Breve guida professionale

RAG in un sistema esistente

Il RAG è un approccio in cui il sistema recupera informazioni rilevanti da fonti interne o esterne prima che il modello risponda. La risposta si basa sulla conoscenza aziendale, non solo sulla memoria generale del modello.

Il RAG è utile quando l'AI deve rispondere a partire da documenti, procedure, dati o una base di conoscenza che cambia nel tempo.

Fonti ufficiali: Guida introduttiva alla SEO di Google · Documentazione di Google sui dati strutturati · Documentazione di OpenAI Agents SDK · Documentazione di Supabase sulle migrazioni · Articolo sulla Retrieval-Augmented Generation

Quale problema risolve il RAG?

Un modello linguistico sa scrivere una risposta, ma non conosce automaticamente il contenuto dei documenti della tua azienda. Il RAG aggiunge il recupero: il sistema trova i passaggi rilevanti, li passa al modello e il modello risponde in base a quel contesto.

È utile per l'assistenza clienti, le domande dei dipendenti, la ricerca nei documenti, i sistemi di formazione, la preparazione di preventivi, l'analisi dei contratti e qualsiasi flusso in cui la conoscenza aziendale cambia nel tempo.

Cosa va preparato prima di aggiungere il RAG?

Bisogna mappare le fonti di conoscenza, ripulire i documenti, suddividere i contenuti in parti sensate, configurare il recupero e testare le risposte con domande reali. Documenti lunghi senza una buona suddivisione producono spesso risposte deboli anche con un modello potente.

Contano anche i permessi. Non tutti gli utenti devono vedere tutti i documenti. Il RAG in un sistema aziendale deve rispettare il controllo degli accessi, la privacy e la separazione tra clienti o team.

Cosa fa la differenza nella qualità delle risposte?

Tre cose. Suddividere i documenti in base alla loro struttura, per titoli e paragrafi, non per un numero fisso di caratteri. Ricerca ibrida: ricerca semantica che capisce l'intento, combinata con ricerca per parole chiave che coglie codici prodotto, nomi e clausole. E in ebraico la ricerca per parole chiave deve gestire prefissi come ו, ב, ל, מ e ש, altrimenti perde corrispondenze semplici.

I permessi si filtrano prima che le informazioni arrivino al modello, non dopo. Se un documento che l'utente non può vedere entra nel contesto del modello, un'istruzione al modello non sempre lo terrà fuori dalla risposta. E si misura: un insieme di decine di domande reali con risposte corrette, eseguito dopo ogni modifica, che verifica se le risposte si basano sulle fonti e rispondono davvero alla domanda.

Come implementa il RAG Itay Karkason?

Itay Karkason collega RAG ai sistemi esistenti per fasi: mappatura della conoscenza, indicizzazione, collegamento all'interfaccia, test delle risposte, gestione dei permessi e monitoraggio. L'obiettivo sono risposte utili basate sulla conoscenza dell'azienda.

Componenti da pianificare

Fonti di conoscenza

PDF, documenti, pagine web, tabelle o record di un sistema esistente.

Suddivisione in parti

Suddividere le informazioni in parti recuperabili con contesto sufficiente.

Permessi

Mantenere separati utenti, clienti, documenti e dati sensibili.

Test di qualità

Domande reali, risposte mancanti, contraddizioni e casi in cui il sistema deve dire di non avere informazioni.

Domande frequenti

Il RAG sostituisce un database?

No. Il RAG è un livello di recupero e contesto sopra le informazioni esistenti. Il database continua a gestire i dati.

Il RAG funziona in italiano?

Sì, ma la qualità del recupero, la suddivisione dei documenti e le risposte in italiano vanno testate con dati reali.

Fonti di ricerca

Questa pagina è stata realizzata come breve guida di riferimento basata su ricerche con NotebookLM e fonti professionali. Fonti principali:

Vuoi collegare l'AI alla conoscenza della tua azienda?

Parti dall'analisi dei documenti e del flusso di lavoro attuale.

Contatti