Costruire sistemi RAG su dati reali

Molti sistemi RAG funzionano in demo e falliscono quando vengono applicati a documentazione reale: retrieval poco rilevante, chunking inefficace, contesto mal costruito, risposte parziali o fuorvianti.

Questo corso è dedicato a chi vuole passare dalla teoria alla costruzione concreta di un sistema RAG. In una giornata intensiva viene affrontata l’intera pipeline: preparazione dei dati, generazione degli embedding, indicizzazione, retrieval, costruzione del prompt e valutazione delle risposte.

Il focus non è sulla definizione del pattern, ma sulle scelte tecniche che determinano la qualità finale: granularità dei chunk, strategie di ranking, gestione del contesto e misurazione delle performance.

Al termine del corso avrai un framework chiaro per progettare e migliorare un sistema RAG su dati reali, evitando gli errori più comuni.

1. Architettura di un sistema RAG

• Componenti della pipeline end-to-end
• Errori tipici nei primi prototipi
• Trade-off tra semplicità e controllo
• Quando RAG è la scelta corretta e quando no

2. Preparazione dei dati

• Strategie di chunking e segmentazione
• Granularità e sovrapposizione
• Pulizia e normalizzazione dei contenuti
• Impatto della struttura dei documenti sulla qualità del retrieval

3. Embedding e indicizzazione

• Scelta e gestione degli embedding
• Aggiornamento e versionamento
• Vector store e strategie di indicizzazione
• Performance, latenza e costi

4. Retrieval e ranking

• Similarità semantica e limiti pratici
• Filtri e query ibride
• Reranking per migliorare la rilevanza
• Riduzione del rumore nei risultati

5. Costruzione del contesto e generazione

• Costruzione del prompt con contenuti recuperati
• Gestione dei limiti di contesto
• Riduzione delle allucinazioni
• Strategie di grounding e citazione delle fonti

6. Valutazione della qualità

• Metriche di rilevanza e copertura
• Test manuali e dataset di valutazione
• Analisi degli errori
• Iterazione e miglioramento continuo

7. Portare un RAG in produzione

• Aggiornamento della knowledge base
• Monitoraggio e controllo dei costi
• Versionamento della pipeline
• Pattern architetturali per ambienti aziendali