Ricettario RAG con Python (Italian Edition)

Prefazione

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

Nel 2017, i ricercatori di Google hanno pubblicato l'articolo "Attention Is All You Need" e hanno presentato l'architettura Transformer, una svolta che ha rivoluzionato l'IA moderna. Negli anni successivi, i grandi modelli di base hanno dimostrato cosa succede quando queste idee vengono applicate su larga scala. I modelli hanno iniziato a scrivere testi coerenti, a rispondere a domande complesse e a generare codice funzionante. Per la prima volta, i sistemi software potevano interagire con il linguaggio in modi che sembravano davvero utili nelle applicazioni reali, non solo impressionanti nelle demo di ricerca.

Eppure questi modelli presentavano un limite importante. Erano potenti ma isolati, inclini a inventare fatti, privi di accesso a informazioni aggiornate e incapaci di lavorare con i dati aziendali privati. La generazione potenziata dal recupero (RAG) colma queste lacune accoppiando i modelli linguistici con fonti di conoscenza esterne. Considero la RAG e la RAG agentica un passo fondamentale verso sistemi di IA che emulano la risoluzione dei problemi umana. Raccolgono attivamente nuove informazioni, le interpretano nel contesto e pianificano continuamente i loro passi successivi sulla base dei risultati ottenuti. Collegando i modelli di base a fonti di conoscenza esterne, la RAG fonda i risultati dei modelli su dati verificabili ...