Che cos'è un sistema RAG?
Un sistema RAG (retrieval-augmented generation) è un sistema di IA che, prima di rispondere, cerca i passaggi pertinenti in una base di conoscenza propria e formula la risposta esclusivamente su quella base. Invece di rispondere dalle conoscenze di addestramento, il sistema consulta prima – come una persona che apre il manuale. Le risposte risultano così aggiornate e documentabili: ogni affermazione è riconducibile a un documento preciso.
Come funziona un sistema RAG
1. Preparazione: i vostri documenti vengono suddivisi in passaggi coerenti e convertiti in vettori numerici (embedding) che ne rappresentano il significato. Questi vettori finiscono in un database vettoriale.
2. Recupero: quando arriva una domanda, anch'essa viene convertita in vettore. Il sistema cerca i passaggi più vicini per significato – semanticamente, non per parola chiave. Una domanda su «diritto alle ferie» trova così anche un passaggio su «congedo ordinario».
3. Generazione: i passaggi trovati vengono consegnati al modello linguistico insieme alla domanda, con l'istruzione di rispondere esclusivamente a partire da essi. Il risultato è una risposta formulata, con il rinvio ai passaggi utilizzati.
La differenza decisiva rispetto a un semplice chatbot: il modello non deve «sapere» nulla. I documenti nuovi sono disponibili subito, senza riaddestramento – e i contenuti obsoleti spariscono non appena vengono rimossi.
Perché il RAG si adatta al sapere aziendale
Ogni risposta rinvia alla fonte – verificabile, non una scatola nera.
I nuovi documenti vengono indicizzati e sono subito utilizzabili, senza riaddestramento.
Il modello risponde dai passaggi che gli vengono presentati, non da vaghe conoscenze di addestramento.
Manuali interni, direttive e contratti diventano consultabili – contenuti che nessun modello pubblico conosce.
I contenuti restano nella vostra base di conoscenza; non devono essere addestrati dentro un modello.
In combinazione con una gestione delle autorizzazioni vengono usate solo le fonti che la persona può vedere.
Un sistema RAG vale quanto le sue fonti: se i documenti di base sono errati, obsoleti o contraddittori, il sistema riproduce quegli errori. Non verifica la correttezza dei contenuti. Per questo la fonte resta importante – e la verifica nel merito resta compito di chi usa il sistema. Il RAG non rende l'IA infallibile, ma la rende tracciabile.
Domande frequenti
Che differenza c'è tra RAG e fine-tuning?
Con il fine-tuning un modello viene addestrato ulteriormente con dati aggiuntivi – oneroso, e ogni contenuto nuovo richiede un nuovo addestramento. Il RAG lascia il modello invariato e fornisce il sapere in fase di esecuzione. Per un sapere aziendale che cambia spesso, il RAG è quindi di norma la scelta più adatta.
Il RAG ha bisogno di un database vettoriale?
Nella pratica quasi sempre: consente la ricerca semantica, cioè per significato anziché per parola chiave esatta. Alcuni sistemi la combinano inoltre con la classica ricerca full-text per migliorare precisione e copertura.
Il RAG elimina del tutto le allucinazioni?
No, ma le riduce sensibilmente, perché il modello risponde da passaggi concreti anziché a memoria. Un rischio residuo resta – per esempio quando le fonti si contraddicono. La fonte rende però verificabili questi casi.
Come entrano i nostri documenti nel sistema?
Vengono caricati e poi preparati e indicizzati automaticamente. Con KOSMO i nuovi contenuti sono disponibili subito dopo – senza riaddestramento e senza ricostruire la base di conoscenza.
Come funziona con KOSMO
La teoria è una cosa: in 30 minuti vi mostriamo dal vivo come KOSMO lo realizza nella vostra organizzazione. Con i vostri contenuti.
