Ricettario RAG con Python (Italian Edition)

Capitolo 1. Introduzione a RAG

Questo lavoro è stato tradotto utilizzando l'AI. Siamo lieti di ricevere il tuo feedback e i tuoi commenti: [e-mail]

I modelli linguistici di grandi dimensioni (LLMs) hanno trasformato il modo in cui affrontiamo compiti cognitivi complessi: dalla scrittura di codice di produzione all'analisi di rapporti finanziari, fino alla traduzione di decine di lingue. I modelli di base complementari ora gestiscono la visione, la sintesi e il riconoscimento vocale, l'elaborazione audio, la generazione di immagini e il ragionamento multimodale, il tutto basato su architetture transformer simili in grado di elaborare e generare contenuti simili a quelli umani in diversi ambiti.

Nonostante queste capacità, questi modelli presentano limitazioni strutturali fondamentali. Non hanno accesso ai tuoi dati privati o riservati a meno che tu non li fornisca. Le loro finestre di contesto limitano la quantità di informazioni che possono considerare alla volta, il che rende i documenti lunghi costosi o impossibili da analizzare in un unico passaggio. E quando questi modelli non dispongono delle informazioni giuste, tendono ad avere allucinazioni piuttosto che ammetterel’ incertezza.

La generazione potenziata dal recupero (RAG) affronta tutti e tre i problemi contemporaneamente. Fornisce al modello un accesso controllato alla conoscenza esterna, gli permette di lavorare con molte più informazioni di quelle che possono stare in un singolo prompt, e fonda ...