Wat zijn de hoofdfasen van de RAG-pipeline?	Chunking, het genereren van embeddings, opslag in een vector database, en het verwerken van de query.
Wat is de eerste stap in het RAG-proces?	Het bronbestand opsplitsen in kleinere stukken tekst (text chunks).
Wat is het doel van het genereren van text embeddings?	Tekst omzetten in numerieke vectoren die de semantische betekenis van de tekst vastleggen.
Wat is de functie van normalisatie bij embeddings?	Het schalen van de grootte (magnitude) van elke vector naar 1.0.
Waar worden de embeddings opgeslagen en waarom?	In een vector database, die geoptimaliseerd is 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 en genormaliseerd.
Welke wiskundige maat wordt gebruikt om de gelijkenis tussen de query en de opgeslagen embeddings te bepalen?	Cosinusgelijkenis (Cosine Similarity).
Wat betekent een Cosinusgelijkenis-score van dicht bij 1?	De embeddings zijn zeer vergelijkbaar met de query.
Hoe wordt Cosinusafstand (Cosine Distance) berekend en wat betekent een lage waarde?	Het is 1 minus de Cosinusgelijkenis; een waarde dicht bij 0 betekent grote gelijkenis.
Wat is de laatste stap in de RAG-pipeline na het vinden van de meest relevante tekstchunk?	De query en de relevante chunk worden aan elkaar toegevoegd in een prompt en naar een LLM gestuurd.