Wat is de eerste stap in het RAG-proces?	Het bronbestand opsplitsen in kleinere stukken tekst, een proces dat 'text chunking' wordt genoemd.
Wat is het doel van het genereren van 'text embeddings'?	Het omzetten van tekststukken in numerieke vectoren (lijsten van getallen) die de semantische betekenis vastleggen.
Wat is het doel van de normalisatiestap bij embeddings?	Het schalen van de grootte (magnitude) van elke vector naar 1.0.
Waar worden de geëmbbedeerde tekststukken opgeslagen?	In een 'vector database', een database geoptimaliseerd voor het opslaan en vergelijken van lange lijsten van getallen.
Wat gebeurt er met een gebruikersvraag voordat deze in de vector database wordt gezocht?	De vraag wordt door exact hetzelfde embedding-model gehaald als de oorspronkelijke tekststukken.
Wat is de functie van de vector database tijdens de retrieval-fase?	Het zoeken naar de vector die het dichtst bij de vector van de gebruikersvraag ligt.
Wat is Cosine Similarity en wat geeft een waarde dicht bij 1 aan?	Een maat voor de gelijkenis tussen twee vectoren; een waarde dicht bij 1 betekent dat de vectoren zeer vergelijkbaar zijn.
Hoe wordt Cosine Distance berekend en wat betekent een waarde dicht bij 0?	Het wordt berekend als 1 minus de Cosine Similarity; een waarde dicht bij 0 betekent een grote gelijkenis.
Wat is de laatste stap in het RAG-proces nadat het meest relevante tekststuk is gevonden?	Het relevante tekststuk wordt samen met de gebruikersvraag in een prompt gestopt en naar een LLM (zoals Claude) gestuurd.
Wat is het resultaat van de berekening van de Cosine Similarity tussen de query en een chunk?	Een getal tussen -1 en 1.