Quando un assistente AI risponde usando manuali, procedure o documenti aziendali, si sente spesso dire che è stato “addestrato sui nostri dati”. Nella maggior parte dei progetti basati su RAG, però, non è ciò che accade.
RAG significa recuperare prima di generare
RAG è l’acronimo di Retrieval-Augmented Generation. L’idea è semplice: prima di chiedere al modello di formulare una risposta, il sistema cerca nelle fonti autorizzate i contenuti più pertinenti alla domanda. Quei contenuti vengono poi forniti al modello come contesto.
Il percorso in cinque passaggi
- L’utente pone una domanda.
- Il sistema cerca informazioni pertinenti nei repository disponibili.
- Seleziona documenti o frammenti rilevanti.
- Li inserisce nel contesto inviato al modello.
- Il modello genera la risposta sulla base della domanda e del materiale recuperato.
Domanda → Ricerca → Contenuti rilevanti → LLM → Risposta
Perché non è training
Nel training vengono modificati i parametri interni di un modello attraverso un processo di apprendimento. Nel RAG, invece, i documenti vengono recuperati quando servono e inseriti temporaneamente nel contesto. Il modello di base può rimanere invariato.
Perché interessa alle aziende
Questo approccio consente di aggiornare le fonti senza riaddestrare continuamente il modello e permette di applicare controlli di accesso ai contenuti. Ma non elimina il problema della qualità: se la ricerca recupera documenti obsoleti o sbagliati, anche la risposta può esserlo.
In breve
Dare documenti a un chatbot non significa necessariamente insegnarglieli. Con il RAG, il sistema li consulta al momento giusto. È una differenza tecnica che ha conseguenze importanti su aggiornamento, governance, sicurezza e qualità delle risposte.




Lascia un commento