Een embeddingmodel is een AI-model met maar één taak: data omzetten in een reeks getallen, een vector, die de betekenis van die data weergeeft. Twee zinnen die hetzelfde betekenen krijgen twee bijna identieke reeksen, ook al gebruiken ze compleet andere woorden.
Stel je een enorme bibliotheek voor waar je boeken niet op titel in de kast zet, maar op een plek kiest op basis van waar ze over gaan. Kookboeken komen bij elkaar te staan, thrillers ergens anders, en een boek over Italiaans koken staat tussen eten en reizen in. Een embeddingmodel kent die plekken toe, en de embeddings die het maakt komen in een vectordatabase terecht, zodat je dingen kunt vinden op betekenis in plaats van op exacte woorden.
Dit is de motor onder semantisch zoeken: een klant stelt een vraag in zijn eigen woorden en het systeem vindt het juiste antwoord, ook als geen enkel woord matcht. Het is ook de zoekstap binnen RAG, waar een AI-assistent eerst de meest relevante passages uit je documenten ophaalt voordat hij een antwoord schrijft.
Eén praktisch detail haalt mensen onderuit. Het model dat je documenten in vectoren omzette moet hetzelfde zijn als dat je voor binnenkomende vragen gebruikt. Meng je twee modellen, dan sluiten de getallen niet meer op elkaar aan en geeft de zoekopdracht onzin terug. Daarom betekent later van embeddingmodel wisselen dat je je hele bibliotheek opnieuw moet verwerken. De keuze doet er dus vroeg toe, en verschilt per taal en contenttype: een model dat sterk is in Engelse juridische tekst kan zwak zijn op Nederlandse productreviews.
Bij TopDevs kiezen we het embeddingmodel zorgvuldig per project, want de kwaliteit van elke zoekopdracht en elk AI-antwoord erna hangt af van deze eerste stap goed doen.
