Een retrieval-pipeline is de keten van stappen die de meest relevante stukjes uit je eigen data haalt en die aan een AI-model voert vlak voordat het een vraag beantwoordt. Hij vormt het hart van RAG, en is het verschil tussen een chatbot die gokt en een die letterlijk uit jouw beleidsdocument citeert.
Zie het als een razendsnelle bibliothecaris. Iemand stelt een vraag, de bibliothecaris loopt langs de rekken, pakt de drie pagina’s die ertoe doen en geeft ze aan, zodat jij het antwoord kunt voorlezen. Een retrieval-pipeline doet hetzelfde in milliseconden: hij zet de vraag om in een zoekopdracht, kijkt door een vectordatabase van je content en geeft de passages terug die het antwoord waarschijnlijk bevatten.
De stappen zijn meestal hetzelfde. Je documenten worden in stukjes gehakt, elk stukje krijgt een numerieke vingerafdruk via embeddings, en bij een vraag vergelijkt het systeem de vraag met die vingerafdrukken. Goede pipelines voegen reranking en filters toe, zodat de top niet alleen qua woorden lijkt maar ook echt bruikbaar is. Doe je dit deel verkeerd, dan klinkt het model overtuigd terwijl het de verkeerde pagina aanhaalt.
De grootte van die stukjes is waar veel pipelines stilletjes misgaan. Hak je documenten te klein, dan verliest een bepaling de context die hem betekenis gaf; hak je ze te groot, dan verzuipt het model in ruis rond die ene regel die ertoe deed. Een handige check is om eerst te lezen wat de pipeline echt teruggaf voordat je het model de schuld geeft, want de meeste klachten dat “de AI fout zit” blijken de ophaalstap te zijn die de verkeerde tekst aanlevert.
Bij TopDevs bouwen we retrieval-pipelines die een AI richten op de echte kennisbank van een klant, zodat de antwoorden gegrond blijven in hun eigen data in plaats van algemene webtekst.
