Il ragionamento multi-hop è la capacità di un sistema di IA di rispondere a una domanda attraverso più inferenze successive, spesso combinando informazioni da fonti diverse. Esempio: “Quale reparto dirige la persona responsabile del progetto X?” richiede prima di individuare il responsabile e poi il suo reparto. Domande di questo tipo sono impegnative per i sistemi di ricerca e RAG, perché ogni passaggio intermedio deve essere trovato e collegato correttamente.
Agenti, flussi e modelli in un’unica area di lavoro – demo gratuita di 24 ore.
Avvia demoLa Retrieval-Augmented Generation unisce ricerca e generazione di testo: prima di rispondere, il sistema cerca in una raccolta di conoscenze, come manuali, linee guida o FAQ, i passaggi pertinenti e li fornisce al modello linguistico come contesto. La risposta si basa così su contenuti aziendali aggiornati e non solo sulle conoscenze apprese in addestramento. Questo riduce le affermazioni inventate, rende tracciabili le fonti e consente aggiornamenti senza nuovo addestramento.
La risposta automatica alle domande (question answering) è un ambito dell’elaborazione del linguaggio in cui un sistema risponde direttamente a domande formulate in linguaggio naturale, invece di fornire un elenco di risultati. I sistemi moderni cercano i passaggi pertinenti in una base di conoscenza e ne ricavano una risposta, idealmente con l’indicazione della fonte. Si usa nel servizio clienti, nelle basi di conoscenza interne e nei manuali, ad esempio per sapere quanti giorni di ferie spettano il primo anno.
LazyGraphRAG è un approccio alla retrieval-augmented generation basata su grafi presentato da Microsoft Research nel 2024. A differenza di GraphRAG, in fase di indicizzazione non fa generare riassunti a un modello linguistico, ma individua concetti e co-occorrenze con tecniche classiche di elaborazione del linguaggio; il modello linguistico interviene solo al momento della domanda. Secondo Microsoft, i costi di indicizzazione scendono così al livello di una semplice RAG vettoriale. È adatto soprattutto a domande che richiedono una visione d'insieme di grandi raccolte di documenti.
Il concatenamento di modelli (model chaining) consiste nel collegare in sequenza più modelli o passaggi di IA, in modo che l’output di un passaggio diventi l’input del successivo. I compiti complessi si scompongono così in sotto-compiti gestibili, da verificare e migliorare singolarmente. Esempio: un passaggio riassume la richiesta di un cliente, un secondo la assegna a un reparto e un terzo prepara la risposta.
