Wat staat RAG voor?	Retrieval Augmented Generation.
Wat is het fundamentele probleem bij het plaatsen van een heel lang document in één prompt?	Er is een harde limiet op de hoeveelheid tekst die een model kan verwerken (token limit).
Wat is de eerste stap in het RAG-proces om een groot document te verwerken?	Het document opdelen in kleine, beheersbare stukken (chunks).
Hoe werkt het 'Retrieval' deel van RAG?	Het systeem zo zoekt naar de meest relevante tekstchunks die aansluiten bij de gebruikersvraag.
Wat is een voordeel van RAG met betrekking tot de efficiëntie van het proces?	Het leidt tot kleinere prompts, wat minder verwerkingstijd en lagere kosten betekent.
Hoe helpt RAG het AI-model bij het beantwoorden van een vraag?	Het focust de aandacht van het model op een klein, relevant fragment van de informatie.
Wat is een grote nadeel van RAG wat met de implementatie te maken heeft?	Het vereist een complexe pre-processing stap en een zoekmechanisme.
Wat is een risico bij het selecteren van relevante chunks in RAG?	Er is geen garantie dat de geselecteerde chunks alle benodigde context bevatten.