[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"$fS3kniE9387ue9CPankx7JNX25Q6vx9G65HQx77Khlu4":3},{"item":4},{"id":5,"idKnowledge":6,"slug":7,"title":8,"description":9,"bodyMarkdown":10,"bodyHtml":11,"author":12,"date":13,"createdAt":14,"topics":15,"image":19,"hasDownload":20,"fileName":21},"23","9049C8F8-76AB-234D-9528-B67BE198E1AD","gemini-embedding-2-geef-je-filemaker-oplossing-een-ai-geheugen","Gemini Embedding 2: Geef je FileMaker-oplossing een AI-geheugen","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\n\nAI 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.\n\nMet 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?\n\n---\n\n## Wat zijn embeddings?\n\nEen embedding kun je zien als een numerieke representatie van tekst.\n\nWanneer 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.\n\nDaardoor kunnen twee teksten die dezelfde betekenis hebben, dicht bij elkaar liggen in de zogenaamde vectorruimte, zelfs als er totaal andere woorden worden gebruikt.\n\n### Voorbeeld\n\nDocument\n\n> Hoe maak ik een factuur aan in FileMaker?\n\nVraag gebruiker\n\n> Op welke manier kan ik een nieuwe rekening genereren?\n\nVoor een traditionele zoekmachine lijken dit twee verschillende teksten. Voor een embedding-model zijn ze vrijwel identiek.\n\nDat maakt semantisch zoeken mogelijk.\n\n---\n\n## Waarom Gemini Embedding 2?\n\nGoogle heeft Gemini Embedding 2 ontwikkeld als opvolger van eerdere embedding-modellen.\n\nBelangrijke voordelen zijn:\n\n- Hogere nauwkeurigheid bij semantisch zoeken\n- Sterke prestaties op zakelijke documenten\n- Ondersteuning voor meerdere talen\n- Geschikt voor grote kennisbanken\n- Lagere kosten dan het telkens meesturen van complete documenten naar een Large Language Model\n- Snelle verwerking van grote hoeveelheden data\n\nVoor organisaties die AI willen combineren met hun eigen kennis is dit een belangrijke bouwsteen.\n\n---\n\n## Hoe werkt het?\n\nHet proces bestaat uit vier stappen.\n\n### Stap 1: Verzamel je kennis\n\nDenk aan:\n\n- Handleidingen\n- Procedures\n- Projectdocumentatie\n- Klantdossiers\n- Supporttickets\n- Contracten\n- Productinformatie\n- Veiligheidsdocumentatie\n\n### Stap 2: Maak embeddings\n\nIedere tekst wordt naar Gemini Embedding 2 gestuurd.\n\nHet model retourneert een vector zoals:\n\njson [   0.0245,   -0.8121,   0.4431,   ... ] \n\nDeze vector wordt opgeslagen in een vector database.\n\n### Stap 3: Gebruiker stelt een vraag\n\nBijvoorbeeld:\n\n> Hoe voeg ik een gebruiker toe aan het systeem?\n\nOok deze vraag wordt omgezet naar een embedding.\n\n### Stap 4: Zoek vergelijkbare kennis\n\nMet vector search wordt gezocht welke documenten het dichtst bij de vraag liggen.\n\nDe gevonden documenten worden vervolgens meegestuurd naar een Large Language Model zoals Gemini, Claude of ChatGPT.\n\nDit proces noemen we:\n\n## Retrieval Augmented Generation (RAG)\n\nMet RAG kan een AI-model antwoorden geven op basis van jouw eigen kennis in plaats van alleen zijn trainingsdata.\n\n---\n\n## Waarom is dit interessant voor FileMaker?\n\nVeel organisaties hebben hun bedrijfskennis opgeslagen in FileMaker.\n\nDenk aan:\n\n- CRM-data\n- Tickets\n- Projectdossiers\n- Kennisbanken\n- Productdocumentatie\n- Veiligheidsprocedures\n- Contractinformatie\n- Interne handleidingen\n\nTraditioneel moet een medewerker zoeken via trefwoorden.\n\nMet embeddings kan een gebruiker simpelweg een vraag stellen:\n\n> Welke procedure geldt wanneer een medewerker een bijna-ongeval meldt?\n\nDe AI zoekt vervolgens automatisch naar de meest relevante documenten en genereert een antwoord op basis van de gevonden informatie.\n\n---\n\n## Praktijkvoorbeeld: HSE-platform\n\nStel dat je een HSE-platform beheert met:\n\n- Toolbox meetings\n- Veiligheidsinstructies\n- Risicoanalyses\n- Incidentrapporten\n- Procedures\n- Werkvergunningen\n\nDoor alle documenten te embedden ontstaat een intelligente kennisassistent.\n\nGebruikers kunnen vragen stellen zoals:\n\n- Wat moet ik doen bij een valincident?\n- Welke PBM's zijn verplicht voor werken op hoogte?\n- Wat zegt onze procedure over het melden van een near miss?\n- Welke trainingen zijn vereist voor deze werkzaamheden?\n\nDe AI zoekt direct in alle beschikbare documentatie en presenteert een antwoord inclusief bronvermelding.\n\n---\n\n## Gemini Embedding 2 combineren met FileMaker\n\nEen mogelijke architectuur ziet er als volgt uit:\n\ntext FileMaker     │     ├── Documenten     ├── Tickets     ├── Procedures     └── CRM-data             │             ▼     Gemini Embedding 2             │             ▼       Vector Database  (Pinecone \u002F Weaviate \u002F Qdrant \u002F pgvector)             │             ▼  Gemini \u002F Claude \u002F ChatGPT             │             ▼         Antwoord \n\nNieuwe documenten kunnen automatisch worden verwerkt zodra ze in FileMaker worden opgeslagen.\n\nDaardoor blijft de kennisbank altijd actueel.\n\n---\n\n## Wanneer gebruik je embeddings?\n\nEmbeddings zijn interessant wanneer je:\n\n- Meer dan enkele honderden documenten hebt\n- Natuurlijk taalgebruik wilt ondersteunen\n- AI wilt laten antwoorden op basis van eigen kennis\n- Slimme zoekfunctionaliteit wilt bouwen\n- Chatbots wilt voeden met bedrijfsinformatie\n- Supportprocessen wilt automatiseren\n- Kennis wilt ontsluiten die nu verborgen zit in documenten\n\nVoor eenvoudige keyword-search zijn embeddings vaak niet nodig.\n\nVoor AI-gedreven kennisplatformen zijn ze inmiddels vrijwel onmisbaar.\n\n---\n\n## Praktische toepassingen\n\nBinnen FileMaker zien wij steeds vaker toepassingen zoals:\n\n### AI Helpdesk\n\nLaat gebruikers vragen stellen over handleidingen, procedures en werkinstructies.\n\n### Slimme documentzoeker\n\nVind documenten op betekenis in plaats van op trefwoorden.\n\n### Klantondersteuning\n\nZoek automatisch relevante supporttickets uit het verleden.\n\n### Veiligheidsmanagement\n\nMaak veiligheidsprocedures direct toegankelijk voor medewerkers op locatie.\n\n### CRM Intelligence\n\nLaat AI relevante klantinformatie verzamelen uit duizenden notities en contactmomenten.\n\n### Projectassistent\n\nZoek snel eerdere projectervaringen, oplossingen en documentatie.\n\n---\n\n## Conclusie\n\nGemini Embedding 2 vormt een belangrijke bouwsteen voor moderne AI-oplossingen.\n\nDoor bedrijfskennis om te zetten naar vectoren wordt het mogelijk om informatie niet alleen op woorden, maar vooral op betekenis terug te vinden.\n\nVoor FileMaker-ontwikkelaars opent dit de deur naar:\n\n- Intelligente kennisbanken\n- AI-assistenten\n- Semantische zoekmachines\n- Geavanceerde RAG-oplossingen\n- Slimmere helpdesks\n- Kennisgestuurde chatbots\n\nWaar Large Language Models zorgen voor het genereren van antwoorden, zorgen embeddings ervoor dat de juiste kennis wordt gevonden.\n\nEn juist die combinatie maakt zakelijke AI écht waardevol.\n\n---\n\n## Meer weten?\n\nWil je weten hoe je Gemini Embedding 2 kunt combineren met FileMaker, een vector database en een AI-model zoals Gemini, Claude of ChatGPT?\n\nNeem contact op met Loggix. Wij helpen organisaties bij het bouwen van AI-oplossingen die gebruikmaken van hun eigen data, processen en kennis.","\u003Ch1>Gemini Embedding 2: Geef je FileMaker-oplossing een AI-geheugen\u003C\u002Fh1>\n\u003Cp>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.\u003C\u002Fp>\n\u003Cp>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?\u003C\u002Fp>\n\u003Chr>\n\u003Ch2>Wat zijn embeddings?\u003C\u002Fh2>\n\u003Cp>Een embedding kun je zien als een numerieke representatie van tekst.\u003C\u002Fp>\n\u003Cp>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.\u003C\u002Fp>\n\u003Cp>Daardoor kunnen twee teksten die dezelfde betekenis hebben, dicht bij elkaar liggen in de zogenaamde vectorruimte, zelfs als er totaal andere woorden worden gebruikt.\u003C\u002Fp>\n\u003Ch3>Voorbeeld\u003C\u002Fh3>\n\u003Cp>Document\u003C\u002Fp>\n\u003Cblockquote>\n\u003Cp>Hoe maak ik een factuur aan in FileMaker?\u003C\u002Fp>\n\u003C\u002Fblockquote>\n\u003Cp>Vraag gebruiker\u003C\u002Fp>\n\u003Cblockquote>\n\u003Cp>Op welke manier kan ik een nieuwe rekening genereren?\u003C\u002Fp>\n\u003C\u002Fblockquote>\n\u003Cp>Voor een traditionele zoekmachine lijken dit twee verschillende teksten. Voor een embedding-model zijn ze vrijwel identiek.\u003C\u002Fp>\n\u003Cp>Dat maakt semantisch zoeken mogelijk.\u003C\u002Fp>\n\u003Chr>\n\u003Ch2>Waarom Gemini Embedding 2?\u003C\u002Fh2>\n\u003Cp>Google heeft Gemini Embedding 2 ontwikkeld als opvolger van eerdere embedding-modellen.\u003C\u002Fp>\n\u003Cp>Belangrijke voordelen zijn:\u003C\u002Fp>\n\u003Cul>\n\u003Cli>Hogere nauwkeurigheid bij semantisch zoeken\u003C\u002Fli>\n\u003Cli>Sterke prestaties op zakelijke documenten\u003C\u002Fli>\n\u003Cli>Ondersteuning voor meerdere talen\u003C\u002Fli>\n\u003Cli>Geschikt voor grote kennisbanken\u003C\u002Fli>\n\u003Cli>Lagere kosten dan het telkens meesturen van complete documenten naar een Large Language Model\u003C\u002Fli>\n\u003Cli>Snelle verwerking van grote hoeveelheden data\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>Voor organisaties die AI willen combineren met hun eigen kennis is dit een belangrijke bouwsteen.\u003C\u002Fp>\n\u003Chr>\n\u003Ch2>Hoe werkt het?\u003C\u002Fh2>\n\u003Cp>Het proces bestaat uit vier stappen.\u003C\u002Fp>\n\u003Ch3>Stap 1: Verzamel je kennis\u003C\u002Fh3>\n\u003Cp>Denk aan:\u003C\u002Fp>\n\u003Cul>\n\u003Cli>Handleidingen\u003C\u002Fli>\n\u003Cli>Procedures\u003C\u002Fli>\n\u003Cli>Projectdocumentatie\u003C\u002Fli>\n\u003Cli>Klantdossiers\u003C\u002Fli>\n\u003Cli>Supporttickets\u003C\u002Fli>\n\u003Cli>Contracten\u003C\u002Fli>\n\u003Cli>Productinformatie\u003C\u002Fli>\n\u003Cli>Veiligheidsdocumentatie\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Ch3>Stap 2: Maak embeddings\u003C\u002Fh3>\n\u003Cp>Iedere tekst wordt naar Gemini Embedding 2 gestuurd.\u003C\u002Fp>\n\u003Cp>Het model retourneert een vector zoals:\u003C\u002Fp>\n\u003Cp>json [   0.0245,   -0.8121,   0.4431,   ... ] \u003C\u002Fp>\n\u003Cp>Deze vector wordt opgeslagen in een vector database.\u003C\u002Fp>\n\u003Ch3>Stap 3: Gebruiker stelt een vraag\u003C\u002Fh3>\n\u003Cp>Bijvoorbeeld:\u003C\u002Fp>\n\u003Cblockquote>\n\u003Cp>Hoe voeg ik een gebruiker toe aan het systeem?\u003C\u002Fp>\n\u003C\u002Fblockquote>\n\u003Cp>Ook deze vraag wordt omgezet naar een embedding.\u003C\u002Fp>\n\u003Ch3>Stap 4: Zoek vergelijkbare kennis\u003C\u002Fh3>\n\u003Cp>Met vector search wordt gezocht welke documenten het dichtst bij de vraag liggen.\u003C\u002Fp>\n\u003Cp>De gevonden documenten worden vervolgens meegestuurd naar een Large Language Model zoals Gemini, Claude of ChatGPT.\u003C\u002Fp>\n\u003Cp>Dit proces noemen we:\u003C\u002Fp>\n\u003Ch2>Retrieval Augmented Generation (RAG)\u003C\u002Fh2>\n\u003Cp>Met RAG kan een AI-model antwoorden geven op basis van jouw eigen kennis in plaats van alleen zijn trainingsdata.\u003C\u002Fp>\n\u003Chr>\n\u003Ch2>Waarom is dit interessant voor FileMaker?\u003C\u002Fh2>\n\u003Cp>Veel organisaties hebben hun bedrijfskennis opgeslagen in FileMaker.\u003C\u002Fp>\n\u003Cp>Denk aan:\u003C\u002Fp>\n\u003Cul>\n\u003Cli>CRM-data\u003C\u002Fli>\n\u003Cli>Tickets\u003C\u002Fli>\n\u003Cli>Projectdossiers\u003C\u002Fli>\n\u003Cli>Kennisbanken\u003C\u002Fli>\n\u003Cli>Productdocumentatie\u003C\u002Fli>\n\u003Cli>Veiligheidsprocedures\u003C\u002Fli>\n\u003Cli>Contractinformatie\u003C\u002Fli>\n\u003Cli>Interne handleidingen\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>Traditioneel moet een medewerker zoeken via trefwoorden.\u003C\u002Fp>\n\u003Cp>Met embeddings kan een gebruiker simpelweg een vraag stellen:\u003C\u002Fp>\n\u003Cblockquote>\n\u003Cp>Welke procedure geldt wanneer een medewerker een bijna-ongeval meldt?\u003C\u002Fp>\n\u003C\u002Fblockquote>\n\u003Cp>De AI zoekt vervolgens automatisch naar de meest relevante documenten en genereert een antwoord op basis van de gevonden informatie.\u003C\u002Fp>\n\u003Chr>\n\u003Ch2>Praktijkvoorbeeld: HSE-platform\u003C\u002Fh2>\n\u003Cp>Stel dat je een HSE-platform beheert met:\u003C\u002Fp>\n\u003Cul>\n\u003Cli>Toolbox meetings\u003C\u002Fli>\n\u003Cli>Veiligheidsinstructies\u003C\u002Fli>\n\u003Cli>Risicoanalyses\u003C\u002Fli>\n\u003Cli>Incidentrapporten\u003C\u002Fli>\n\u003Cli>Procedures\u003C\u002Fli>\n\u003Cli>Werkvergunningen\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>Door alle documenten te embedden ontstaat een intelligente kennisassistent.\u003C\u002Fp>\n\u003Cp>Gebruikers kunnen vragen stellen zoals:\u003C\u002Fp>\n\u003Cul>\n\u003Cli>Wat moet ik doen bij een valincident?\u003C\u002Fli>\n\u003Cli>Welke PBM's zijn verplicht voor werken op hoogte?\u003C\u002Fli>\n\u003Cli>Wat zegt onze procedure over het melden van een near miss?\u003C\u002Fli>\n\u003Cli>Welke trainingen zijn vereist voor deze werkzaamheden?\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>De AI zoekt direct in alle beschikbare documentatie en presenteert een antwoord inclusief bronvermelding.\u003C\u002Fp>\n\u003Chr>\n\u003Ch2>Gemini Embedding 2 combineren met FileMaker\u003C\u002Fh2>\n\u003Cp>Een mogelijke architectuur ziet er als volgt uit:\u003C\u002Fp>\n\u003Cp>text FileMaker     │     ├── Documenten     ├── Tickets     ├── Procedures     └── CRM-data             │             ▼     Gemini Embedding 2             │             ▼       Vector Database  (Pinecone \u002F Weaviate \u002F Qdrant \u002F pgvector)             │             ▼  Gemini \u002F Claude \u002F ChatGPT             │             ▼         Antwoord \u003C\u002Fp>\n\u003Cp>Nieuwe documenten kunnen automatisch worden verwerkt zodra ze in FileMaker worden opgeslagen.\u003C\u002Fp>\n\u003Cp>Daardoor blijft de kennisbank altijd actueel.\u003C\u002Fp>\n\u003Chr>\n\u003Ch2>Wanneer gebruik je embeddings?\u003C\u002Fh2>\n\u003Cp>Embeddings zijn interessant wanneer je:\u003C\u002Fp>\n\u003Cul>\n\u003Cli>Meer dan enkele honderden documenten hebt\u003C\u002Fli>\n\u003Cli>Natuurlijk taalgebruik wilt ondersteunen\u003C\u002Fli>\n\u003Cli>AI wilt laten antwoorden op basis van eigen kennis\u003C\u002Fli>\n\u003Cli>Slimme zoekfunctionaliteit wilt bouwen\u003C\u002Fli>\n\u003Cli>Chatbots wilt voeden met bedrijfsinformatie\u003C\u002Fli>\n\u003Cli>Supportprocessen wilt automatiseren\u003C\u002Fli>\n\u003Cli>Kennis wilt ontsluiten die nu verborgen zit in documenten\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>Voor eenvoudige keyword-search zijn embeddings vaak niet nodig.\u003C\u002Fp>\n\u003Cp>Voor AI-gedreven kennisplatformen zijn ze inmiddels vrijwel onmisbaar.\u003C\u002Fp>\n\u003Chr>\n\u003Ch2>Praktische toepassingen\u003C\u002Fh2>\n\u003Cp>Binnen FileMaker zien wij steeds vaker toepassingen zoals:\u003C\u002Fp>\n\u003Ch3>AI Helpdesk\u003C\u002Fh3>\n\u003Cp>Laat gebruikers vragen stellen over handleidingen, procedures en werkinstructies.\u003C\u002Fp>\n\u003Ch3>Slimme documentzoeker\u003C\u002Fh3>\n\u003Cp>Vind documenten op betekenis in plaats van op trefwoorden.\u003C\u002Fp>\n\u003Ch3>Klantondersteuning\u003C\u002Fh3>\n\u003Cp>Zoek automatisch relevante supporttickets uit het verleden.\u003C\u002Fp>\n\u003Ch3>Veiligheidsmanagement\u003C\u002Fh3>\n\u003Cp>Maak veiligheidsprocedures direct toegankelijk voor medewerkers op locatie.\u003C\u002Fp>\n\u003Ch3>CRM Intelligence\u003C\u002Fh3>\n\u003Cp>Laat AI relevante klantinformatie verzamelen uit duizenden notities en contactmomenten.\u003C\u002Fp>\n\u003Ch3>Projectassistent\u003C\u002Fh3>\n\u003Cp>Zoek snel eerdere projectervaringen, oplossingen en documentatie.\u003C\u002Fp>\n\u003Chr>\n\u003Ch2>Conclusie\u003C\u002Fh2>\n\u003Cp>Gemini Embedding 2 vormt een belangrijke bouwsteen voor moderne AI-oplossingen.\u003C\u002Fp>\n\u003Cp>Door bedrijfskennis om te zetten naar vectoren wordt het mogelijk om informatie niet alleen op woorden, maar vooral op betekenis terug te vinden.\u003C\u002Fp>\n\u003Cp>Voor FileMaker-ontwikkelaars opent dit de deur naar:\u003C\u002Fp>\n\u003Cul>\n\u003Cli>Intelligente kennisbanken\u003C\u002Fli>\n\u003Cli>AI-assistenten\u003C\u002Fli>\n\u003Cli>Semantische zoekmachines\u003C\u002Fli>\n\u003Cli>Geavanceerde RAG-oplossingen\u003C\u002Fli>\n\u003Cli>Slimmere helpdesks\u003C\u002Fli>\n\u003Cli>Kennisgestuurde chatbots\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>Waar Large Language Models zorgen voor het genereren van antwoorden, zorgen embeddings ervoor dat de juiste kennis wordt gevonden.\u003C\u002Fp>\n\u003Cp>En juist die combinatie maakt zakelijke AI écht waardevol.\u003C\u002Fp>\n\u003Chr>\n\u003Ch2>Meer weten?\u003C\u002Fh2>\n\u003Cp>Wil je weten hoe je Gemini Embedding 2 kunt combineren met FileMaker, een vector database en een AI-model zoals Gemini, Claude of ChatGPT?\u003C\u002Fp>\n\u003Cp>Neem contact op met Loggix. Wij helpen organisaties bij het bouwen van AI-oplossingen die gebruikmaken van hun eigen data, processen en kennis.\u003C\u002Fp>\n","Jeroen","2026-06-09",1781001771000,[16,17,18],"RAG","Vectorstore","Ai","\u002Fapi\u002Fknowledge\u002Fimage\u002F23\u002F?v=da8a1247cd2b",false,""]