Vraag een algemeen AI-model hoe lang je retourtermijn is en je krijgt een antwoord. Het klinkt zelfverzekerd. Het kan ook verzonnen zijn, want het model heeft je retourbeleid nooit gezien. Retrieval-augmented generation (RAG) is de techniek die dit oplost, en de reden dat je een zakelijke AI-agent überhaupt met klanten kunt laten praten.
Het probleem: modellen kennen je bedrijf niet
Grote taalmodellen leren van enorme hoeveelheden openbare tekst. Daardoor formuleren ze vlot, maar hun kennis houdt op bij hun trainingsdata, en daar zaten jouw prijzen, voorraad, openingstijden en beleid nooit in. Mist een model een feit, dan vult het de leemte vaak op met iets dat aannemelijk klinkt. In een klantgesprek is een aannemelijk maar fout antwoord (een levertijd, een korting, een garantievoorwaarde) erger dan helemaal geen antwoord.
Hoe RAG werkt, stap voor stap
- 1Inlezen: je documenten (productlijsten, veelgestelde vragen, beleid, webpagina's) worden opgeknipt in korte passages.
- 2Indexeren: elke passage wordt omgezet in een numerieke weergave (een embedding) die de betekenis vastlegt, zodat je op betekenis kunt zoeken in plaats van op exacte woorden.
- 3Ophalen: als een klant een vraag stelt, zoekt het systeem de passages die het meest relevant zijn.
- 4Genereren: het taalmodel schrijft het antwoord met die passages als bron, in plaats van te vertrouwen op wat het toevallig onthouden heeft.
Omdat er op betekenis wordt gezocht, vindt een klant die vraagt “kan ik het terugsturen?” toch je passage met de titel “Retourneren en ruilen”, ook al komt geen enkel woord overeen.
Waarom RAG belangrijk is voor klantenservice
- Nauwkeurigheid: antwoorden komen uit je eigen informatie, dus prijzen en beleid kloppen met wat je echt aanbiedt.
- Eenvoudig bijwerken: pas een document aan en de antwoorden van de agent veranderen mee, zonder opnieuw te trainen.
- Eerlijk over gaten: wordt er niets relevants gevonden, dan kan de agent zeggen dat hij het niet weet en overdragen aan een mens.
- Eén bron voor elk kanaal: dezelfde kennisbank antwoordt op WhatsApp, Instagram en Facebook.
Zo zet je een kennisbank op die werkt
RAG kan alleen ophalen wat jij aanlevert, dus de kwaliteit van je documenten bepaalt de kwaliteit van de antwoorden. Een paar gewoontes maken een groot verschil:
- Schrijf de antwoorden op de vragen die je het vaakst krijgt in gewone taal op, met één onderwerp per sectie.
- Neem de details op waar klanten naar vragen: prijzen, maten, levertijden, je werkgebied, openingstijden.
- Verwijder verouderde documenten in plaats van oude en nieuwe versies naast elkaar te laten staan.
- Bekijk gesprekken die de agent heeft overgedragen: elk daarvan wijst meestal op een ontbrekend antwoord dat je kunt toevoegen.
RAG in Neksio
Elke Neksio-agent gebruikt RAG. Je uploadt documenten (en bij betaalde abonnementen ook je website en veelgestelde vragen) en de agent antwoordt op basis daarvan op WhatsApp, Instagram en Facebook. Wil je het grotere plaatje van hoe agents verschillen van chatbots? Lees dan wat AI-agents zijn.
Begin met één document en voeg er gaandeweg meer toe.
Veelgestelde vragen
- Waar staat RAG voor?
- Retrieval-augmented generation. Het systeem haalt relevante passages op uit je eigen documenten en het taalmodel genereert zijn antwoord op basis daarvan.
- Stopt RAG AI-hallucinaties?
- Het vermindert ze sterk bij zakelijke vragen, omdat het model antwoordt op basis van opgehaalde passages in plaats van uit het geheugen. Het werkt het best met een duidelijke, actuele kennisbank en een agent die toegeeft wanneer er niets relevants is gevonden.
- Moet ik de AI opnieuw trainen als mijn informatie verandert?
- Nee. Met RAG werk je het document bij en gebruikt het volgende antwoord de nieuwe informatie. Er komt geen modeltraining aan te pas.
- Welke documenten moet ik uploaden?
- Begin met de antwoorden op je meest gestelde vragen: producten en prijzen, bezorging en retouren, openingstijden en contactgegevens. Voeg meer toe telkens wanneer de agent een vraag overdraagt die hij niet kon beantwoorden.