# Van tekst naar getallen: vector-embeddings in de praktijk | LLMNet Leren

Deel:[𝕏](https://twitter.com/intent/tweet?url=https%3A//leren.llmnet.nl/van-tekst-naar-getallen-embeddings-praktisch&text=Van%20tekst%20naar%20getallen%3A%20vector-embeddings%20in%20de%20praktijk)[LinkedIn](https://www.linkedin.com/sharing/share-offsite/?url=https%3A//leren.llmnet.nl/van-tekst-naar-getallen-embeddings-praktisch)[Reddit](https://www.reddit.com/submit?url=https%3A//leren.llmnet.nl/van-tekst-naar-getallen-embeddings-praktisch&title=Van%20tekst%20naar%20getallen%3A%20vector-embeddings%20in%20de%20praktijk)[Facebook](https://www.facebook.com/sharer/sharer.php?u=https%3A//leren.llmnet.nl/van-tekst-naar-getallen-embeddings-praktisch)[Kopieer link](#)

# Van tekst naar getallen: vector-embeddings in de praktijk

Computers en software-algoritmen werken fundamenteel met getallen, rekenkundige operaties en wiskundige matrixtransformaties. Mensen communiceren daarentegen via taal: dynamisch, rijk aan nuances, synoniemen, spreektaal en contextafhankelijke betekenissen. Om large language models (LLM's) en moderne zoeksystemen effectief te laten werken met geschreven tekst, moet die tekst worden vertaald naar een formaat dat de computer begrijpt zonder dat de inhoudelijke betekenis verloren gaat. Dat is precies de rol van vector-embeddings.

In dit artikel wordt uitgelegd hoe tekst wordt omgezet in numerieke vectoren, hoe deze vectoren betekenis vastleggen in een meerdimensionale ruimte, hoe de overeenkomst tussen verschillende teksten wiskundig wordt berekend en waar deze technologie in de praktijk wordt toegepast.

## Wat zijn embeddings en waarom zijn ze noodzakelijk?

In de klassieke informatica werd tekst hoofdzakelijk geanalyseerd op basis van exacte tekens (string matching). Een zoekopdracht naar het woord "fiets" leverde alleen resultaten op waarin de opeenvolging van de letters f-i-e-t-s voorkwam. Documenten met synoniemen zoals "tweewieler" of gerelateerde termen zoals "trappers" werden door traditionele zoeksystemen over het hoofd gezien, tenzij er handmatig uitgebreide synoniemenlijsten werden bijgehouden.

### De beperking van traditionele trefwoordsystemen

Traditionele zoekmachines en databanken gebruiken technieken zoals TF-IDF (Term Frequency-Inverse Document Frequency) of BM25. Deze methoden kennen gewichten toe aan afzonderlijke woorden. Hoewel dit effectief is voor het vinden van specifieke termen of unieke namen, vertonen ze twee grote beperkingen:

- Geen begrip van synoniemen: Het woord "arts" en het woord "dokter" worden als twee volledig gescheiden entiteiten behandeld.

- Gevoeligheid voor context: Het woord "bank" in "zitten op een bank" heeft een identieke representatie als "geld lenen bij de bank", ondanks de totaal verschillende betekenis.

### Vectorruimtes en semantische betekenis

Een embedding is een numerieke representatie van een stuk tekst (een woord, een zin, of een heel document) in de vorm van een lijst getallen, een zogeheten vector. Het cruciale kenmerk van moderne embeddings is dat ze semantische betekenis coderen.

Wanneer teksten worden omgezet in vectoren, worden ze geplaatst in een denkbeeldige meerdimensionale ruimte. Teksten die qua betekenis op elkaar lijken, komen dicht bij elkaar te liggen in deze ruimte, ongeacht de exacte bewoordingen die gebruikt zijn. Het bekende klassieke voorbeeld uit de natuurlijke taalverwerking (NLP) illustreert dit principe:

Vector("Koning") - Vector("Man") + Vector("Vrouw") ≈ Vector("Koningin")

Uit deze wiskundige relatie blijkt dat de vectorruimte menselijke concepten en verhoudingen begrijpt en numeriek kan uitdrukken.

## Hoe werkt een embedding-model?

Een embedding-model is een gespecialiseerd neuraal netwerk dat vooraf is getraind op gigantische hoeveelheden tekstdata. Tijdens deze training leert het model patronen en relaties tussen woorden en zinnen te herkennen op basis van de context waarin ze verschijnen.

### Dimensies en vectoren uitgelegd

Een embedding bestaat uit een reeks zweefkommagetallen (floats). Het aantal getallen in de reeks wordt de dimensie van de embedding genoemd. Gangbare embedding-modellen gebruiken vectoren van bijvoorbeeld 384, 768, 1536 of zelfs 3072 dimensies.

Elke dimensie binnen een vector staat voor een abstracte eigenschap of een semantisch kenmerk dat het model heeft aangeleerd. Een vereenvoudigde weergave van een 4-dimensionale vector voor drie woorden zou er als volgt uit kunnen zien:

Woord | 
Dimensie 1 (Levend) | 
Dimensie 2 (Koninklijk) | 
Dimensie 3 (Mannelijk) | 
Dimensie 4 (Voertuig) | 

Koning | 
0.98 | 
0.95 | 
0.89 | 
0.01 | 

Koningin | 
0.97 | 
0.96 | 
0.02 | 
0.01 | 

Auto | 
0.01 | 
0.05 | 
0.50 | 
0.98 | 

In werkelijkheid zijn de dimensies in moderne modellen niet direct toewijsbaar aan één enkel menselijk concept, maar vertegenwoordigen ze complexe, gecombineerde patronen die door het netwerk zijn gevormd.

### Context en tokenisatie

Voordat een tekst wordt omgezet in een embedding, wordt deze opgedeeld in tokens. Een token kan een heel woord zijn, maar ook een woorddeel of een leesteken. Het embedding-model verwerkt vervolgens de opeenvolging van tokens en genereert via zogenaamde attention-mechanismen (bekend van de Transformer-architectuur) een vector die rekening houdt met de volledige context van de zin.

Voor een dieper inzicht in de werking van de onderliggende Transformer-architectuur kunt u de handleiding over [de basisprincipes van de Transformer-architectuur](https://leren.llmnet.nl/wat-is-een-transformer) raadplegen.

## Het berekenen van gelijkenis: Cosinussimilariteit

Zodra teksten zijn getransformeerd naar vectoren, kan de inhoudelijke overeenkomst tussen twee documenten of tussen een zoekopdracht en een document wiskundig worden vastgesteld. De meest gebruikte metriek hiervoor is de cosinussimilariteit (cosine similarity).

Cosinussimilariteit meet de hoek tussen twee vectoren in de meerdimensionale ruimte, ongeacht hun lengte. De waarde ligt altijd tussen -1 en 1 (of tussen 0 en 1 bij genormaliseerde embeddings):

- 1.0: De vectoren wijzen in exact dezelfde richting; de teksten zijn semantisch identiek of zeer sterk gerelateerd.

- 0.0: De vectoren staan haaks op elkaar; er is geen aantoonbare semantische relatie.

- -1.0: De vectoren wijzen in tegengestelde richting (komt bij genormaliseerde tekst-embeddings zelden voor).

Metriekenvergelijking: Naast cosinussimilariteit worden ook het inproduct (dot product) en de Euclidische afstand (L2-afstand) gebruikt. Bij genormaliseerde vectoren (vectoren met een lengte van 1) leveren cosinussimilariteit en het inproduct exact hetzelfde vergelijkingsresultaat op, maar is het inproduct rekenkundig sneller uit te voeren.

## Praktische toepassingen in modern AI-ontwerp

Vector-embeddings vormen het fundament van vrijwel alle moderne zoek- en analysetoepassingen waarin natuurlijke taal centraal staat.

### Retrieval-Augmented Generation (RAG)

In [Retrieval-Augmented Generation (RAG) voor beginners](https://leren.llmnet.nl/rag-voor-beginners) worden embeddings gebruikt om externe documenten te doorzoeken voordat een LLM een antwoord formuleert. De gegevensstroom verloopt als volgt:

- Documenten uit een kennisbank worden opgeknipt in kleinere tekstblokken (chunks).

- Elk tekstblok wordt omgezet in een vector via een embedding-model en opgeslagen in een databank.

- Wanneer een gebruiker een vraag stelt, wordt die vraag omgezet in een vector met hetzelfde embedding-model.

- De vector van de vraag wordt vergeleken met de opgeslagen vectoren om de meest relevante documentfragmenten op te halen.

- De relevante fragmenten worden samen met de vraag aan het LLM meegegeven als context.

Voor het efficiënt opslaan en doorzoeken van miljoenen vectoren wordt gebruikgemaakt van gespecialiseerde infrastructuur. Lees voor een overzicht van de populairste oplossingen onze [vergelijking van vector-databases](https://directory.llmnet.nl/vector-databases-vergeleken) op directory.llmnet.nl.

### Semantisch zoeken en categorisatie

Klassieke zoeksystemen falen wanneer gebruikers zoeken in andere termen dan die in de brondocumenten staan. Met embeddings zoekt een gebruiker die vraagt naar "hoe herstel ik een lekke band" ook succesvol in documenten die de titel "Instructies voor fietsreparatie en bandenplakken" dragen. Meer over de opbouw van een dergelijk systeem vindt u in de gids over [semantisch zoeken](https://api.llmnet.nl/semantisch-zoeken) op api.llmnet.nl.

## Aandachtspunten en uitdagingen bij de implementatie

Hoewel embeddings krachtig zijn, zijn er bij de praktische toepassing enkele belangrijke factoren om rekening mee te houden:

- Chunking-strategie: Als een document te groot is, verliest de gegenereerde vector zijn specifieke details doordat alle informatie wordt gemiddeld. Een doordachte opsplitsing van tekstblokken is essentieel.

- Modelkeuze en dimensieomvang: Grotere dimensies (bijv. 1536 t.o.v. 384) bieden een hogere nauwkeurigheid, maar vereisen aanzienlijk meer geheugen en rekenkracht bij het vergelijken van grote hoeveelheden data.

- Meertaligheid: Niet elk embedding-model presteert even goed in het Nederlands. Voor Nederlandstalige toepassingen is het noodzakelijk om te testen of het model voldoende taalgevoeligheid bezit voor de specifieke domeintermen.

- Modelconsistentie: Een vector gegenereerd door Model A kan niet rechtstreeks vergeleken worden met een vector uit Model B. Als een embedding-model wordt geüpdatet, moet de gehele databank opnieuw worden geïndexeerd (re-indexing).

## Conclusie

Vector-embeddings vormen de onmisbare brug tussen menselijke taal en de rekenkracht van AI-systemen. Door tekst te transformeren naar een meerdimensionale getallenruimte worden semantische relaties, synoniemen en contextuele betekenissen meetbaar. Of het nu gaat om het bouwen van een geavanceerde zoekfunctie, een RAG-applicatie of een automatisch categorisatiesysteem: het begrijpen en juist implementeren van embeddings is de sleutel tot een geslaagde AI-architectuur.

Door Ivo Donker - samengesteld met AI-ondersteuning (Claude & Gemini) - Laatst bijgewerkt: 2 augustus 2026