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 die de semantische betekenis vastleggen.
Wat is de functie van normalisatie bij embeddings?	Het schalen van de magnitude van elke vector naar 1.0.
Waar worden de gegenereerde embeddings opgeslagen voor latere opzoekopdrachten?	In een vector database, een database geoptimaliseerd voor het opslaan en vergelijken van lange lijsten getallen.
Wat gebeurt er met een gebruikersquery voordat deze in de vector database wordt gezocht?	De query wordt door hetzelfde embedding-model gehaald om een query-vector te genereren.
Welke wiskundige methode wordt gebruikt om de gelijkenis tussen de query-vector en de opgeslagen embeddings te meten?	Cosinusgelijkenis (Cosine Similarity).
Wat betekent een Cosinusgelijkenis-score dicht bij 1.0?	De embeddings zijn zeer vergelijkbaar met de query.
Hoe wordt Cosinusafstand (Cosine Distance) berekend en wat betekent een waarde dicht bij 0?	Het is 1 minus de Cosinusgelijkenis; een waarde dicht bij 0 betekent een hoge gelijkenis.
Wat is het doel van de RAG-pipeline als geheel?	Het combineren van chunking, embeddings en een vector database om relevante informatie te vinden voor een query.
Wat is de laatste stap in het RAG-proces nadat de relevante tekstchunk is gevonden?	De query en de relevante tekstchunk worden samen in een prompt gestopt en naar het LLM gestuurd.