Che cos’è il context engineering?
Un modello di IA sa moltissimo del mondo e nulla della vostra azienda. Ogni risposta utile dipende dal contesto che riceve: quali dati, quali definizioni, quali regole e quali strumenti.
Il prompt engineering riguarda il modo in cui si chiede. Il context engineering riguarda ciò che il modello sa quando risponde. Nel lavoro aziendale, di solito conta di più il secondo.
Come funziona il context engineering?
- Definizioni. Cosa significa ogni metrica e come viene calcolata, così il modello usa i calcoli dell’azienda.
- Dati. I record attuali e pertinenti per la domanda, recuperati da fonti governate.
- Regole. Policy e guardrail, come le linee guida del brand o ciò che deve passare a una persona per l’approvazione.
- Strumenti. Le azioni che il modello è autorizzato a compiere e i permessi con cui vengono eseguite.
- Limiti. Solo ciò che serve al compito, perché il contesto in eccesso può peggiorare le risposte.
Qual è un esempio di context engineering?
Due risposte alla stessa domanda sul ROAS
Alla richiesta del ROAS per canale, un assistente senza contesto di business sceglie una propria formula e un proprio intervallo di date. La risposta sembra sicura e non corrisponde a nessun report dell’azienda.
Con la definizione di ROAS dell’azienda, la sua tassonomia dei canali e il suo calendario fiscale, lo stesso assistente restituisce il valore che calcolerebbe il team finance. È cambiato solo il contesto.
Context engineering vs. prompt engineering vs. fine-tuning
| Prompt engineering | Context engineering | Fine-tuning | |
|---|---|---|---|
| Che cosa cambia | Come viene formulata la richiesta | Ciò che il modello sa al momento della risposta | I pesi del modello |
| Si aggiorna quando cambiano i dati | No | Sì, a ogni richiesta | Solo dopo un nuovo addestramento |
| Ideale per | Tono e formato | Risposte di business accurate e aggiornate | Stile o compiti specializzati |
Perché il context engineering è importante?
La maggior parte delle risposte sbagliate dell’IA nel business non è colpa del modello. Il modello aveva i dati sbagliati, una definizione superata o nessuna definizione. Impostare correttamente il contesto è il modo più diretto per rendere affidabili le risposte dell’IA.
Come lo fa Alli?
Alli Semantic Layer, parte di Alli by PMG, è il luogo in cui la logica di business del marketing viene definita una volta sola: definizioni di KPI condivise, nomenclatura armonizzata su ogni piattaforma e area geografica e un dizionario dei dati comune. Ogni team, strumento e agente IA in Alli lavora a partire da quelle definizioni, così l’IA resta ancorata alla logica già concordata dai team.
Alli Data fornisce i dati governati e aggiornati sottostanti, e le skill di Alli4u racchiudono le istruzioni e gli strumenti di cui un assistente ha bisogno per un compito specifico.
Esplorate Alli Semantic LayerDomande frequenti sul context engineering
In cosa si differenzia il context engineering dal prompt engineering?
Il prompt engineering definisce come viene formulata una richiesta. Il context engineering decide quali informazioni, definizioni, regole e strumenti ha il modello quando risponde, e di solito questo conta di più per l’accuratezza nel business.
La RAG è una forma di context engineering?
Sì. La retrieval-augmented generation recupera documenti o dati pertinenti e li aggiunge al contesto del modello. Il context engineering copre anche definizioni, regole e strumenti.
Troppo contesto può peggiorare le risposte dell’IA?
Sì. Informazioni in eccesso e non pertinenti possono distrarre un modello e rendere le risposte meno accurate. Un buon contesto si limita a ciò che serve al compito.
In che modo un livello semantico aiuta l’IA?
Fornisce all’IA le definizioni delle metriche e la nomenclatura dell’azienda stessa, così il modello calcola i numeri come fa il business invece di tirare a indovinare.
Ultimo aggiornamento: Torna al glossario