RAG

Come funziona

Quando arriva una richiesta, il sistema cerca nelle fonti indicizzate i contenuti semanticamente più pertinenti. I passaggi recuperati vengono aggiunti al contesto fornito al modello, che genera la risposta usando sia le proprie capacità linguistiche sia le informazioni selezionate.

Esempio pratico

Un Esperto AI deve rispondere su una procedura aziendale aggiornata. Invece di affidarsi alla memoria generale del modello, la RAG recupera i passaggi rilevanti dalla documentazione e li usa come contesto per formulare la risposta.

Quando usarlo

È indicata quando l’AI deve lavorare con conoscenze proprietarie, documenti aggiornabili o informazioni che non è opportuno incorporare direttamente nel modello. È comune in chatbot, assistenti documentali e knowledge system.

Perché è importante

La RAG consente di aggiornare la conoscenza modificando le fonti invece di riaddestrare un modello completo. Inoltre rende più controllabile il contesto usato per la risposta, anche se qualità del recupero e qualità delle fonti restano determinanti.

In Quantiq

Quantiq usa principi di recupero della conoscenza nei flussi che combinano documenti, vettori e sistemi conversazionali. La RAG è quindi un concetto utile per comprendere come Esperti AI e chatbot possano lavorare su contenuti specifici.

Differenze e confronto

La RAG non è sinonimo di Knowledge Base: la Knowledge Base è il contenuto disponibile, mentre la RAG è il meccanismo che recupera informazioni pertinenti e le porta nel contesto del modello.