Een vectordatabase slaat informatie op als vectoren, lange reeksen getallen die de betekenis van een stuk tekst of een afbeelding vastleggen. Twee dingen die ongeveer hetzelfde betekenen komen in die getallenruimte dicht bij elkaar te liggen, ook al delen ze geen enkel woord. Daardoor kun je zoeken op betekenis in plaats van op exacte trefwoorden.
Stel je een bibliotheek voor waar boeken niet op alfabet staan, maar op onderwerp en toon, zodat verwante titels naast elkaar belanden. Vraag om “iets dat hierop lijkt” en de plank eromheen is al het antwoord. Een vectordatabase doet dat over miljoenen items in milliseconden.
Onder de motorkap loopt hij niet elk record één voor één na, want dat zou op schaal veel te traag zijn. In plaats daarvan bouwt hij een index die nabije vectoren bij elkaar groepeert, zodat een zoekopdracht alleen de meest kansrijke buurten hoeft te checken. Die afweging houdt hem snel, zelfs bij honderden miljoenen items, ten koste van matches die heel dichtbij zijn in plaats van wiskundig perfect.
Dit is de motor achter RAG, waarbij een LLM vragen beantwoordt op basis van jouw eigen documenten. De database haalt de meest relevante passages op, en het model schrijft een onderbouwd antwoord in plaats van te gokken.
Het is alleen niet voor alles het juiste gereedschap. Zoek je altijd op een exact ID, een datum of een prijs, dan is een gewone relationele database simpeler en goedkoper. Een vectordatabase verdient zijn plek als “vind wat dit betekent” belangrijker is dan “vind precies deze waarde”.
Bij TopDevs zetten we vectordatabases in om AI-assistenten echte, betrouwbare kennis van jouw bedrijf te geven, zodat antwoorden uit jouw eigen content komen en niet uit het geheugen van een algemeen model.
