Graph database Graph Database
Wat is Graph database?
Een graph database slaat gegevens op als knopen en verbindingen. Een knoop is bijvoorbeeld een klant, een project of een monteur. De verbinding is de relatie daartussen: “werkt aan”, “is onderdeel van”, “heeft geleverd”. In een relationele database zit die relatie verstopt in koppeltabellen en moet je hem bij elke vraag opnieuw samenstellen met joins. In een graph database is de verbinding zelf een opgeslagen gegeven, met eigen eigenschappen zoals een datum of een rol.
De naam komt uit de wiskunde, waar een verzameling punten met verbindingen ertussen een graaf heet. Daarom kom je in het Nederlands ook grafendatabase tegen, ook al zegt vrijwel iedereen in de praktijk gewoon graph database.
Het verschil met een gewone database merk je zodra een vraag meerdere stappen diep gaat. “Welke leveranciers zijn via onderaannemers betrokken bij dit project?” wordt in SQL een stapeling van joins die traag wordt als de dataset groeit. In een graph database volg je de verbindingen zoals ze al vastliggen.
Voor AI is dit relevant omdat een AI-model zelf niet weet hoe jouw gegevens samenhangen. Een graph database legt die samenhang expliciet vast, vaak in de vorm van een kennisgraaf. Combineer je dat met RAG, dan heet het GraphRAG: het model haalt niet alleen losse tekstfragmenten op, maar ook de relaties eromheen. Een AI-agent kan daardoor een vraag beantwoorden die over meerdere bronnen heen loopt, en kan aangeven waar het antwoord vandaan komt.
Bekende voorbeelden zijn Neo4j, Amazon Neptune en ArangoDB. Vaak staat een graph database naast een vector database: de een bewaart de structuur, de ander bewaart de betekenis via embeddings.
Voorbeeld uit de praktijk
Visser Elektrotechniek besteedde gemiddeld twintig minuten aan de administratieve verwerking van elk inspectierapport. Met de AI-oplossing van Agentech worden rapporten nu automatisch geanalyseerd en naar de juiste afdeling doorgestuurd. Bij gebreken maakt het systeem ook een bestellijst met artikelnummers, aantallen en locaties. Binnen vijf minuten is de verwerking klaar, zonder handmatig overtypen.
Bekijk de case van Visser ElektrotechniekWat betekent dit voor jouw organisatie?
Een graph database komt in beeld als het antwoord niet in één document staat, maar in het verband tussen systemen: welk project hangt aan welke klant, welk onderdeel aan welke installatie, welke afspraak aan welke leverancier. Voor de meeste toepassingen begint Agentech met een vector database op je documenten. Zodra antwoorden afhangen van structuur, zoals stuklijsten, projecthiërarchieën of ketenpartners, leggen we die relaties apart vast zodat de agent ze kan volgen.
Veelgestelde vragen
Wat is het verschil tussen een graph database en een vector database?
Een vector database zoekt op betekenis en vindt teksten die inhoudelijk op je vraag lijken. Een graph database zoekt op relaties en volgt de verbindingen tussen gegevens. In veel AI-oplossingen staan ze naast elkaar, omdat ze een ander type vraag beantwoorden.
Heb ik een graph database nodig voor een AI-agent?
In de eerste versie meestal niet. Documenten met een vector database zijn genoeg zolang de antwoorden in losse teksten staan. Zodra een agent verbanden moet leggen tussen klanten, projecten of onderdelen, wordt een graph database interessant.