AI-embeddings

Wat zijn AI-embeddings?

Embeddings zijn de manier waarop AI-systemen betekenis begrijpen. Wanneer een AI-agent het juiste antwoord op een klantvraag moet vinden, zoekt die niet naar exacte trefwoorden — de agent zet zowel de vraag als alle beschikbare kennis om in numerieke vectoren (reeksen getallen) die de semantische betekenis weergeven. Vragen en antwoorden met een vergelijkbare betekenis komen dicht bij elkaar te liggen in deze vectorruimte. Zo vindt de agent relevante informatie, ook als de klant heel andere woorden gebruikt dan de documentatie.

Een klant die vraagt "hoe krijg ik mijn geld terug?" en documentatie met de titel "Terugbetalings- en retourbeleid" gebruiken bijvoorbeeld andere woorden, maar hebben vergelijkbare embeddings omdat ze dezelfde onderliggende betekenis delen.

Hoe embeddings werken in klantenservice

Bij het inrichten van een AI-klantenservicesysteem worden alle kennisbankartikelen, productdocumentatie en supportcontent omgezet in embeddings en opgeslagen in een vectordatabase. Stuurt een klant een bericht, dan wordt ook dat bericht omgezet in een embedding. Het systeem voert vervolgens een similarity search uit: het zoekt de opgeslagen content waarvan de embeddings het dichtst bij de embedding van de klantvraag liggen.

Dit is de basis van Retrieval-Augmented Generation (RAG) — de meest gebruikte architectuur om AI-antwoorden te gronden in feitelijke content. De kwaliteit van de embeddings bepaalt direct de kwaliteit van het ophalen, en dat bepaalt op zijn beurt de nauwkeurigheid van de antwoorden van de AI-agent.

Waarom de kwaliteit van embeddings ertoe doet

Slechte embeddings leiden tot slecht ophalen, en dat leidt tot slechte antwoorden. Als het embeddingmodel niet begrijpt dat "mijn account opzeggen" en "mijn abonnement beëindigen" ongeveer hetzelfde betekenen, vindt de AI-agent het juiste beleidsdocument niet en gaat die een antwoord hallucineren of onnodig escaleren.

Technische context: Moderne embeddingmodellen produceren vectoren met 768 tot 3.072 dimensies en leggen zo genuanceerde semantische relaties vast. Domeinspecifieke embeddings, getraind op klantenservicedata, kunnen algemene embeddings met 10-25% overtreffen bij supportspecifieke zoektaken.

Het voordeel van Maven: een knowledge graph die verder gaat dan embeddings

Embeddings maken eenvoudige semantische zoekopdrachten mogelijk, maar Maven AGI gaat verder met een gestructureerde knowledge graph die niet alleen semantische overeenkomsten vastlegt, maar ook de relaties tussen concepten, beleid, producten en workflows. Daardoor begrijpt Maven dat een vraag over "een beschadigd artikel retourneren" samenhangt met het retourbeleid, de garantievoorwaarden, het verzendbeleid en de specifieke ordergeschiedenis van de klant — een niveau van contextueel begrip dat platte embedding-zoekopdrachten alleen niet kunnen bereiken.

Bewijs van Maven: Enumerate behaalde een oplossingspercentage van 91% door met de knowledge graph van Maven een complex netwerk van vastgoeddata, huurdersgegevens en onderhoudsworkflows te verbinden — relaties die eenvoudige zoekopdrachten op basis van embeddings zouden missen.

Veelgestelde vragen

Wat is het verschil tussen embeddings en trefwoorden?

Trefwoorden matchen exacte tekst. Embeddings matchen betekenis. Een zoekopdracht op het trefwoord "terugbetaling" vindt geen document over "je aankoop retourneren voor tegoed". Een zoekopdracht op basis van embeddings wel, omdat beide concepten een vergelijkbare semantische betekenis hebben in de vectorruimte.

Moeten embeddings worden bijgewerkt als content verandert?

Ja. Wanneer kennisbankcontent wordt toegevoegd, gewijzigd of verwijderd, moeten de bijbehorende embeddings opnieuw worden gegenereerd. Enterprise AI-platforms automatiseren dit proces, zodat contentupdates direct terugkomen in wat de agent kan ophalen.

Werken embeddings over talen heen?

Moderne meertalige embeddingmodellen kunnen tekst uit verschillende talen in dezelfde vectorruimte weergeven. Een klant die een vraag in het Spaans stelt, kan zo worden gekoppeld aan documentatie in het Engels. Dat maakt meertalige support mogelijk zonder content per taal te dupliceren.