Che cos’è la retrieval-augmented generation?
La retrieval-augmented generation (RAG) combina due fasi: il recupero, che trova le informazioni più pertinenti da una fonte affidabile, e la generazione, in cui un modello linguistico scrive una risposta usando quelle informazioni. Il termine nasce da un articolo di ricerca del 2020 ed è diventato un modo comune per creare assistenti IA basati sulle conoscenze aziendali.
Senza recupero, un modello linguistico risponde in base agli schemi appresi durante l’addestramento, che possono essere superati o semplicemente non includere la vostra azienda. La RAG gli fornisce il materiale giusto su cui lavorare nel momento della domanda.
Come funziona la RAG?
- Preparazione delle fonti. Documenti o record vengono indicizzati per poter essere cercati, spesso in base al significato anziché alle parole esatte.
- Recupero. Quando arriva una domanda, il sistema trova i passaggi o i record più pertinenti.
- Arricchimento. Il contenuto recuperato viene aggiunto all’input del modello insieme alla domanda.
- Generazione. Il modello scrive una risposta basata su quel contenuto, idealmente citandone la provenienza.
Qual è un esempio di retrieval-augmented generation?
Rispondere a partire dalle linee guida del brand
Un copywriter chiede a un assistente interno se un prodotto può essere definito «eco-friendly» in un mercato specifico. Senza recupero, il modello dà consigli generici.
Con la RAG, l’assistente recupera prima la sezione pertinente delle linee guida legali e di brand dell’azienda, poi risponde sulla base di quella e rimanda alla fonte, così il copywriter può verificarla.
RAG vs. fine-tuning vs. livello semantico
Questi approcci risolvono problemi diversi e vengono spesso usati insieme.
| RAG | Fine-tuning | Livello semantico | |
|---|---|---|---|
| Che cosa fa | Fornisce contenuti pertinenti al modello al momento della domanda | Riaddestra il modello su esempi | Definisce il significato dei dati e delle metriche di business |
| Ideale per | Documenti, policy, conoscenze | Stile, formato, attività specialistiche | Risposte numeriche coerenti a partire dai dati di business |
| Mantiene le risposte aggiornate | Sì, man mano che le fonti si aggiornano | Solo dopo un nuovo addestramento | Sì, legge dati governati aggiornati |
| Mostra le fonti | Può citare i passaggi recuperati | No | Riconduce i numeri alla loro fonte |
Perché la RAG è importante e quali sono i suoi limiti?
- Risposte più accurate. Basarsi su fonti affidabili riduce i fatti inventati.
- Informazioni aggiornate. Le risposte riflettono i documenti più recenti senza riaddestrare un modello.
- Output verificabile. Le risposte possono indicare le fonti utilizzate.
- Limiti con i numeri. Recuperare testo non equivale a calcolare correttamente le metriche. Per i dati di performance, l’IA ha bisogno anche di dati governati e definizioni condivise.
- Qualità in entrata, qualità in uscita. Se il contenuto recuperato è sbagliato o superato, lo sarà anche la risposta.
Come lo fa Alli?
Ask Alli, parte di Alli by PMG, basa le sue risposte sui vostri dati governati anziché su conoscenze generiche. Ogni richiesta viene risolta in base alle definizioni condivise di Alli Semantic Layer, associando la domanda alle metriche, alle dimensioni e alle regole di business governate su cui i vostri team si sono già accordati.
Ogni risposta è tracciabile: potete vedere i dati, la logica e la fonte che la sostengono. Poiché ogni prodotto Alli legge la stessa base governata, una risposta di Ask Alli concorda con le dashboard e i report costruiti sugli stessi dati.
Esplorate Ask AlliDomande frequenti sulla retrieval-augmented generation
Che cosa significa RAG?
RAG sta per retrieval-augmented generation: prima si recuperano le informazioni pertinenti, poi si genera una risposta a partire da esse.
La RAG elimina le allucinazioni dell’IA?
Le riduce basando le risposte su fonti affidabili, ma non le elimina. Mostrare le fonti e mantenere le persone nel processo resta importante.
Qual è la differenza tra RAG e fine-tuning?
La RAG fornisce informazioni pertinenti nel momento della domanda. Il fine-tuning riaddestra il modello su esempi per cambiarne il comportamento. Per mantenere le risposte aggiornate, di solito la RAG è la scelta più adatta.
La RAG basta per l’analisi dei dati aziendali?
Da sola no. I numeri devono essere calcolati in modo coerente, e questo richiede dati governati e definizioni condivise delle metriche, come un livello semantico, accanto al recupero delle informazioni.
Ultimo aggiornamento: Torna al glossario