Una domanda sembra semplice.
La macchina che costruisce la risposta, molto meno.
Se dovessimo mostrare tutto quello che succede dietro una macchina RAG, questa pagina sarebbe lunga almeno un chilometro. Abbiamo preferito fare il contrario: abbiamo preso una delle architetture più complesse dell'AI e l'abbiamo trasformata in un viaggio visivo.
Il sistema riceve la richiesta in linguaggio naturale, come la scrivereste a un collega.
Nel progetto del 2004, quanti m² di superficie utile erano destinati alla distribuzione e quale rapporto rappresentavano sul totale? Confrontalo con gli 8.000 m² del nuovo progetto
Il documento originale viene analizzato: titoli, paragrafi, tabelle, metadata e immagini vengono riconosciuti e separati.
Il testo si divide in piccoli pezzi, i token, che la macchina sa gestire.
Quanti m² erano destinati alla distribuzione?
ID dei token: valori d'esempio.
Un documento troppo grande per essere cercato interamente viene trasformato in unità informative più gestibili.
Le righe evidenziate sono l'overlap: una parte condivisa tra chunk consecutivi, per non perdere il contesto.
L'informazione viene trasformata in una rappresentazione numerica del suo significato.
Relazione tecnica 2004: superficie utile destinata alla distribuzione, 3.200 m²…
Testo[0.183, −0.421, 0.774, 0.091 …]NumeriI punti con significato simile si avvicinano e formano gruppi. Quando arriva una domanda, entra nello stesso spazio e trova i vicini.
Trascinate per ruotare · rotella del mouse (o due dita) per ingrandire · doppio clic per ripartire · passate su un punto per leggerne il frammento. Ogni punto è un frammento di documento: punti vicini, significati simili. Rappresentazione semplificata in tre dimensioni: nella realtà le dimensioni sono centinaia.
I vettori vengono memorizzati in un indice che trova in un istante gli elementi più vicini alla domanda.
La domanda attraversa lo spazio, alcuni elementi vengono selezionati e i risultati estratti.
La barra indica la somiglianza di significato.
I frammenti recuperati vengono riuniti alla domanda in un unico prompt: è tutto ciò che il modello leggerà.
Domanda e frammenti arrivano al modello linguistico come un unico prompt. Il modello genera la risposta basandosi sui frammenti ricevuti. Il sistema resta chiuso nel vostro perimetro, ma può dialogare con strumenti esterni attraverso un server MCP (Model Context Protocol): una porta controllata, aperta solo verso ciò che decidete di collegare.
Dietro c'è una pipeline enorme. Davanti, una risposta chiara, con le fonti per verificarla.
Nel 2004 la superficie utile destinata alla distribuzione era di 3.200 m², il 25% dei 12.800 m² totali. La scheda del nuovo progetto indica 8.000 m² senza precisare se riguardino la sola distribuzione. Se sì, sono 2,5 volte il dato del 2004 (+4.800 m²); se sono la superficie totale, il confronto va fatto sulla quota, che nel 2004 era del 25%. Con la tabella delle superfici del nuovo progetto il calcolo si chiude.
Le fonti permettono di verificare ogni risposta.
AGVM è la memoria vettoriale che permette al sistema di imparare: scrive nuova conoscenza, la ritrova quando serve e la fa evolvere nel tempo, anche tra una sessione e l'altra.
Legge documenti indicizzati in anticipo. La conoscenza cambia solo quando qualcuno la aggiorna.
Scrive, ritrova e fa evolvere la propria conoscenza nel tempo, e la conserva tra una sessione e l'altra.
La risposta arriva in superficie.
È questa la nostra sfida: costruire macchine estremamente sofisticate che, per chi le utilizza, risultino semplicemente naturali.
Nel colloquio conoscitivo vi mostriamo come si traduce nella vostra realtà.
Prenota un audit