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.
Under the hood, documents are split into chunks of a few paragraphs each, and each chunk is turned into an embedding, a list of numbers that captures its meaning. Those embeddings are stored in a vector database. A question gets turned into an embedding too, and the database returns the chunks closest in meaning, which is called semantic search. Many systems then rerank the results with a second model and pass only the best few to the model that writes the answer.
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 | Yes, reads live trusted data |
| 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.
- Limits with numbers. Retrieving text is not the same as calculating metrics correctly. For performance data, AI also needs trusted data and shared definitions.
- 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, part of Alli by PMG, grounds its answers in your trusted data rather than general knowledge. Every request resolves against shared definitions in Alli Semantic Layer, mapping the question to the trusted metrics, dimensions, and business rules your teams already agreed on.
Each answer is traceable: you can see the data, the logic, and the source behind it. Because every Alli product reads the same trusted foundation, an answer in Ask Alli agrees with the dashboards and reports built on the same data.
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?
Not on its own. Numbers need to be calculated consistently, which takes trusted data and shared metric definitions, such as a semantic layer, alongside any retrieval.
Why do RAG systems pull the wrong passage?
Usually because of how the documents were chunked or searched. A chunk that splits a table from its header loses its meaning, and semantic search alone can miss exact terms like a product code or campaign ID. Teams fix this by chunking along the document's own structure and pairing semantic search with keyword search.
Last updated Back to the glossary
