# Embeddings uitgelegd: hoe machines betekenis begrijpen [Naar de inhoud](#lm-inhoud)Netwerk/NL[EN](/en/embeddings-uitgelegd)[Hubhub.llmnet.nlModellen vergelijken op taak, taal, kosten en licentie.](https://hub.llmnet.nl/)[Communitycommunity.llmnet.nlPrompttechnieken, patronen en systeemprompts.](https://community.llmnet.nl/)[APIapi.llmnet.nlLLM's robuust in software: rate limits, routing, structured output.](https://api.llmnet.nl/)[Consultancyconsultancy.llmnet.nlAI invoeren in een organisatie, van pilot tot productie.](https://consultancy.llmnet.nl/)[Nieuwsnieuws.llmnet.nlOntwikkelingen in AI, geduid voor Nederland.](https://nieuws.llmnet.nl/)[Benchmarkbenchmark.llmnet.nlZelf meten wat AI-kwaliteit is, voor jouw taken.](https://benchmark.llmnet.nl/)[Vacaturesvacatures.llmnet.nlAI-rollen, salarissen en carrièrepaden in Nederland.](https://vacatures.llmnet.nl/)[Lerenleren.llmnet.nlAI-concepten in gewoon Nederlands, van beginner tot bouwer.](https://leren.llmnet.nl/)[Gidsgids.llmnet.nlAI privé draaien op eigen Mac, pc, NAS of thuisserver.](https://gids.llmnet.nl/)[Directorydirectory.llmnet.nlHet AI-ecosysteem in kaart: tools, modellen, bedrijven.](https://directory.llmnet.nl/)[Radarradar.llmnet.nlSignalen uit X, onderzoek en communities voor indie developers.](https://radar.llmnet.nl/)[Appsapps.llmnet.nlReviews van AI-apps en open-source repo's, met tips voor wie zelf bouwt.](https://apps.llmnet.nl/)[llmnet.nl — hoofdsite](https://llmnet.nl/)[](https://x.com/intent/post?url=https%3A%2F%2Fleren.llmnet.nl%2Fembeddings-uitgelegd&text=Embeddings%20uitgelegd%3A%20hoe%20machines%20betekenis%20begrijpen)[](https://www.linkedin.com/sharing/share-offsite/?url=https%3A%2F%2Fleren.llmnet.nl%2Fembeddings-uitgelegd)[](https://www.reddit.com/submit?url=https%3A%2F%2Fleren.llmnet.nl%2Fembeddings-uitgelegd&title=Embeddings%20uitgelegd%3A%20hoe%20machines%20betekenis%20begrijpen)[](#)[](https://x.com/intent/post?url=https%3A%2F%2Fleren.llmnet.nl%2Fembeddings-uitgelegd&text=Embeddings%20uitgelegd%3A%20hoe%20machines%20betekenis%20begrijpen)[](https://www.linkedin.com/sharing/share-offsite/?url=https%3A%2F%2Fleren.llmnet.nl%2Fembeddings-uitgelegd)[](https://www.reddit.com/submit?url=https%3A%2F%2Fleren.llmnet.nl%2Fembeddings-uitgelegd&title=Embeddings%20uitgelegd%3A%20hoe%20machines%20betekenis%20begrijpen)[](#)Door Ivo Donker — samengesteld met AI-ondersteuning (Claude & Gemini) · Laatst bijgewerkt: 27 juli 2026 # Embeddings uitgelegd Hoe machines betekenis begrijpen en context verwerken ## Wat is een embedding? Computers spreken geen Nederlands of Engels; ze spreken in getallen. Om een taalmodel zoals GPT of Claude een woord te laten begrijpen, moeten we dat woord vertalen naar een wiskundige vorm. Dit proces noemen we een embedding. Een embedding is feitelijk een lange lijst van getallen (een vector) die de betekenis van een woord, zin of compleet document vastlegt. In plaats van tekst te zien als willekeurige letters, berekent de AI waar deze tekst thuishoort in een enorm virtueel woordenboek van betekenissen. ## De vectorruimte: Een intuïtieve uitleg Stel je een grote 3D-ruimte voor. In deze ruimte plaatsen we woorden op basis van hun eigenschappen. - Woorden zoals appel, banaan en peer komen heel dicht bij elkaar te zweven, in de 'fruit-hoek'. - Woorden als hond, kat en konijn vormen een eigen cluster verderop, in de 'dieren-hoek'. Wanneer een AI 'leest', vertaalt hij jouw tekst naar coördinaten in deze ruimte. Hoe dichter twee coördinaten bij elkaar liggen, hoe sterker ze qua betekenis met elkaar verwant zijn. In werkelijkheid heeft deze ruimte geen 3 dimensies, maar vaak wel 1.536 tot meer dan 4.000 dimensies om alle nuances van menselijke taal (zoals toon, context en grammatica) te vangen. ### Cosine Similarity: Afstand meten Om te bepalen hoe erg twee teksten op elkaar lijken, meten we de hoek tussen hun vectoren. Dit heet Cosine Similarity. Een score van 1 betekent identieke betekenis, een score rond de 0 betekent geen enkel verband, en -1 wijst op het exacte tegenovergestelde. ## Belangrijkste toepassingen Omdat embeddings betekenis vastleggen, vormen ze de ruggengraat van moderne AI-toepassingen: - Semantisch Zoeken (Vector Search): In plaats van zoeken op exacte steekwoorden, zoek je op concept. Als je zoekt naar "hoe kook ik een ei", vindt het systeem ook teksten met "eieren bereiden in kokend water". Dit is essentieel voor Retrieval-Augmented Generation (RAG) systemen. - Clustering: Automatisch duizenden klantenservice-tickets groeperen op basis van het onderliggende probleem, zonder dat de teksten dezelfde woorden bevatten. - Aanbevelingen: Artikelen of producten suggereren die conceptueel in dezelfde "ruimte" liggen als de items die een gebruiker eerder heeft bekeken. ### Oefening: Denk in afstanden Bekijk de volgende drie zinnen. Beredeneer welke twee in de vectorruimte het dichtst bij elkaar zouden liggen: - "De bank was gesloten vanwege een storing." - "Ik heb gisteren een nieuwe hoekbank gekocht." - "Door een IT-probleem konden we geen geld opnemen." Antwoord: Zin 1 en 3 liggen het dichtst bij elkaar. Hoewel zin 1 en 2 het woord "bank" delen, begrijpt het embedding-model de context. Zin 1 en 3 gaan beide over financiële instellingen en technische problemen, waardoor hun semantische vectoren overlappen. [Klaar om te bouwen? Bekijk de technische documentatie op api.llmnet.nl en leer hoe je zelf embeddings genereert. →](https://api.llmnet.nl/) © 2026 llmnet.nl Leren - Alle rechten voorbehouden.