Definitie
Weaviate is een open-source, cloud-native vectordatabase ontworpen om zowel vectoren als gestructureerde data-objecten op te slaan. Het onderscheidt zich door ingebouwde ML-modules (text2vec, img2vec) die automatisch embeddings genereren, waardoor externe embedding-pipelines overbodig worden. Weaviate gebruikt een GraphQL API voor queries, ondersteunt hybride zoekopdrachten (combineert BM25 keyword search met vector-gelijkenis), en biedt modulaire vectorizers voor verschillende embedding-modellen (OpenAI, Cohere, Hugging Face, lokale modellen). Oorspronkelijk ontwikkeld door SeMI Technologies (Nederland).
Waarom het belangrijk is
Weaviate vereenvoudigt AI-applicatieontwikkeling:
- Ingebouwde vectorisatie — geen aparte embedding-pipeline nodig
- Hybride zoekopdrachten — combineert keyword en semantisch zoeken in één query
- GraphQL interface — ontwikkelaarsvriendelijke querytaal
- Multi-modal — ondersteunt tekst, afbeeldingen en aangepaste datatypes
- Schema-flexibiliteit — gestructureerde data naast vectoren
- Productierijp — horizontale schaling, replicatie, multi-tenancy
Hoe het werkt
┌────────────────────────────────────────────────────────────┐
│ WEAVIATE │
├────────────────────────────────────────────────────────────┤
│ │
│ BELANGRIJKSTE ONDERSCHEIDER: INGEBOUWDE VECTORISATIE │
│ ──────────────────────────────────────────────────── │
│ │
│ ┌─────────────────────────────────────────────────────┐ │
│ │ │ │
│ │ Andere Vector DBs: │ │
│ │ ┌─────────┐ ┌─────────────┐ ┌────────────┐ │ │
│ │ │ Jouw │ │ Embedding │ │ Vector │ │ │
│ │ │ App │ → │ API │ → │ DB │ │ │
│ │ │ │ │ (OpenAI) │ │ (Milvus) │ │ │
│ │ └─────────┘ └─────────────┘ └────────────┘ │ │
│ │ │ │
│ │ Je beheert embedding-generatie apart │ │
│ │ │ │
│ │ │ │
│ │ Weaviate: │ │
│ │ ┌─────────┐ ┌──────────────────────────────┐ │ │
│ │ │ Jouw │ │ WEAVIATE │ │ │
│ │ │ App │ → │ ┌─────────────────────────┐│ │ │
│ │ │ │ │ │ text2vec-openai module ││ │ │
│ │ │ "ruwe" │ │ │ (auto-genereert embed.) ││ │ │
│ │ │ tekst │ │ ├─────────────────────────┤│ │ │
│ │ └─────────┘ │ │ Vector Opslag ││ │ │
│ │ │ └─────────────────────────┘│ │ │
│ │ └──────────────────────────────┘ │ │
│ │ │ │
│ │ Stuur tekst, Weaviate handelt vectorisatie af │ │
│ │ │ │
│ └─────────────────────────────────────────────────────┘ │
│ │
│ │
│ WEAVIATE ARCHITECTUUR: │
│ ────────────────────── │
│ │
│ ┌─────────────────────────────────────────────────────┐ │
│ │ │ │
│ │ ┌─────────────────────────────────────────────┐ │ │
│ │ │ API Laag │ │ │
│ │ │ │ │ │
│ │ │ ┌───────────┐ ┌───────────┐ ┌─────────┐ │ │ │
│ │ │ │ GraphQL │ │ REST │ │ gRPC │ │ │ │
│ │ │ │ Query │ │ CRUD │ │ Proto │ │ │ │
│ │ │ └───────────┘ └───────────┘ └─────────┘ │ │ │
│ │ └─────────────────────────────────────────────┘ │ │
│ │ │ │ │
│ │ ▼ │ │
│ │ ┌─────────────────────────────────────────────┐ │ │
│ │ │ Module Systeem │ │ │
│ │ │ │ │ │
│ │ │ Vectorizers: │ │ │
│ │ │ ┌──────────────┐ ┌──────────────┐ │ │ │
│ │ │ │ text2vec- │ │ text2vec- │ │ │ │
│ │ │ │ openai │ │ huggingface │ │ │ │
│ │ │ └──────────────┘ └──────────────┘ │ │ │
│ │ │ ┌──────────────┐ ┌──────────────┐ │ │ │
│ │ │ │ text2vec- │ │ img2vec- │ │ │ │
│ │ │ │ cohere │ │ neural │ │ │ │
│ │ │ └──────────────┘ └──────────────┘ │ │ │
│ │ │ │ │ │
│ │ │ Readers/Generators: │ │ │
│ │ │ ┌──────────────┐ ┌──────────────┐ │ │ │
│ │ │ │ qna-openai │ │ generative- │ │ │ │
│ │ │ │ (Q&A) │ │ openai (RAG) │ │ │ │
│ │ │ └──────────────┘ └──────────────┘ │ │ │
│ │ └─────────────────────────────────────────────┘ │ │
│ │ │ │ │
│ │ ▼ │ │
│ │ ┌─────────────────────────────────────────────┐ │ │
│ │ │ Opslag Engine │ │ │
│ │ │ │ │ │
│ │ │ ┌─────────────────────────────────────┐ │ │ │
│ │ │ │ HNSW Vector Index │ │ │ │
│ │ │ │ (in-memory voor snelheid) │ │ │ │
│ │ │ └─────────────────────────────────────┘ │ │ │
│ │ │ │ │ │
│ │ │ ┌─────────────────────────────────────┐ │ │ │
│ │ │ │ Inverted Index (BM25) │ │ │ │
│ │ │ │ (keyword search, filtering) │ │ │ │
│ │ │ └─────────────────────────────────────┘ │ │ │
│ │ │ │ │ │
│ │ │ ┌─────────────────────────────────────┐ │ │ │
│ │ │ │ Object/Property Opslag │ │ │ │
│ │ │ │ (gestr. data naast vectoren) │ │ │ │
│ │ │ └─────────────────────────────────────┘ │ │ │
│ │ │ │ │ │
│ │ └─────────────────────────────────────────────┘ │ │
│ │ │ │
│ └─────────────────────────────────────────────────────┘ │
│ │
│ │
│ HYBRIDE SEARCH (Unieke Feature): │
│ ──────────────────────────────── │
│ │
│ ┌─────────────────────────────────────────────────────┐ │
│ │ │ │
│ │ Query: "machine learning best practices" │ │
│ │ │ │
│ │ Vector Search (semantisch): │ │
│ │ Vindt conceptueel vergelijkbare docs over: │ │
│ │ • "ML deployment richtlijnen" │ │
│ │ • "AI model training tips" │ │
│ │ │ │
│ │ + FUSE (gewogen combinatie) │ │
│ │ │ │
│ │ Keyword Search (BM25): │ │
│ │ Vindt exacte keyword matches: │ │
│ │ • Docs met letterlijke frase │ │
│ │ • Technische documenten, code comments │ │
│ │ │ │
│ │ Resultaat: Beste van beide werelden │ │
│ │ • Semantisch begrip + exacte matching │ │
│ │ • Configureerbare alpha (vector vs keyword) │ │
│ │ │ │
│ └─────────────────────────────────────────────────────┘ │
│ │
└────────────────────────────────────────────────────────────┘Veelgestelde vragen
V: Wanneer Weaviate vs Milvus gebruiken?
A: Weaviate voor eenvoudigere ontwikkeling (ingebouwde vectorisatie, GraphQL), beter voor kleinere teams. Milvus voor maximale schaal (miljarden vectoren), GPU-acceleratie, en als je al embedding-pipelines hebt.
V: Hoe werkt Weaviate’s hybride search?
A: Combineert BM25 keyword scoring met vector-gelijkenis, fuseert resultaten met configureerbare alpha weight. Alpha=1.0 is puur vector; alpha=0.0 is puur keyword. Default 0.75 werkt goed voor de meeste RAG use cases.
V: Welke embedding-modellen ondersteunt Weaviate?
A: OpenAI, Cohere, Hugging Face, Google PaLM, lokale transformers, en aangepaste modellen via de API.
Gerelateerde termen
- Vectordatabase — algemene categorie
- Milvus — alternatieve vectordatabase
- Semantisch zoeken — wat Weaviate mogelijk maakt
- Embeddings — wat Weaviate genereert/opslaat
Referenties
Weaviate (2024), “Weaviate Documentation”, Weaviate. [Officiële documentatie]
van Hagen et al. (2021), “Weaviate: A Cloud-Native, Real-Time Vector Search Engine”, DB-Engines Blog. [Architectuur overzicht]
Weaviate (2023), “Hybrid Search Explained”, Weaviate Blog. [Hybride search deep dive]
SeMI Technologies (2024), “Weaviate Modules”, Weaviate. [Module ecosysteem]
References
Weaviate (2024), “Weaviate Documentation”, Weaviate. [Official documentation]
van Hagen et al. (2021), “Weaviate: A Cloud-Native, Real-Time Vector Search Engine”, DB-Engines Blog. [Architecture overview]
Weaviate (2023), “Hybrid Search Explained”, Weaviate Blog. [Hybrid search deep dive]
SeMI Technologies (2024), “Weaviate Modules”, Weaviate. [Module ecosystem]