Wat is semantic search? Uitleg voor het MKB
Erwin Berkouwer
Semantic search is een zoekmethode die tekst omzet in vector embeddings om te zoeken op betekenis en intentie in plaats van exacte trefwoorden. Het wordt vaak gecombineerd met retrieval-augmented generation (RAG) voor interne kennisbanken, klantenservice en productzoekfuncties, en is vooral waardevol bij vrije-tekst zoekopdrachten in ongestructureerde data, minder bij exacte, gestructureerde lookups.
Semantic search is zoeken op betekenis in plaats van exacte woorden, met vector embeddings als motor erachter. Dit artikel legt uit hoe het werkt en wanneer het waarde toevoegt voor het MKB.
Semantic search is een manier van zoeken waarbij een systeem de betekenis en intentie achter een zoekopdracht probeert te begrijpen, in plaats van alleen te controleren of de exacte woorden voorkomen in een document. Een medewerker die zoekt naar "hoe annuleer ik een abonnement" krijgt zo ook het document te zien dat spreekt over "opzeggen van een lidmaatschap", ook al staat het woord "annuleren" er nergens in. Dit werkt via zogeheten vector embeddings: wiskundige representaties van tekst die betekenis vastleggen in plaats van losse woorden.
Semantic search zoekt naar wat je bedoelt, niet naar wat je letterlijk typt.
Hoe werkt het
Bij traditioneel zoeken (keyword search of full-text search) vergelijkt een systeem de letters en woorden van je zoekopdracht met de letters en woorden in een database of documentenset. Dat werkt goed als de terminologie exact overeenkomt, maar faalt zodra iemand een synoniem, een andere formulering of een tikfout gebruikt.
Semantic search lost dit op met een taalmodel dat tekst omzet in een vector: een lijst getallen die de betekenis van die tekst weergeeft in een meerdimensionale ruimte. Zinnen met een vergelijkbare betekenis krijgen vectoren die dicht bij elkaar liggen, ook als de woordkeuze compleet anders is. Het systeem zoekt vervolgens niet naar tekstuele overeenkomst, maar naar de dichtstbijzijnde vectoren: dit heet vector similarity search.
In de praktijk verloopt dit meestal in drie stappen:
- Embedden: alle documenten (of productbeschrijvingen, tickets, artikelen) worden omgezet naar vectoren en opgeslagen in een vector database.
- Zoekopdracht omzetten: de vraag van de gebruiker wordt op dezelfde manier omgezet naar een vector.
- Vergelijken: het systeem berekent welke opgeslagen vectoren het dichtst bij de vector van de zoekopdracht liggen en toont die resultaten.
Dit verschilt fundamenteel van de klassieke aanpak waarbij een index van woorden wordt bijgehouden (zoals bij full-text search in een gewone database). Semantic search "begrijpt" context en synoniemen; keyword search leest alleen letterlijk.
Waarom relevant voor het MKB
Voor een MKB-bedrijf zit de winst van semantic search vooral in tijdsbesparing en minder frustratie bij het terugvinden van informatie. Drie situaties waar dit concreet merkbaar wordt:
- Interne kennisbank: medewerkers zoeken vaak in eigen bewoordingen, niet in de exacte taal van een handleiding. Semantic search vindt het juiste antwoord ook als de vraagstelling afwijkt van het brondocument.
- Klantenservice: een supportmedewerker (of chatbot) die vragen van klanten koppelt aan de juiste kennisartikelen, zonder dat klant en documentatie exact hetzelfde jargon gebruiken.
- Productzoekfunctie in webshops: een klant die zoekt naar "warme jas voor de winter" moet ook producten zien die getagd zijn als "gevoerde parka", ook zonder dat het woord "winter" in de titel staat.
Het gemeenschappelijke thema: overal waar mensen in hun eigen woorden zoeken en de onderliggende data niet exact diezelfde woorden gebruikt, verbetert semantic search de vindbaarheid.
Een concreet voorbeeld
Stel: een installatiebedrijf heeft honderden werkinstructies en handleidingen liggen, opgebouwd door de jaren heen door verschillende monteurs. Een nieuwe medewerker zoekt naar "lekkage bij cv-ketel verhelpen", maar het relevante document heet "storingscode E01: waterdruk te laag".
Met klassiek trefwoordzoeken vindt de medewerker niets, want geen van de woorden komt letterlijk overeen. Met semantic search herkent het systeem dat beide teksten inhoudelijk over hetzelfde probleem gaan (een cv-ketel die water verliest of onvoldoende druk heeft) en toont het juiste document alsnog bovenaan.
Dit is precies het soort toepassing dat wij bouwen als onderdeel van AI-agents: een interne zoek- of supportassistent die niet alleen zoekt, maar ook een antwoord formuleert op basis van de gevonden documenten. Deze combinatie van semantic search met een taalmodel heet retrieval-augmented generation (RAG), en is inmiddels de meest gangbare aanpak voor betrouwbare bedrijfs-chatbots.
Wanneer wel, wanneer niet
Semantic search is geen vervanging voor elke vorm van zoeken. De keuze hangt af van het type data en de manier waarop gebruikers zoeken.
| Situatie | Beste aanpak | Waarom |
|---|---|---|
| Exacte productcodes, ordernummers, e-mailadressen | Keyword search | Exacte match is precies wat je nodig hebt, geen interpretatie gewenst |
| Vrije-tekst vragen, natuurlijke taal, synoniemen | Semantic search | Betekenis is belangrijker dan exacte woorden |
| Grote hoeveelheid ongestructureerde documenten (handleidingen, contracten, mail) | Semantic search (vaak gecombineerd met RAG) | Vindt relevante passages ook bij afwijkende terminologie |
| Gestructureerde data met vaste velden (facturen, klantgegevens in een CRM) | Traditionele database-query of full-text search | Structuur is al aanwezig, semantische interpretatie voegt weinig toe |
| Combinatie van beide (bijvoorbeeld: zoek klant "Jansen" én relevante notities) | Hybride zoeken (keyword + semantic) | Beste van twee werelden voor gemengde databehoeften |
Als vuistregel: hoe vrijer en menselijker de zoekopdracht, hoe groter de meerwaarde van semantic search. Bij exacte, gestructureerde lookups voegt het weinig toe en is het vaak zelfs trager en duurder dan een simpele database-query.
Verwante begrippen
Semantic search staat zelden op zichzelf. Een paar begrippen die hier direct mee samenhangen:
- Embeddings: de numerieke representatie van tekst (of afbeeldingen) die betekenis vastlegt, gegenereerd door een taalmodel.
- Vector database: een database die specifiek is gebouwd om embeddings snel te doorzoeken op gelijkenis, zoals Pinecone, Weaviate of pgvector.
- RAG (retrieval-augmented generation): de combinatie van semantic search met een taalmodel, waarbij eerst relevante informatie wordt opgehaald en het model daarna een antwoord formuleert op basis daarvan.
- Knowledge graph: een gestructureerd netwerk van entiteiten en relaties, vaak gebruikt naast semantic search om feitelijke verbanden expliciet te maken in plaats van alleen op basis van tekstuele gelijkenis te werken.
Benieuwd of semantic search of RAG waarde toevoegt in jouw bedrijf, bijvoorbeeld voor een interne kennisbank of klantenservice? Via onze AI-consultancy brengen we eerst in kaart waar zoek- en informatieproblemen de meeste tijd kosten, voordat we een oplossing bouwen. Wil je eerst zien waar in jouw organisatie AI het meeste oplevert, doe dan de gratis AI-scan.
Semantic search is geen doel op zich, maar een bouwsteen. De echte waarde ontstaat wanneer het gekoppeld wordt aan een concreet probleem: een medewerker die sneller het juiste document vindt, een klant die sneller een antwoord krijgt, of een team dat minder tijd kwijt is aan zoeken in plaats van werken.
Veelgestelde vragen
Korte, heldere antwoorden die je helpen sneller beslissen.
Wat is het verschil tussen semantic search en keyword search?
Keyword search vergelijkt letterlijke woorden en tekens tussen je zoekopdracht en de data. Semantic search zet tekst om in vectoren (embeddings) en zoekt naar de dichtstbijzijnde betekenis, waardoor synoniemen en andere formuleringen ook goede resultaten opleveren.
Heb je een vector database nodig om semantic search te gebruiken?
In de meeste praktische implementaties wel: een vector database (zoals pgvector, Pinecone of Weaviate) slaat de embeddings op en is geoptimaliseerd om snel de meest gelijkende vectoren te vinden, ook bij duizenden of miljoenen documenten.
Is semantic search hetzelfde als RAG?
Nee. Semantic search is het onderdeel dat relevante informatie ophaalt op basis van betekenis. RAG (retrieval-augmented generation) combineert die opgehaalde informatie met een taalmodel dat er vervolgens een lopend antwoord van maakt.
Is semantic search geschikt voor een klein bedrijf met weinig documenten?
Het kan, maar de meerwaarde is groter naarmate er meer ongestructureerde informatie is (handleidingen, tickets, mails). Bij een handvol documenten is een goed doorzoekbare kennisbank soms al voldoende zonder de extra complexiteit van embeddings.
