L’agentic RAG introduce decisioni dinamiche nel recupero di informazioni: un agente può riformulare domande, scegliere fonti, effettuare ricerche successive e verificare se dispone di materiale sufficiente. Si distingue da una pipeline che esegue sempre gli stessi passaggi.
GraphRAG indica approcci che impiegano un grafo per arricchire il recupero di informazioni destinato a un modello generativo. Nel progetto Microsoft GraphRAG, il corpus viene organizzato anche attraverso entità, relazioni e riepiloghi di comunità, utili a esplorare temi trasversali.
Un knowledge graph rappresenta entità e relazioni in forma di grafo: per esempio aziende, persone, documenti e collegamenti fra loro. Può includere tipi, proprietà e provenienza. Nei sistemi AI aiuta a recuperare connessioni che una semplice lista di documenti rende meno esplicite.
Il reranking è un secondo ordinamento di risultati già recuperati. Un modello o una funzione più selettiva rivaluta la relazione fra domanda e documenti candidati, facendo emergere quelli più pertinenti. Consente di usare una prima ricerca veloce e una valutazione successiva più costosa.
Il grounding collega la risposta di un modello a dati o fonti identificabili, invece di basarla soltanto sulle informazioni apprese durante l’addestramento. Può usare documenti, risultati di ricerca o strumenti. Non coincide necessariamente con una specifica architettura RAG.
Il chunking divide documenti in porzioni utilizzabili per indicizzazione e recupero. Le porzioni possono seguire paragrafi, titoli, sezioni o limiti di dimensione. Un’eventuale sovrapposizione conserva informazioni fra blocchi adiacenti, ma aumenta ridondanza e spazio occupato.
La ricerca ibrida combina segnali diversi, tipicamente ricerca lessicale per parole e ricerca vettoriale per similarità semantica. I risultati vengono fusi o riordinati secondo una strategia definita. L’obiettivo è conservare precisione sulle corrispondenze esatte e capacità di recuperare formulazioni differenti.
La ricerca semantica cerca contenuti in base alla relazione di significato con una domanda, oltre alla corrispondenza letterale delle parole. Spesso utilizza embedding e una misura di similarità. Può affiancare la ricerca tradizionale, anziché sostituirla in ogni situazione.
Un database vettoriale memorizza vettori, spesso embedding, e supporta ricerche per similarità insieme a metadati e filtri. Può servire a recuperare documenti, immagini o prodotti semanticamente vicini a una richiesta. Ricerca approssimata e filtri influenzano tempi e copertura.
La RAG combina recupero di informazioni e generazione: il sistema cerca materiali pertinenti e li fornisce al modello come contesto per rispondere. È utile quando le risposte devono basarsi su documenti specifici o aggiornabili senza riaddestrare ogni volta il modello.
Un embedding è una rappresentazione numerica di un contenuto in uno spazio vettoriale. Nei sistemi di ricerca semantica, contenuti affini possono avere vettori vicini secondo una misura di similarità. Modello, dominio e modalità di confronto determinano quali relazioni vengono rappresentate.