Wat is Dot Product?

Wat is een dot product eigenlijk?

Stel je voor dat je twee boodschappenlijstjes hebt. Op het ene lijstje staan de hoeveelheden van wat je wilt kopen (3 appels, 2 broden, 5 eieren). Op het andere lijstje staan de prijzen (€0,50 per appel, €2,50 per brood, €0,30 per ei). Om je totaalbedrag te berekenen, vermenigvuldig je elke hoeveelheid met de bijbehorende prijs en tel je alles op: (3 × €0,50) + (2 × €2,50) + (5 × €0,30) = €8,00.

Dát is in essentie een dot product: je pakt twee reeksen getallen, vermenigvuldigt elk paar met elkaar, en telt alle uitkomsten bij elkaar op tot één enkel getal. In de wiskunde schrijf je dit als een 'inproduct', maar in AI-land noemen we het meestal een dot product.

Waarom is dit zo belangrijk voor AI?

AI-modellen werken voortdurend met gigantische reeksen getallen — zogenaamde vectoren. Elk woord, elke afbeelding, elk stukje informatie wordt omgezet naar zo'n reeks. Het dot product is de basale rekenstap waarmee het model kan bepalen hoe gelijkaardig twee dingen zijn.

Denk aan een zoekfunctie. Jij typt "beste pizzarestaurant Amsterdam". Het model zet jouw vraag om naar een vector (een reeks van bijvoorbeeld 768 getallen). Elk restaurant in de database is óók een vector. Door het dot product te berekenen tussen jouw vraagvector en elke restaurantvector krijgt het model een score: hoe hoger het getal, hoe relevanter die match.

Zo werkt het ook bij de aandachtsmechanismen in grote taalmodellen. Wanneer het model een zin verwerkt, berekent het voor elk woord dot products met alle andere woorden om te bepalen waar het zijn 'aandacht' op moet richten. Welk woord hangt met welk ander woord samen? Die berekening gebeurt miljarden keren per seconde.

Een voorbeeld uit de praktijk

Stel, je gebruikt een AI-assistent en vraagt: "Vertel me iets over ijsberen." Het model heeft ergens opgeslagen dat 'ijsberen' sterk verbonden zijn met 'Noordpool', 'wit', 'zoogdier' en 'bedreigd'. Al die concepten zijn vectoren.

Het model berekent nu dot products tussen jouw vraag en alle informatie die het heeft. De vector voor 'Noordpool' geeft een hoge score, net als 'klimaatverandering' en 'poolijs'. De vector voor 'tropisch regenwoud' geeft een lage score. Door al die scores te vergelijken weet het model welke informatie het beste past bij jouw vraag.

Ditzelfde principe werkt bij beeldherkenning. Een foto van een hond wordt een vector. Het model berekent dot products met bekende patronen ('vier poten', 'vacht', 'snuit') en concludeert: dit is een hond.

Waar kom je het tegen?

Je merkt dot products niet direct, maar ze draaien op de achtergrond bij:

• ChatGPT, Claude, Gemini — elke zin die ze genereren, is gebouwd op miljarden dot product-berekeningen

• Zoeksystemen — Google, Bing, maar ook interne bedrijfszoekmachines gebruiken dit om relevantie te bepalen

• Aanbevelingssystemen — Netflix, Spotify, YouTube berekenen dot products tussen jouw smaakprofiel en beschikbare content

• Beeldherkenning — van gezichtsherkenning op je telefoon tot kwaliteitscontrole in fabrieken

• RAG-systemen — als een chatbot informatie ophaalt uit een kennisbank, gebeurt dat via dot products tussen je vraag en opgeslagen documenten

Zelfs bij embeddings — de vectorrepresentaties die overal in moderne AI gebruikt worden — is het dot product de standaardmanier om gelijkenis te meten.

Wat betekent dit voor jou?

Je hoeft geen wiskundige te zijn om AI te gebruiken, maar het helpt om te weten dat achter elke 'intelligente' keuze die een model maakt, deze simpele rekenstap zit. Het is geen magie — het is systematisch patronen vergelijken door getallen met elkaar te vermenigvuldigen en op te tellen.

Als je ooit gefrustreerd bent omdat een AI-tool niet vindt wat je zoekt, kan het helpen om je vraag anders te formuleren. Je verandert daarmee letterlijk de getallen in je vraagvector, waardoor andere dot products — en dus andere matches — ontstaan. Het is een beetje als het anders intypen van zoektermen bij Google: je probeert dichter bij de 'vector' te komen van wat je zoekt.

Begrijp je hoe dot products werken, dan snap je ook beter waarom AI-modellen soms verrassend goed of juist verrassend slecht presteren — het hangt allemaal af van hoe goed die vectoren de werkelijkheid representeren, en hoe effectief het model de juiste dot products berekent.