{"id":3858,"date":"2024-11-08T09:30:00","date_gmt":"2024-11-08T07:30:00","guid":{"rendered":"https:\/\/www.salesforce.com\/?p=3858"},"modified":"2024-11-07T15:48:57","modified_gmt":"2024-11-07T13:48:57","slug":"salesforce-agentforce-rag-ottimizzazione-llm-risposte-precise","status":"publish","type":"post","link":"https:\/\/www.salesforce.com\/it\/blog\/salesforce-agentforce-rag-ottimizzazione-llm-risposte-precise\/","title":{"rendered":"Come Salesforce, con Agentforce e RAG, ottimizza gli LLM per risposte pi\u00f9 precise e contestualizzate"},"content":{"rendered":"\n

Con gli LLM, i modelli linguistici di grandi dimensioni, abbiamo imparato a conoscere l\u2019intelligenza artificiale generativa<\/a> e ad utilizzarla nel nostro quotidiano, venendo a contatto anche con alcune limitazioni che influiscono sulla loro efficacia e affidabilit\u00e0.<\/p>\n\n\n\n

Un limite importante degli LLM<\/a> \u00e8 la dipendenza<\/strong> esclusiva dai dati con cui sono stati addestrati<\/strong>, che possono risultare incompleti, superati o imprecisi, generando spesso tutta una serie di allucinazioni<\/strong>, ossia delle risposte che non sono basate sulla realt\u00e0 o sulla verit\u00e0 oggettiva. <\/p>\n\n\n\n

Di conseguenza, pur essendo in grado di produrre testi coerenti e informativi, gli LLM non garantiscono sempre la correttezza o la pertinenza dei contenuti generati.<\/p>\n\n\n\n

Nondimeno gli LLM, essendo addestrati su dati pubblici, non portano con s\u00e9 il bagaglio di conoscenza peculiare di ogni azienda, pertanto, per poter sfruttare al meglio gli LLM nell\u2019ambito del proprio business, \u00e8 importante che gli LLM possano comprendere adeguatamente ci\u00f2 che \u00e8 rilevante per un determinato contesto aziendale<\/strong>, fornendo risposte basate su dati specifici e pertinenti, evitando quindi che clienti e dipendenti ottengano risposte generiche o fallaci.<\/p>\n\n\n\n

Per facilitare dunque gli LLM nel fornire risposte mirate a seconda delle peculiarit\u00e0 di un’azienda, una delle tecniche utilizzate \u00e8 quella della Retrieval-Augmented Generation (RAG).<\/strong><\/p>\n\n\n\n

Cos\u2019\u00e8 la RAG?<\/strong><\/h2>\n\n\n\n

Immagina un team di supporto ai clienti.<\/p>\n\n\n\n

Questo team risponde a una variet\u00e0 di richieste, basandosi sulla sua conoscenza generale dei prodotti o dei servizi dell\u2019azienda per cui lavora.<\/p>\n\n\n\n

Tuttavia, per domande complesse, come problemi tecnici specifici o richieste su normative aggiornate, il team di supporto pu\u00f2 dover consultare un database aziendale per recuperare dettagli aggiornati e pertinenti.<\/p>\n\n\n\n

Allo stesso modo, gli LLM sono capaci di rispondere a molte domande generali. Tuttavia, per fornire risposte dettagliate e precise, i modelli necessitano di un \u00abassistente\u00bb in grado di raccogliere informazioni da fonti di vario tipo. In ambito AI, questo assistente \u00e8 chiamato RAG.<\/p>\n\n\n\n

Con la RAG le aziende possono <\/strong>dunque incorporare automaticamente i loro dati proprietari<\/strong> pi\u00f9 aggiornati e pertinenti direttamente nei prompt<\/a><\/strong> che vengono sottoposti ai vari LLM.<\/p>\n\n\n\n

Il valore aggiunto della RAG \u00e8 proprio questo: arricchire i prompt <\/strong>in modo da fornire agli LLM un contenuto informativo e un contesto pi\u00f9 rilevante possibile, in modo da ridurre o eliminare allucinazioni o risposte errate, aumentando invece la probabilit\u00e0 che le risposte siano pertinenti e accurate.<\/p>\n\n\n\n

Quando parliamo di informazioni<\/strong> aggiuntive a supporto dei prompt intendiamo generalmente due tipologie di dati:<\/p>\n\n\n\n