Wat staat RAG voor?	Retrieval Augmented Generation.
Wat is een fundamenteel probleem bij het plaatsen van een heel groot document in één prompt?	Er is een harde limiet op de hoeveelheid tekst die je kunt invoeren, en de effectiviteit van het model neemt af.
Hoe lost RAG het probleem van zeer grote documenten op?	Door het document op te delen in kleine stukken (chunks) en alleen de meest relevante stukken te selecteren.
Wat is de eerste noodzakelijke stap in het RAG-proces?	Het document opsplitsen in kleine stukken (chunking).
Noem twee voordelen van het gebruik van RAG.	Het kan zeer grote documenten verwerken en het leidt tot kleinere prompts, wat minder tijd en kosten bespaart.
Wat is een grote technische uitdaging bij de implementatie van RAG?	Het vereist een pre-processing stap en een zoekmechanisme om de relevante chunks te vinden.
Geef een voorbeeld van twee manieren om een document op te splitsen in chunks.	Door het document in gelijke delen te verdelen, of door te chunk-en op basis van koppen (headers).
Waarom is het belangrijk om alleen relevante chunks te gebruiken in RAG?	Om de aandacht van het taalmodel te richten op de specifieke informatie die nodig is voor het antwoord.