Wat zijn embeddings? Hoe AI betekenis omzet in een plek op de kaart
← Actueel · 12 augustus 2026
Zoek in je fotoapp op "verjaardag" en je krijgt foto's met taarten en slingers, ook al staat dat woord nergens bij de foto's. Vraag een AI-zoekfunctie naar "opzeggen abonnement" en je vindt ook documenten waar alleen "contract beëindigen" in staat. Achter beide voorbeelden zit hetzelfde idee, en het is een van de meest bruikbare concepten om te kennen als je AI wilt begrijpen: de embedding.
Betekenis als plek op een kaart
Computers rekenen met getallen, niet met woorden. Een embedding is de vertaalslag: een woord, zin of heel document wordt omgezet in een lange rij getallen. Die rij kun je zien als coördinaten, een plek op een kaart. Niet een kaart van twee dimensies zoals een landkaart, maar een met honderden dimensies. Dat kun je niet visualiseren, en dat hoeft ook niet. Het enige dat telt is dit: dingen die qua betekenis op elkaar lijken, liggen op die kaart dicht bij elkaar.
"Hond" ligt dicht bij "puppy" en "labrador", een stuk verder van "kat", en heel ver van "hypotheekrente". De zin "mijn bestelling is nog niet aangekomen" ligt vlak naast "waar blijft mijn pakket", terwijl er geen woord overlapt. De kaart legt vast wat woordenboeken moeilijk kunnen: verwantschap in betekenis, in plaats van gelijkenis in letters.
Hoe ontstaat die kaart?
Niemand heeft die plekken met de hand ingetekend. Ze rollen uit training op enorme hoeveelheden tekst, gebaseerd op een oud taalkundig inzicht: woorden die in vergelijkbare omgevingen voorkomen, betekenen vaak iets vergelijkbaars. "Thee" en "koffie" duiken op tussen dezelfde soorten woorden (drinken, kopje, warm, ochtend), dus komen ze dicht bij elkaar te liggen. Het model leert de kaart door eindeloos veel van zulke omgevingen te zien.
Waar kom je embeddings tegen?
- Zoeken op betekenis. In plaats van te zoeken op exacte woorden, zet een systeem jouw zoekvraag én alle documenten om in embeddings en zoekt het wat dichtbij ligt. Zo vind je "contract beëindigen" met de zoekterm "opzeggen".
- RAG en chatten met je eigen documenten. Tools die vragen beantwoorden over jouw bestanden gebruiken embeddings om eerst de relevante passages op te sporen, en laten het taalmodel daarna op basis van die passages antwoorden.
- Aanbevelingen. "Klanten die dit kochten" en "series die je misschien leuk vindt" leunen vaak op hetzelfde principe: producten of kijkers die dicht bij elkaar liggen op een geleerde kaart.
- Binnenin het taalmodel zelf. Elk stukje tekst dat een taalmodel verwerkt, wordt eerst een embedding. Het is letterlijk de vorm waarin taal het model binnenkomt.
Wat je eraan hebt om dit te weten
Embeddings verklaren zowel de kracht als de missers van veel AI-tools. De kracht: betekenis vergelijken zonder exacte woorden te matchen. De missers: de kaart kent alleen verbanden die in de trainingsteksten zaten. Woorden die vaak samen voorkomen liggen dichtbij, ook als het verband oppervlakkig of gedateerd is, en zeldzaam jargon kan op een vreemde plek terechtkomen. Een zoekfunctie op embeddings vindt dus meestal iets zinnigs, maar niet gegarandeerd het juiste.
Wil je zien hoe dit doorwerkt in taalmodellen en in tools die met je eigen documenten werken? De les Embeddings: betekenis in getallen gaat er dieper op in, en de les RAG en eigen data laat zien hoe zoeken op betekenis en tekstgeneratie samenkomen.