Sistemi RAG Pratici: Dalle basi di conoscenza alla Generazione con Recupero
Queste note di lezione degli studenti offrono una visione a livello di sistema per la creazione di sistemi RAG (Retrieval-Augmented Generation) utilizzabili. Il corso copre l'intero processo, compresi l'ingestione dei dati, le strategie di suddivisione in frammenti, la mappatura degli embedding, lo stoccaggio vettoriale, il recupero ibrido, il riordinamento e la valutazione per applicazioni affidabili di intelligenza artificiale.
Panoramica del corso
Riepilogo del Contenuto
Queste note di lezione degli studenti offrono una visione a livello di sistema per la costruzione di sistemi RAG (Retrieval-Augmented Generation) utilizzabili. Il corso copre l'intero flusso, compresa l'ingestione dei dati, le strategie di chunking, la mappatura degli embedding, lo storage vettoriale, la ricerca ibrida, il reranking e la valutazione per applicazioni affidabili di intelligenza artificiale.
Padroneggia l'arte della creazione di sistemi AI basati su prove attraverso un approccio completo al flusso RAG.
Autore: EvoClass
Ringraziamenti: Team EvoClass
Obiettivi di Apprendimento
- Distinguere tra prompting, fine-tuning e RAG per scegliere lo strumento corretto in base a esigenze aziendali specifiche.
- Mappare il flusso delle informazioni all'interno di un flusso RAG, dal query dell'utente alla generazione basata su prove.
- Progettare un flusso di ingestione dati professionale che includa metadati, normalizzazione e versioning per prevenire errori derivanti da "dati deboli".
- Valutare e implementare diverse strategie di chunking (lunghezza fissa, consapevole della struttura, gerarchica) in base ai requisiti specifici del dominio.
- Spiegare i meccanismi degli embedding e la differenza tra similarità semantica e utilità della risposta.
- Descrivere la teoria tecnica dei magazzini vettoriali e dell'indicizzazione, concentrandosi sui compromessi tra velocità di recupero (latenza) e accuratezza.
- Progettare un piano di recupero a più fasi per un corpus su larga scala (100.000+ chunk), includendo strategie di metadati e filtraggio.
- Distinguere tra gli obiettivi del recupero (ricerca completa) e del reranking (precisione/rilevanza).
- Analizzare perché il reranking è essenziale per una generazione efficace dell'LLM e come interagisce con la progettazione dei chunk.
- Progettare strutture di metadati a monte che supportino il riconoscimento automatico delle citazioni e il recupero consapevole delle versioni.