Embeddings zijn numerieke representaties van tekst die de betekenis en context van woorden en zinnen vastleggen. In plaats van teksten letter voor letter te vergelijken, zet Legal Momo juridische documenten om in vectoren (reeksen getallen) die de

Als jurist werkt u regelmatig met ellenlange contracten, vonnissen of dossiers. Misschien vraagt u zich af hoe een AI zo’n lange tekst kan lezen en begrijpen. Hier komt de tokenizer in beeld. Dat klinkt technisch, maar het

Als jurist heeft u wellicht gehoord dat AI-systemen steeds vaker worden bijgestuurd door menselijke input. RLHF is zo’n term die daarbij opduikt. RLHF staat voor Reinforcement Learning from Human Feedback, in het Nederlands versterkend leren met menselijke

Tokenizer voor lange juridische documenten verwijst naar technieken om zeer uitgebreide teksten op te splitsen in kleinere eenheden (tokens) zodat een AI-model ze effectief kan verwerken. Juridische documenten – denk aan vonnissen van tientallen pagina’s of complete

Bij het implementeren van Legal Momo staat de keuze cloud vs on-premise infrastructuur centraal. Een cloud-deployment houdt in dat het platform draait in een extern datacenter, wat zorgt voor hoge schaalbaarheid en minimale lokale onderhoudslast. Een on-premise

Vector search juridische matching is een techniek waarbij juridische informatie wordt opgezocht op basis van de betekenis en context van de tekst, in plaats van op exacte trefwoorden. In Legal Momo houdt dit in dat documenten, uitspraken

Legal Momo promptstructuur verwijst naar de manier waarop in het Legal Momo-platform de AI-modellen worden aangestuurd middels zorgvuldig ontworpen prompts. Elk AI-model krijgt via de prompt een duidelijke juridische rol toebedeeld: één AI treedt op als advocaat