiker.
Hybride rangschikking
Vectorzoeken en zoeken op trefwoord samengevoegd en opnieuw gerangschikt, met scores die je kunt aanpassen zonder het model opnieuw uit te rollen.
Meertalig zoeken
Zoekvragen in de ene taal vinden content in een andere. Handig voor Nederlandse, Engelse en Duitse catalogi.
Relevantie testen
Gelabelde sets zoekvragen en offline metingen, plus klik- en conversiemetingen om te bevestigen dat wijzigingen echte resultaten verbeteren.
Hoe het werkt.
- 01
De zoeklogs bestuderen
We kijken waar mensen naar zoeken, waar ze geen of slechte resultaten krijgen en welke zoekvragen commercieel het zwaarst wegen.
- 02
Een nulmeting voor relevantie
We labelen een set zoekvragen, meten je huidige zoekfunctie daartegen en stellen doelen voor de nieuwe rangschikking.
- 03
Bouwen en afstellen
We kiezen embeddingmodellen, bouwen de hybride pipeline en stellen de rangschikking af op de set zoekvragen en je bedrijfsregels.
- 04
Live gaan en meten
De nieuwe zoekfunctie draait naast de oude op een deel van het verkeer. We vergelijken conversie en gebruik voordat we helemaal overstappen.
Gerelateerde cases.
Gebouwd met.
Alle technologieVerder lezen.
Embeddings en semantisch zoeken: een praktische gids voor productteams
Hoe embeddings semantisch zoeken mogelijk maken, hoe je een model en vectoropslag kiest, en hoe je meet of je zoekresultaten echt beter zijn geworden.
5 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
Veelgestelde vragen.
Vaak niet. Draai je Elasticsearch of Postgres, dan kunnen we daar vectorzoeken en herrangschikken aan toevoegen. Een aparte vectordatabase stellen we alleen voor als volume, filters of snelheid daarom vragen.
We testen er meerdere op je data, waaronder commerciële modellen van OpenAI en open modellen van Hugging Face die je zelf kunt hosten. Het beste model verschilt per taal en vakgebied, dus de relevantieset beslist.
Goed gebouwd hybride zoeken is voor de meeste catalogi snel genoeg om resultaten al tijdens het typen te tonen. Herrangschikken kost wat extra tijd, dus dat passen we gericht toe en we cachen waar het zinvol is.