Wat is Weaviate?

Wat is Weaviate eigenlijk?

Stel je voor dat je door een bibliotheek loopt en niet zoekt op basis van titels of trefwoorden, maar op basis van wat je bedoelt. Je vraagt "verdrietige verhalen over vriendschap" en krijgt precies die boeken — ook al staan die woorden niet letterlijk op de kaft. Dat is in essentie wat Weaviate doet met data.

Weaviate is een zogenaamde vectordatabase: een speciaal soort opslagsysteem dat niet werkt met exacte matches (zoals Google "katten" vindt als je "katten" intypt), maar met betekenis. Het zet tekst, afbeeldingen of andere data om in getallen-reeksen (vectoren) die de betekenis vastleggen. Daardoor kan het begrijpen dat "CEO" en "directeur" verwant zijn, of dat een foto van een hond lijkt op een andere foto van een hond — zonder dat je dat expliciet hoeft te programmeren.

Hoe werkt het achter de schermen?

Als je data in Weaviate stopt (bijvoorbeeld productbeschrijvingen, artikelen of klantvragen), gebruikt de database een AI-model om elk stukje informatie om te zetten in een vector — een lange rij getallen die de essentie vastlegt. Denk aan het als een soort GPS-coördinaat in een betekenis-ruimte: dingen die inhoudelijk op elkaar lijken, krijgen coördinaten die dicht bij elkaar liggen.

Wanneer je vervolgens een zoekvraag stelt, zet Weaviate die vraag ook om in een vector en zoekt het naar de dichtstbijzijnde punten in die betekenis-ruimte. Dat heet semantisch zoeken: zoeken op basis van wat iets betekent, niet wat er letterlijk staat.

Wat Weaviate bijzonder maakt:

• Het is open source — je kunt het zelf hosten en aanpassen

• Je kunt kiezen uit verschillende AI-modellen (van OpenAI, Cohere, Hugging Face) om de vectoren te maken

• Het schaalt goed: van een prototype op je laptop tot miljoenen documenten in de cloud

• Het ondersteunt GraphQL, een moderne manier om precies de data op te vragen die je nodig hebt

Waarom zou jij hier iets aan hebben?

Als je ooit gefrustreerd bent geweest door zoekfuncties die alleen exacte woorden vinden, of als je AI-applicaties bouwt die moeten "begrijpen" wat mensen bedoelen, dan is een vectordatabase zoals Weaviate een gamechanger.

Voorbeelden uit de praktijk:

• Klantenservice: een chatbot die oude support-tickets doorzoekt om antwoorden te vinden, ook als de klant het anders formuleert dan in de documentatie

• E-commerce: "laat me soortgelijke producten zien" op basis van wat mensen echt zoeken, niet alleen op tags

• Contentplatforms: aanbevelingen op basis van wat artikelen betekenen, niet alleen op clicks

• Juridisch of medisch: snel relevante casussen of onderzoeken vinden tussen duizenden documenten

Waar kom je het tegen?

Weaviate wordt vooral ingezet door teams die Retrieval-Augmented Generation (RAG) bouwen — dat zijn AI-systemen die eerst relevante informatie opzoeken voordat ze een antwoord genereren. Denk aan interne kennisbanken, juridische zoeksystemen of chatbots die bedrijfsdata gebruiken.

Andere vectordatabases in hetzelfde speelveld zijn Pinecone, Qdrant, Milvus en Chroma. Weaviate onderscheidt zich vooral door de open-source licentie en de flexibiliteit in welke AI-modellen je kunt aansluiten.

Veel ontwikkelaars combineren Weaviate met frameworks zoals LangChain of LlamaIndex om snel AI-applicaties te bouwen die "onthouden" wat ze eerder gelezen hebben.

Aan de slag

Als je nieuwsgierig bent: Weaviate heeft een gratis cloud-versie (Weaviate Cloud Services) waar je mee kunt experimenteren zonder server-kennis. Je kunt er in een paar minuten mee beginnen — upload wat documenten, stel een vraag en zie hoe semantisch zoeken werkt.

Voor ontwikkelaars is er een Python-client en uitgebreide documentatie. En omdat het open source is, kun je precies zien hoe het werkt en het aanpassen aan jouw situatie. Of je nu een startup bent die slimmer wil zoeken of een enterprise die legacy-data toegankelijker wil maken — vectordatabases zoals Weaviate zijn de ruggengraat van moderne AI-toepassingen die écht begrijpen wat je zoekt.