Modulo 1. Introduzione alla RAG e ai Large Language Models
Evoluzione dell'Intelligenza Artificiale generativa, funzionamento degli LLM e principali limiti, tra cui allucinazioni e conoscenze non aggiornate. Introduzione alla tecnologia RAG e confronto con LLM tradizionali e fine-tuning.
Modulo 2. Architettura e funzionamento dei sistemi RAG
Analisi dell'architettura RAG e delle sue componenti: importazione dei dati, indicizzazione, embeddings, database vettoriali, retrieval e generazione delle risposte. Approfondimento del ciclo di elaborazione delle informazioni e della gestione della base di conoscenza.
Modulo 3. Preparazione dei dati, Embeddings e Database Vettoriali
Tecniche di acquisizione, pulizia e organizzazione dei documenti. Approfondimento del chunking, degli embeddings, della ricerca semantica e dei database vettoriali, con particolare attenzione alle strategie di indicizzazione e rappresentazione delle informazioni.
Modulo 4. Tecniche di Retrieval e Strategie di Ricerca
Analisi delle principali tecniche di recupero delle informazioni: ricerca lessicale, semantica e ibrida. Approfondimento di query transformation, ranking, reranking e ottimizzazione dei risultati per migliorare pertinenza e precisione delle informazioni recuperate.
Modulo 5. Generazione delle Risposte e Progettazione del Sistema
Integrazione delle informazioni recuperate con i modelli linguistici. Progettazione dei prompt, gestione del contesto, controllo degli output e utilizzo delle fonti. Panoramica sulle architetture avanzate: Modular RAG, GraphRAG, Agentic RAG e RAG multimodale.
Modulo 6. Valutazione, Prestazioni e Limiti della RAG
Metodologie e metriche per valutare la qualità del retrieval e delle risposte generate. Analisi di accuratezza, affidabilità, allucinazioni ed errori. Approfondimento di prestazioni, latenza, costi, scalabilità e strumenti di monitoraggio.
Modulo 7. Casi d'Uso, Scelte Architetturali e Prospettive Future
Applicazioni della RAG in ambito aziendale, legale, tecnico e formativo. Analisi di assistenti documentali e sistemi di knowledge management. Confronto tra RAG, fine-tuning e prompt engineering, con approfondimento delle soluzioni cloud e on-premise, governance e prospettive future.
Il corso è rivolto a sviluppatori, programmatori, Data Scientist, AI Specialist e professionisti IT che desiderano approfondire le tecnologie alla base dei sistemi di Intelligenza Artificiale generativa.
È particolarmente indicato per chi vuole acquisire competenze nella progettazione di architetture RAG, nell'integrazione degli LLM con fonti di conoscenza esterne e nello sviluppo di applicazioni AI basate sui dati.
Prerequisiti: conoscenze di base di Python e Machine Learning. (moduli acquistabili a parte)
Al termine del corso avrai acquisito le competenze necessarie per comprendere e progettare architetture basate sulla tecnologia RAG.
Saprai come integrare i Large Language Models con documenti, database e basi di conoscenza esterne, scegliendo le tecniche più adatte per recuperare informazioni e migliorare la qualità delle risposte generate.
In particolare, imparerai a:
Comprendere e analizzare l'architettura di un sistema RAG.
Conoscere embeddings, database vettoriali e tecniche di ricerca semantica.
Valutare e ottimizzare le strategie di retrieval.
Comprendere come migliorare pertinenza, affidabilità e tracciabilità delle risposte.
Valutare prestazioni, costi e rischi di sicurezza e privacy.
Confrontare RAG, fine-tuning e prompt engineering.
Conoscere architetture avanzate come GraphRAG e Agentic RAG.
Acquisirai una visione strutturata delle tecnologie che stanno trasformando gli LLM in sistemi capaci di utilizzare conoscenze specifiche e informazioni esterne.