Wat was het fundamentele probleem van traditionele zoekmachines (string similarity)?	Ze konden alleen zoeken op exacte trefwoorden, niet op conceptuele synoniemen of gerelateerde betekenissen.
Wat is het centrale idee achter 'embeddings'?	Tekst betekenis omzetten naar coördinaten (een vector) in een multidimensionale ruimte.
Hoe wordt een zoekopdracht (query) uitgevoerd in een embedding-ruimte?	De query wordt gemapt naar een punt, en de k-naaste buren (nearest neighbors) worden gevonden.
Waarom zijn hoge dimensies (bijv. 1024) nodig?	Om de complexiteit van de echte wereld te vangen, die meer dan drie concepten bevat.
Wat is de aard van de assen (dimensies) in een echt embedding-model?	Ze zijn 'emergent' (ontstaan uit de trainingsdata) en functioneren als een 'black box'.
Wat is de input en output van een embedding-model?	Input: een tekststring. Output: een vaste-lengte vector (een lijst van getallen).
Welke wiskundige maat wordt gebruikt voor gelijkeniszoekopdrachten?	Cosinusgelijkenis (Cosine Similarity).
Wat meet de Cosinusgelijkenis?	De richting (de hoek) tussen twee vectoren, wat de conceptuele gelijkenis aangeeft.