Retrieval-Augmented Generation è un concetto importante per capire come funzionano e come vengono utilizzati i sistemi di intelligenza artificiale. In questa scheda trovi una spiegazione concreta, il funzionamento tecnico essenziale, un esempio e i limiti da ricordare.
Indice
- Definizione semplice
- Come funziona
- Esempio pratico
- A cosa serve
- Limiti ed errori comuni
- Da non confondere con
- FAQ
Che cos’è Retrieval-Augmented Generation
La RAG è un’architettura che recupera informazioni da fonti esterne e le inserisce nel contesto di un modello generativo prima della risposta. L’obiettivo è collegare l’output a documenti pertinenti, aggiornabili e controllabili.
Permette di usare procedure, manuali, contratti o knowledge base senza addestrare nuovamente il modello ogni volta che i contenuti cambiano.
Come funziona
- I documenti vengono acquisiti, puliti, suddivisi in porzioni e indicizzati, spesso tramite embedding.
- La domanda viene trasformata in una query e il sistema recupera i passaggi più pertinenti.
- Il modello riceve domanda, istruzioni e fonti recuperate, quindi genera una risposta possibilmente accompagnata da citazioni.
La realizzazione concreta varia tra modelli e prodotti. Per questo è importante verificare documentazione, versione, configurazione e condizioni del servizio utilizzato.
Esempio pratico
Un help desk può interrogare procedure tecniche interne. Alla domanda su un guasto, il sistema recupera i paragrafi pertinenti e prepara una risposta con i riferimenti. Se il recupero sceglie la versione sbagliata della procedura, anche la risposta può risultare errata.
A cosa serve
- assistenti su documentazione aziendale
- ricerca normativa e tecnica con fonti
- supporto a clienti e operatori
Il valore non dipende soltanto dalla tecnologia: occorre definire il risultato atteso, preparare esempi realistici e stabilire come misurare qualità, tempi, costi e rischi.
Limiti ed errori comuni
- il recupero può omettere il documento corretto
- fonti obsolete o contraddittorie producono contesto debole
- il modello può ignorare o interpretare male le fonti
- citazioni e permessi devono essere verificati
In processi aziendali o ad alto impatto è opportuno conservare log, versioni e fonti, applicare il principio del minimo privilegio e prevedere un controllo umano proporzionato alle conseguenze.
Da non confondere con
La RAG modifica il contesto disponibile durante l’inferenza; il fine-tuning modifica i pesi del modello. La RAG è spesso preferibile per conoscenze aggiornabili, mentre il fine-tuning è più adatto a comportamento, stile o compiti ripetuti.
FAQ
La RAG elimina le allucinazioni?
No. Le riduce in alcuni casi, ma servono test sul recupero, istruzioni, citazioni e controllo dell’output.
Serve sempre un vector database?
No. Si possono usare ricerca testuale, database relazionali, motori ibridi o API specializzate.
Come si misura?
Separando qualità del recupero, qualità della risposta, correttezza delle citazioni e copertura delle domande.
In sintesi
RAG è utile quando viene inserito in un’architettura e in un processo coerenti. Conoscerne funzionamento e limiti aiuta a evitare aspettative errate e a scegliere strumenti adeguati.
Termini correlati
Iscriviti alla newsletter di BASI DI AI per ricevere guide e approfondimenti.
