Wat is semantic search? Uitleg voor het mkb

Semantic search is een manier van zoeken waarbij het systeem de betekenis en intentie achter een zoekopdracht probeert te begrijpen, in plaats van alleen te controleren of de exacte woorden in een document voorkomen. Zoekt een medewerker op "hoe annuleer ik een abonnement", dan vindt het systeem ook het document over "opzeggen van een lidmaatschap", al staat het woord "annuleren" er nergens in. Dat werkt via vector embeddings: wiskundige representaties van tekst die betekenis vastleggen in plaats van losse woorden.

Hoe werkt semantic search?

Bij traditioneel zoeken (keyword search of full-text search) vergelijkt een systeem de woorden van je zoekopdracht met de woorden in een database of documentenset. Dat werkt goed als de terminologie exact overeenkomt, maar faalt bij een synoniem, een andere formulering of een tikfout.

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 totaal anders is. Het systeem zoekt dan niet naar tekstuele overeenkomst maar naar de dichtstbijzijnde vectoren. Dat heet vector similarity search.

In de praktijk gaat dit meestal in drie stappen:

1. Embedden: alle documenten (productbeschrijvingen, tickets, artikelen) worden omgezet naar vectoren en opgeslagen in een vector database.
2. Zoekopdracht omzetten: de vraag van de gebruiker wordt op dezelfde manier omgezet naar een vector.
3. Vergelijken: het systeem berekent welke opgeslagen vectoren het dichtst bij de vector van de zoekopdracht liggen en toont die resultaten.

Dat verschilt fundamenteel van de klassieke aanpak met een index van woorden. Semantic search houdt rekening met context en synoniemen, keyword search leest alleen letterlijk.

Waarom is semantic search nuttig voor het mkb?

Voor een mkb-bedrijf zit de winst vooral in tijdsbesparing en minder frustratie bij het terugvinden van informatie. Drie situaties waar je dat merkt:

• Interne kennisbank: medewerkers zoeken in eigen bewoordingen, niet in de exacte taal van een handleiding. Semantic search vindt het juiste antwoord ook als de vraag afwijkt van het brondocument.
• Klantenservice: een supportmedewerker of chatbot koppelt vragen van klanten aan de juiste kennisartikelen, zonder dat klant en documentatie hetzelfde jargon gebruiken.
• Productzoekfunctie in webshops: wie zoekt op "warme jas voor de winter" moet ook producten zien die getagd zijn als "gevoerde parka", ook als het woord "winter" niet in de titel staat.

Het gemeenschappelijke thema: overal waar mensen in hun eigen woorden zoeken en de data niet precies dezelfde woorden gebruikt, verbetert semantic search de vindbaarheid.

Een concreet voorbeeld

Stel: een installatiebedrijf heeft honderden werkinstructies en handleidingen, over de jaren opgebouwd 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. Semantic search herkent dat beide teksten over hetzelfde probleem gaan (een cv-ketel die water verliest of onvoldoende druk heeft) en toont het juiste document bovenaan.

Dit is het soort toepassing dat past binnen AI-agents: een interne zoek- of supportassistent die niet alleen zoekt, maar ook een antwoord formuleert op basis van de gevonden documenten. Die combinatie van semantic search met een taalmodel heet retrieval-augmented generation (RAG) en is inmiddels een gangbare aanpak voor betrouwbare bedrijfschatbots.

Wanneer kies je semantic search, en 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.

Als vuistregel: hoe vrijer en menselijker de zoekopdracht, hoe groter de meerwaarde van semantic search. Bij exacte, gestructureerde opzoekingen voegt het weinig toe en is het vaak trager en duurder dan een simpele database-query.

Welke begrippen horen erbij?

• Embeddings: de numerieke representatie van tekst (of afbeeldingen) die betekenis vastlegt, gegenereerd door een taalmodel.
• Vector database: een database die is gebouwd om embeddings snel te doorzoeken op gelijkenis, zoals Pinecone, Weaviate of pgvector.
• RAG (retrieval-augmented generation): semantic search gecombineerd met een taalmodel, dat eerst relevante informatie ophaalt en daarna een antwoord formuleert.
• Knowledge graph: een gestructureerd netwerk van entiteiten en relaties, vaak gebruikt naast semantic search om feitelijke verbanden expliciet te maken.

Is semantic search iets voor jouw bedrijf?

Semantic search is geen doel op zich maar een bouwsteen. De waarde ontstaat als het aan een concreet probleem hangt: een medewerker die sneller het juiste document vindt, een klant die sneller antwoord krijgt, een team dat minder tijd kwijt is aan zoeken. Goed doorzoekbare informatie begint bij documenten die op orde zijn, zie Data op orde.

Benieuwd of semantic search of RAG iets oplevert voor jouw kennisbank of klantenservice? In een gesprek over AI-consultancy brengen we eerst in kaart waar zoekproblemen de meeste tijd kosten. Of maak een AI-scan om te zien waar AI in jouw organisatie het meeste oplevert.