Steeds meer organisaties willen AI inzetten op een manier die aansluit op hun eigen processen, documenten en kennis. Een generiek taalmodel is daarbij vaak niet genoeg. Wie betrouwbare antwoorden wil op basis van interne informatie, komt al snel uit bij RAG.
RAG staat voor Retrieval Augmented Generation. Binnen Azure AI Foundry is dit een krachtige manier om AI-agents te laten werken met informatie uit bijvoorbeeld beleidsdocumenten, handleidingen, productspecificaties of kennisbanken. In dit artikel leggen we uit wat RAG is, hoe het werkt in Azure AI Foundry en wat de verschillen zijn tussen file upload, classic search en Foundry IQ.
Wat is RAG?
RAG is een techniek waarbij een AI-model eerst relevante informatie ophaalt uit externe bronnen en die informatie daarna gebruikt om een antwoord te genereren. In plaats van alleen te vertrouwen op trainingsdata of de lopende conversatie, krijgt het model extra context uit jouw eigen omgeving.
Dat is belangrijk, omdat een taalmodel zonder extra context geen directe toegang heeft tot jouw actuele bedrijfsinformatie. Denk aan interne procedures, productsheets, contractinformatie of veelgestelde vragen. Met RAG voeg je die kennis wel toe aan het antwoordproces.
Voor organisaties betekent dit dat AI niet alleen slimmer wordt, maar vooral bruikbaarder. Antwoorden worden specifieker, beter onderbouwd en relevanter voor de praktijk.
Meer tips zoals dit?
Schrijf je dan in voor onze nieuwsbrief!
Hoe werkt RAG in Azure AI Foundry?
Binnen Azure AI Foundry bestaat een RAG-oplossing meestal uit drie onderdelen.
De eerste bouwsteen is de kennisbron. Dat kunnen bestanden, blob storage, SharePoint-bronnen of andere gekoppelde databronnen zijn.
De tweede bouwsteen is de retrieval-laag. Hier speelt Azure AI Search vaak een centrale rol. Deze service maakt content doorzoekbaar en ondersteunt onder andere vector search en semantische zoekfunctionaliteit.
De derde bouwsteen is de AI-agent zelf. Die ontvangt de vraag van de gebruiker, laat relevante informatie ophalen en gebruikt die context om een passend antwoord te genereren.
Juist die combinatie maakt Azure AI Foundry interessant voor organisaties die AI veilig en gecontroleerd willen inzetten op eigen data.
Drie manieren om RAG toe te passen in Azure AI Foundry
Binnen Azure AI Foundry zijn er drie veelgebruikte manieren om RAG in te richten:
- file upload
- classic search
- agentic retrieval, ook wel Foundry IQ
Elke aanpak heeft een eigen plaats binnen de volwassenheid van een AI-oplossing.
File upload in Azure AI Foundry
De snelste manier om RAG te gebruiken in Azure AI Foundry is via file upload. Je koppelt bestanden direct aan een agent in het Foundry-portaal. Die bestanden worden op de achtergrond verwerkt en doorzoekbaar gemaakt, zodat de agent antwoorden kan geven op basis van die inhoud.
Deze aanpak is vooral geschikt voor een eerste pilot of proof of concept. Je kunt snel testen of een use case werkt, zonder direct een uitgebreide architectuur op te zetten.
Voordelen van file upload:
- snel in te richten
- laagdrempelig voor experimenten
- geschikt voor demo’s en eerste validatie
Aandachtspunten:
- beperkte controle over de onderliggende zoekstructuur
- minder geschikt voor complexe of grootschalige productieomgevingen
- minder flexibel in beheer en schaalbaarheid
Voor organisaties die snel willen starten met een AI-agent op eigen documenten, is dit vaak de meest praktische eerste stap.
Classic search met Azure AI Search
De tweede aanpak is classic search. Hierbij sla je informatie bijvoorbeeld op in Azure Blob Storage en gebruik je Azure AI Search om de data te indexeren en doorzoekbaar te maken. Die index koppel je vervolgens aan een agent in Azure AI Foundry.
Deze opzet vraagt meer inrichting, maar geeft ook meer controle. Je bepaalt zelf hoe data wordt opgeslagen, verwerkt en ontsloten. Daardoor is classic search vaak beter geschikt voor organisaties die RAG structureel willen inzetten.
Voordelen van classic search:
- meer grip op architectuur en dataverwerking
- beter geschikt voor beheer, schaalbaarheid en updates
- robuuste basis voor zakelijke toepassingen
Aandachtspunten:
- meer technische inrichting nodig
- hogere complexiteit dan file upload
- kosten van Azure AI Search moeten goed worden meegenomen
Classic search is een logische keuze wanneer een organisatie de stap wil maken van experiment naar een meer beheerste en duurzame oplossing.
Foundry IQ en agentic retrieval
De meest geavanceerde vorm van RAG binnen Azure AI Foundry is agentic retrieval, ook bekend als Foundry IQ. Hierbij werk je niet alleen met één zoekindex, maar met een knowledge base die meerdere knowledge sources kan bevatten.
Denk aan aparte bronnen voor FAQ’s, beleidsinformatie, productdata en procedures. Op basis van de gebruikersvraag bepaalt het systeem welke bron of combinatie van bronnen het meest relevant is. Daarbij kunnen meerdere subqueries worden uitgevoerd en resultaten uit verschillende bronnen worden samengebracht.
Dit maakt Foundry IQ bijzonder geschikt voor organisaties met verspreide kennis over meerdere domeinen of afdelingen.
Voordelen van Foundry IQ:
- ondersteuning voor meerdere knowledge sources
- slimmere selectie van relevante bronnen
- beter geschikt voor complexere kennisvragen
- mogelijkheid om retrieval en antwoordvorming verder te optimaliseren
Aandachtspunten:
- meest uitgebreide inrichting van de drie varianten
- vraagt goede structuur in bronnen en beschrijvingen
- kosten en governance verdienen extra aandacht
Een belangrijk voordeel is dat Foundry IQ niet alleen informatie ophaalt, maar ook redeneert over waar die informatie het best gevonden kan worden. Daarmee is het een sterke basis voor meer volwassen AI-agents binnen de Microsoft-stack.
Wat is het verschil tussen file upload, classic search en Foundry IQ?
Het verschil zit vooral in snelheid, controle en intelligentie.
File upload is de snelste route. Je levert iets in op flexibiliteit, maar wint tijd en eenvoud.
Classic search biedt meer controle. Je bouwt een steviger fundament, maar moet daar ook meer voor inrichten.
Foundry IQ gaat nog een stap verder. Deze aanpak is vooral interessant wanneer je AI-agents wilt laten werken met meerdere kennisbronnen en complexere vragen.
In de praktijk zien we vaak dat organisaties beginnen met file upload, doorgroeien naar classic search en uiteindelijk Foundry IQ verkennen wanneer meerdere databronnen of geavanceerdere scenario’s in beeld komen.
Waar moet je op letten bij RAG in Azure AI Foundry?
Een goede RAG-oplossing begint niet bij de techniek, maar bij de vraag welke kennis je beschikbaar wilt maken en voor wie. De kwaliteit van de uitkomst hangt sterk af van de kwaliteit van de brondata.
Belangrijke aandachtspunten zijn:
- zijn de documenten actueel en betrouwbaar
- is de informatie logisch gestructureerd
- hoe vaak verandert de brondata
- welke antwoorden moet de agent wel en niet geven
- hoe wil je bronverwijzingen of referenties tonen
Daarnaast zijn kosten een belangrijk thema. Zeker bij Azure AI Search, embeddings en grotere kennisomgevingen is het verstandig om vooraf goed te kijken naar verbruik, schaal en beheer.
Wanneer kies je welke RAG-aanpak?
Wil je snel starten met een eerste use case, dan is file upload meestal de beste keuze.
Wil je meer grip op architectuur, updates en beheer, dan past classic search beter.
Werk je met meerdere kennisbronnen en complexere informatievragen, dan is Foundry IQ de meest logische volgende stap.
De juiste keuze hangt dus niet alleen af van techniek, maar vooral van volwassenheid, ambitie en de rol die AI binnen de organisatie moet gaan spelen.
Conclusie
RAG in Azure AI Foundry maakt het mogelijk om AI-agents te bouwen die antwoorden geven op basis van eigen bedrijfskennis. Dat is essentieel voor organisaties die AI betrouwbaar, relevant en praktisch inzetbaar willen maken.
Of je nu kiest voor file upload, classic search of Foundry IQ: elke aanpak heeft zijn eigen waarde. De kunst is om te starten met een heldere use case en vervolgens een architectuur te kiezen die past bij je doelen, beheerwensen en schaal.
Cloudigy helpt organisaties bij het ontwerpen en realiseren van AI-oplossingen binnen het Microsoft-platform. Daarbij kijken we niet alleen naar de techniek, maar vooral naar de toepasbaarheid in processen, beheer en adoptie.
Benieuwd wat dit voor jouw organisatie betekend?
Neem vrijblijvend contact met ons op en wij helpen je verder.