Ricerca semantica

Il modello di IA di riferimento è il text-embedding-3-large di OpenAI adatto ad essere utilizzato con l'approccio RAG.

Cos'è text-embedding-3-large?

text-embedding-3-large è un modello che trasforma testi in numeri, sviluppato da OpenAI. In pratica, prende una parola, una frase od un documento e lo converte in una rappresentazione numerica chiamata vettore, che conserva il significato del testo.

Questa trasformazione permette di confrontare facilmente due testi e capire quanto siano simili nel contenuto.

Caratteristiche principali:

• • Dimensione del vettore: 3072 numeri
  • Precisione: Molto elevata, adatta a scenari complessi e contenuti specialistici
  • Velocità ed efficienza: Prestazioni ottimizzate
  • Affidabilità semantica: Buona capacità di comprendere contesti e sfumature
  • Costo moderato: Ideale per usi su larga scala, come siti od applicazioni che debbano gestire tante richieste

A cosa serve:

• • Ricerca semantica avanzata su grandi insiemi di documenti

  • Classificazione automatica di contenuti specialistici

  • Suggerimenti intelligenti e contestuali di testi simili

  • Organizzazione e recupero delle informazioni con buona accuratezza

Cos'è l’approccio con recupero e generazione (RAG)?

La strategia chiamata RAG (Recupero con generazione assistita) consiste in due fasi:

1. • Recupero: Il sistema cerca, all’interno di una base di conoscenze (es. documenti, manuali, archivi), le parti di testo più rilevanti rispetto alla domanda dell’utente.
   • Generazione: Un modello linguistico avanzato (come GPT) legge quei contenuti e genera una risposta chiara e completa, basata sulle informazioni trovate.

Perché è utile:

• • Fornisce risposte accurate basate su fonti reali

  • Riduce il rischio che il modello inventi informazioni

  • Permette l’integrazione con dati privati, aziendali od aggiornati

  • Ideale per domande tecniche, specialistiche o basate su documentazione complessa