RAG-systeem voor interne kennisbank

De uitdaging

Honderden beleidsdocumenten, handleidingen en rapporten in verschillende formaten. Medewerkers besteedden gemiddeld 45 minuten per zoekactie. Bestaande zoekfuncties werkten alleen op exacte trefwoorden.

De aanpak

Een Retrieval-Augmented Generation (RAG) systeem dat:

1. Documenten verwerkt en opslaat als doorzoekbare embeddings
2. Vragen in natuurlijke taal accepteert
3. Relevante passages vindt via semantische zoekfunctionaliteit
4. Een samenhangend antwoord formuleert met bronverwijzingen

Architectuur

• Document processing: PDF/Word extractie, chunking met overlap
• Embedding: Tekst-naar-vector conversie voor semantische vergelijking
• Vector store: Efficiënte opslag en zoekfunctionaliteit
• Query engine: Vraag → retrieval → LLM → antwoord met bronnen
• Frontend: Eenvoudige chat-interface voor eindgebruikers

Het resultaat

• Zoektijd: van 45 minuten naar 30 seconden
• Nauwkeurigheid: 92% correct bij validatie
• Adoptie: 80% dagelijks gebruik binnen 2 weken

Technologie

Python, LangChain, OpenAI embeddings, ChromaDB, Streamlit