AI draait allang niet meer alleen om chatten. De echte kracht ontstaat wanneer een AI-model jouw eigen kennis, documenten, handleidingen, e-mails of projectinformatie begrijpt en kan terugvinden. Daarvoor worden embeddings gebruikt.

Gemini Embedding 2: Geef je FileMaker-oplossing een AI-geheugen

Met de introductie van Gemini Embedding 2 heeft Google een van de krachtigste embedding-modellen van dit moment beschikbaar gemaakt. Maar wat zijn embeddings precies, waarom zijn ze belangrijk en hoe kun je ze inzetten binnen een FileMaker-oplossing?

Wat zijn embeddings?

Een embedding kun je zien als een numerieke representatie van tekst.

Wanneer je een document, handleiding of e-mail door een embedding-model haalt, wordt deze omgezet naar een lange lijst getallen (een vector). Die getallen vertegenwoordigen niet de exacte woorden, maar de betekenis van de tekst.

Daardoor kunnen twee teksten die dezelfde betekenis hebben, dicht bij elkaar liggen in de zogenaamde vectorruimte, zelfs als er totaal andere woorden worden gebruikt.

Voorbeeld

Document

Hoe maak ik een factuur aan in FileMaker?

Vraag gebruiker

Op welke manier kan ik een nieuwe rekening genereren?

Voor een traditionele zoekmachine lijken dit twee verschillende teksten. Voor een embedding-model zijn ze vrijwel identiek.

Dat maakt semantisch zoeken mogelijk.

Waarom Gemini Embedding 2?

Google heeft Gemini Embedding 2 ontwikkeld als opvolger van eerdere embedding-modellen.

Belangrijke voordelen zijn:

Hogere nauwkeurigheid bij semantisch zoeken
Sterke prestaties op zakelijke documenten
Ondersteuning voor meerdere talen
Geschikt voor grote kennisbanken
Lagere kosten dan het telkens meesturen van complete documenten naar een Large Language Model
Snelle verwerking van grote hoeveelheden data

Voor organisaties die AI willen combineren met hun eigen kennis is dit een belangrijke bouwsteen.

Hoe werkt het?

Het proces bestaat uit vier stappen.

Stap 1: Verzamel je kennis

Denk aan:

Handleidingen
Procedures
Projectdocumentatie
Klantdossiers
Supporttickets
Contracten
Productinformatie
Veiligheidsdocumentatie

Stap 2: Maak embeddings

Iedere tekst wordt naar Gemini Embedding 2 gestuurd.

Het model retourneert een vector zoals:

json [ 0.0245, -0.8121, 0.4431, ... ]

Deze vector wordt opgeslagen in een vector database.

Stap 3: Gebruiker stelt een vraag

Bijvoorbeeld:

Hoe voeg ik een gebruiker toe aan het systeem?

Ook deze vraag wordt omgezet naar een embedding.

Stap 4: Zoek vergelijkbare kennis

Met vector search wordt gezocht welke documenten het dichtst bij de vraag liggen.

De gevonden documenten worden vervolgens meegestuurd naar een Large Language Model zoals Gemini, Claude of ChatGPT.

Dit proces noemen we:

Retrieval Augmented Generation (RAG)

Met RAG kan een AI-model antwoorden geven op basis van jouw eigen kennis in plaats van alleen zijn trainingsdata.

Waarom is dit interessant voor FileMaker?

Veel organisaties hebben hun bedrijfskennis opgeslagen in FileMaker.

Denk aan:

CRM-data
Tickets
Projectdossiers
Kennisbanken
Productdocumentatie
Veiligheidsprocedures
Contractinformatie
Interne handleidingen

Traditioneel moet een medewerker zoeken via trefwoorden.

Met embeddings kan een gebruiker simpelweg een vraag stellen:

Welke procedure geldt wanneer een medewerker een bijna-ongeval meldt?

De AI zoekt vervolgens automatisch naar de meest relevante documenten en genereert een antwoord op basis van de gevonden informatie.

Praktijkvoorbeeld: HSE-platform

Stel dat je een HSE-platform beheert met:

Toolbox meetings
Veiligheidsinstructies
Risicoanalyses
Incidentrapporten
Procedures
Werkvergunningen

Door alle documenten te embedden ontstaat een intelligente kennisassistent.

Gebruikers kunnen vragen stellen zoals:

Wat moet ik doen bij een valincident?
Welke PBM's zijn verplicht voor werken op hoogte?
Wat zegt onze procedure over het melden van een near miss?
Welke trainingen zijn vereist voor deze werkzaamheden?

De AI zoekt direct in alle beschikbare documentatie en presenteert een antwoord inclusief bronvermelding.

Gemini Embedding 2 combineren met FileMaker

Een mogelijke architectuur ziet er als volgt uit:

text FileMaker │ ├── Documenten ├── Tickets ├── Procedures └── CRM-data │ ▼ Gemini Embedding 2 │ ▼ Vector Database (Pinecone / Weaviate / Qdrant / pgvector) │ ▼ Gemini / Claude / ChatGPT │ ▼ Antwoord

Nieuwe documenten kunnen automatisch worden verwerkt zodra ze in FileMaker worden opgeslagen.

Daardoor blijft de kennisbank altijd actueel.

Wanneer gebruik je embeddings?

Embeddings zijn interessant wanneer je:

Meer dan enkele honderden documenten hebt
Natuurlijk taalgebruik wilt ondersteunen
AI wilt laten antwoorden op basis van eigen kennis
Slimme zoekfunctionaliteit wilt bouwen
Chatbots wilt voeden met bedrijfsinformatie
Supportprocessen wilt automatiseren
Kennis wilt ontsluiten die nu verborgen zit in documenten

Voor eenvoudige keyword-search zijn embeddings vaak niet nodig.

Voor AI-gedreven kennisplatformen zijn ze inmiddels vrijwel onmisbaar.

Praktische toepassingen

Binnen FileMaker zien wij steeds vaker toepassingen zoals:

AI Helpdesk

Laat gebruikers vragen stellen over handleidingen, procedures en werkinstructies.

Slimme documentzoeker

Vind documenten op betekenis in plaats van op trefwoorden.

Klantondersteuning

Zoek automatisch relevante supporttickets uit het verleden.

Veiligheidsmanagement

Maak veiligheidsprocedures direct toegankelijk voor medewerkers op locatie.

CRM Intelligence

Laat AI relevante klantinformatie verzamelen uit duizenden notities en contactmomenten.

Projectassistent

Zoek snel eerdere projectervaringen, oplossingen en documentatie.

Conclusie

Gemini Embedding 2 vormt een belangrijke bouwsteen voor moderne AI-oplossingen.

Door bedrijfskennis om te zetten naar vectoren wordt het mogelijk om informatie niet alleen op woorden, maar vooral op betekenis terug te vinden.

Voor FileMaker-ontwikkelaars opent dit de deur naar:

Intelligente kennisbanken
AI-assistenten
Semantische zoekmachines
Geavanceerde RAG-oplossingen
Slimmere helpdesks
Kennisgestuurde chatbots

Waar Large Language Models zorgen voor het genereren van antwoorden, zorgen embeddings ervoor dat de juiste kennis wordt gevonden.

En juist die combinatie maakt zakelijke AI écht waardevol.

Meer weten?

Wil je weten hoe je Gemini Embedding 2 kunt combineren met FileMaker, een vector database en een AI-model zoals Gemini, Claude of ChatGPT?

Neem contact op met Loggix. Wij helpen organisaties bij het bouwen van AI-oplossingen die gebruikmaken van hun eigen data, processen en kennis.