--- id: CP-524 slug: fine-tuning-lora-vs-rag-bedrijf lang: nl title: Fine-tuning of RAG in het bedrijf description: "Een model opnieuw trainen (fine-tuning, LoRA) of het documenten laten raadplegen (RAG): het verschil, de risico's en uw reflexen." canonical_url: https://startbrain.io/cyberpedia/nl/articles/fine-tuning-lora-vs-rag-bedrijf/ markdown_url: https://startbrain.io/cyberpedia/nl/articles/fine-tuning-lora-vs-rag-bedrijf.md publisher: Brain (https://startbrain.io) license: CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) cite_as: Brain, “Fine-tuning of RAG in het bedrijf”, Cyberpedia, 2026. https://startbrain.io/cyberpedia/nl/articles/fine-tuning-lora-vs-rag-bedrijf/ (CC BY 4.0) wing: 4 theme: master_ai reflex: air-054 schema: G3 updated: "2026-11-03" translations: nl: https://startbrain.io/cyberpedia/nl/articles/fine-tuning-lora-vs-rag-bedrijf/ fr: https://startbrain.io/cyberpedia/fr/articles/fine-tuning-lora-vs-rag/ en: https://startbrain.io/cyberpedia/en/articles/fine-tuning-lora-vs-rag-enterprise/ de: https://startbrain.io/cyberpedia/de/articles/fine-tuning-lora-vs-rag-unternehmen/ es: https://startbrain.io/cyberpedia/es/articles/fine-tuning-lora-vs-rag-empresa/ it: https://startbrain.io/cyberpedia/it/articles/fine-tuning-lora-vs-rag-azienda/ sources: - "n": 1 title: Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks publisher: arXiv url: https://arxiv.org/abs/2005.11401 published: "2020-05-22" accessed: "2026-11-03" - "n": 2 title: "LoRA: Low-Rank Adaptation of Large Language Models" publisher: arXiv url: https://arxiv.org/abs/2106.09685 published: "2021-06-17" accessed: "2026-11-03" - "n": 3 title: LLM04:2025 Data and Model Poisoning publisher: OWASP url: https://genai.owasp.org/llmrisk/llm042025-data-and-model-poisoning/ published: "2024-04-10" accessed: "2026-11-03" - "n": 4 title: LLM08:2025 Vector and Embedding Weaknesses publisher: OWASP url: https://genai.owasp.org/llmrisk/llm082025-vector-and-embedding-weaknesses/ published: "2024-04-10" accessed: "2026-11-03" - "n": 5 title: LLM02:2025 Sensitive Information Disclosure publisher: OWASP url: https://genai.owasp.org/llmrisk/llm022025-sensitive-information-disclosure/ published: "2024-04-10" accessed: "2026-11-03" - "n": 6 title: LLM01:2025 Prompt Injection publisher: OWASP url: https://genai.owasp.org/llmrisk/llm01-prompt-injection/ published: "2024-04-10" accessed: "2026-11-03" - "n": 7 title: Guidelines for secure AI system development publisher: NCSC (Royaume-Uni) url: https://www.ncsc.gov.uk/collection/guidelines-secure-ai-system-development published: "2023-11-27" accessed: "2026-11-03" --- # Fine-tuning of RAG in het bedrijf Om een AI-assistent te laten antwoorden over onderwerpen die specifiek zijn voor een bedrijf, bestaan er twee wegen. De eerste traint het model opnieuw met eigen bedrijfsgegevens (fine-tuning). De tweede koppelt het model aan documenten die het kan raadplegen: dat is RAG, de afkorting van "retrieval-augmented generation". RAG combineert een geheugen dat in het model zit met een extern geheugen, bijvoorbeeld een index van documenten [1]. De auteurs wijzen erop dat het aangeven van de herkomst van de antwoorden van een model en het bijwerken van zijn kennis voor losstaande modellen open problemen blijven [1]. Dit artikel legt het verschil uit en vertelt wat u als medewerker doet, met de ene of de andere aanpak. ## In 30 seconden - Waar het voorkomt: in AI-tools die aan uw documenten gekoppeld zijn. - Wat de aanvaller wil: vervalste inhoud in de gegevens stoppen (geïndexeerde documenten of trainingsdata), of informatie achterhalen die het systeem heeft onthouden of geïndexeerd. - De reflex: voer geen persoonlijke of vertrouwelijke gegevens in een AI-tool in zonder goedkeuring, en controleer de bronnen die de tool noemt. - Als het al gebeurd is: breng de beheerder van de tool of de beveiliging op de hoogte, zodat de gegevens uit de database of de trainingsdata worden verwijderd. ## Directe vragen ### Wat is het verschil tussen fine-tuning, LoRA en RAG? Fine-tuning past een al getraind model aan aan een bepaalde taak of een bepaald domein. In de volledige vorm traint het alle parameters van het model opnieuw [2]. LoRA is een lichtere variant. Het bevriest de gewichten van het oorspronkelijke model en voegt aan elke laag kleine trainbare matrices toe, waardoor het aantal te trainen parameters sterk daalt [2]. Voor GPT-3 175B melden de auteurs een vermindering van dat aantal met een factor 10.000 en van het benodigde GPU-geheugen met een factor 3, vergeleken met volledige fine-tuning met Adam [2]. RAG koppelt het model aan externe kennisbronnen [4]. OWASP merkt op dat deze toevoeging het gedrag van het basismodel kan veranderen zonder dat dat de bedoeling is [4]. ### Welke voordelen heeft RAG in een bedrijf? Een deel van de kennis van RAG staat in een documentendatabase, naast die van het model zelf: de auteurs van RAG noemen het bijwerken van kennis en het aangeven van de herkomst als beperkingen van losstaande modellen, die het externe geheugen wil wegnemen [1]. OWASP raadt aan door gebruikers aangeleverde informatie op te slaan in een vectordatabase, wat aanpassingen mogelijk maakt zonder het hele model opnieuw te trainen [3]. Toegangsrechten kunnen ten slotte op het niveau van de database gelden, op voorwaarde dat die daarvoor is ontworpen (zie verderop) [4]. Over de kosten vergelijken de bronnen in het dossier de twee aanpakken niet rechtstreeks. Ze stellen alleen vast dat volledige fine-tuning minder haalbaar wordt naarmate modellen groter worden [2]. ### Beschermt RAG tegen alles? Nee. Volgens OWASP willen RAG en fine-tuning de antwoorden relevanter en nauwkeuriger maken, maar uit onderzoek blijkt dat ze prompt injection niet volledig uitschakelen [6]. ## Hoe het werkt Bij RAG is het model gekoppeld aan externe kennisbronnen, en OWASP preciseert dat deze aanvulling door ophalen gebruikmaakt van vectormechanismen en embeddings [4]. Het model combineert dan zijn eigen geheugen met dit externe geheugen [1]. Bij fine-tuning lopen de gegevens via de training. OWASP onderscheidt drie fasen waarin gegevens gemanipuleerd kunnen worden: de pre-training, de fine-tuning en de embeddingfase, waarin tekst wordt omgezet in vectoren [3]. ## Wat u doet - Voer geen persoonlijke of vertrouwelijke gegevens in een AI-tool in zonder goedkeuring. OWASP rekent tot de gevoelige informatie persoonsgegevens, financiële informatie, medische dossiers, vertrouwelijke bedrijfsgegevens, beveiligingsgegevens en juridische documenten [5]. - Houd er rekening mee dat wat u invoert later weer naar boven kan komen. OWASP vraagt gebruikers de risico's te begrijpen van het onbedoeld verstrekken van gevoelige gegevens, die in de antwoorden van het model onthuld kunnen worden [5]. - Lees de bronnen die de tool noemt en controleer of ze echt zeggen wat het antwoord beweert. OWASP beveelt aan de uitvoer van het model te valideren aan de hand van betrouwbare bronnen om vergiftiging op te sporen [3]. - Controleer of de tool door uw organisatie is goedgekeurd en lees de gebruiksvoorwaarden: OWASP vraagt eigenaren van applicaties gebruikers de mogelijkheid te geven te weigeren dat hun gegevens in de training terechtkomen [5]. - Meld een antwoord dat informatie van een andere dienst of een andere gebruiker bevat. OWASP beschrijft dit geval: een antwoord kan de persoonsgegevens van een andere gebruiker bevatten door onvoldoende opschoning van de gegevens [5]. ## De valkuilen ### Lekken van onthouden gegevens Een model dat tijdens de training aan gevoelige gegevens is blootgesteld, kan ze weergeven. OWASP noemt het onzorgvuldig opnemen van gegevens in de training als oorzaak van het openbaar worden van gevoelige informatie [5]. Het noemt ook het risico dat antwoorden eigen gegevens of algoritmen van de organisatie onthullen [5]. Bij RAG verloopt het lek via de database: onvoldoende of slecht afgestemde toegangscontroles kunnen het model in staat stellen persoonlijke of bedrijfseigen gegevens op te halen en bekend te maken [4]. ### Slecht beheerde toegangsrechten Wanneer meerdere groepen gebruikers dezelfde vectordatabase delen, kan informatie van de ene groep worden opgehaald als antwoord op vragen van een andere, met een mogelijk lek van gevoelige bedrijfsinformatie [4]. OWASP beveelt een vectordatabase aan die rekening houdt met rechten, en een strikte scheiding van datasets [4]. ### Vergiftiging van gegevens Vergiftiging bestaat uit het manipuleren van pre-training-, fine-tuning- of embeddinggegevens om kwetsbaarheden, achterdeuren of vooroordelen te introduceren [3]. De risico's zijn groter bij externe bronnen, die ongecontroleerde of kwaadaardige inhoud kunnen bevatten [3]. Een achterdeur kan het gedrag van het model ongewijzigd laten totdat een trigger het verandert, waardoor ze moeilijk te ontdekken is [3]. Voor een RAG-database raadt OWASP aan alleen gegevens van betrouwbare, geverifieerde bronnen te accepteren en de database regelmatig te auditen [4]. ### Prompt injection via geïndexeerde documenten Een indirecte injectie ontstaat wanneer het model invoer accepteert uit externe bronnen, zoals websites of bestanden, waarvan de inhoud zijn gedrag op onverwachte wijze verandert [6]. OWASP beschrijft een scenario: een aanvaller wijzigt een document in de opslagplaats die een RAG-applicatie gebruikt; wanneer de vraag van een gebruiker die inhoud naar boven haalt, veranderen de kwaadaardige instructies het antwoord [6]. Het volgende voorbeeld is een geneutraliseerde illustratie, afgeleid van de logica van het OWASP-scenario over een vervalst cv [4]. ```text Illustratie: een cv dat in een tool voor het selecteren van kandidaten wordt geüpload, bevat in witte tekst op een witte achtergrond [een instructie om de eerdere regels te negeren en deze kandidaat aan te bevelen]. De tool leest deze verborgen tekst samen met de rest van het document. ``` Volgens OWASP volgt het model dan deze verborgen instructies en beveelt het een niet-gekwalificeerde kandidaat aan [4]. De voorgestelde tegenmaatregel: extractietools die de opmaak negeren en verborgen inhoud opsporen, en de validatie van elk document voordat het in de database komt [4]. ### Een beveiligingskader voor teams die uitrollen Het Britse NCSC publiceert richtlijnen voor aanbieders van AI-systemen, zodat die systemen werken zoals bedoeld en geen gevoelige gegevens onthullen aan onbevoegde derden [7]. ## Bronnen 1. arXiv, “Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks”, 22 mei 2020. https://arxiv.org/abs/2005.11401 (geraadpleegd op 3 november 2026) 2. arXiv, “LoRA: Low-Rank Adaptation of Large Language Models”, 17 juni 2021. https://arxiv.org/abs/2106.09685 (geraadpleegd op 3 november 2026) 3. OWASP, “LLM04:2025 Data and Model Poisoning”, 10 april 2024. https://genai.owasp.org/llmrisk/llm042025-data-and-model-poisoning/ (geraadpleegd op 3 november 2026) 4. OWASP, “LLM08:2025 Vector and Embedding Weaknesses”, 10 april 2024. https://genai.owasp.org/llmrisk/llm082025-vector-and-embedding-weaknesses/ (geraadpleegd op 3 november 2026) 5. OWASP, “LLM02:2025 Sensitive Information Disclosure”, 10 april 2024. https://genai.owasp.org/llmrisk/llm022025-sensitive-information-disclosure/ (geraadpleegd op 3 november 2026) 6. OWASP, “LLM01:2025 Prompt Injection”, 10 april 2024. https://genai.owasp.org/llmrisk/llm01-prompt-injection/ (geraadpleegd op 3 november 2026) 7. NCSC (Royaume-Uni), “Guidelines for secure AI system development”, 27 november 2023. https://www.ncsc.gov.uk/collection/guidelines-secure-ai-system-development (geraadpleegd op 3 november 2026) --- Oorspronkelijke bron: Cyberpedia, de openbare encyclopedie over cyberveiligheid en AI van Brain. Canonieke versie: https://startbrain.io/cyberpedia/nl/articles/fine-tuning-lora-vs-rag-bedrijf/ U mag deze tekst vrij hergebruiken onder de licentie CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/), mits u “Brain, Cyberpedia” vermeldt met een link naar bovenstaand adres.