Un cliente scrive «il pacco non è arrivato», mentre la procedura interna parla di «mancata consegna». La ricerca semantica aiuta a trovare testi vicini alla domanda anche quando le parole sono diverse. Un vector database conserva e cerca le rappresentazioni numeriche usate per questo confronto.
La ricerca per parole resta utile per codici prodotto, nomi e riferimenti precisi. I motori testuali possono usare sinonimi e altre elaborazioni: non si limitano tutti a una corrispondenza letterale. La scelta va fatta sulle domande che gli utenti pongono davvero.
Dal documento al risultato
Un modello di embedding trasforma il testo in un vettore, cioè una lista di numeri. Il database memorizza questi vettori e li confronta. La loro dimensione dipende dal modello scelto; query e documenti devono usare rappresentazioni compatibili.
- Dividi i documenti in parti leggibili, mantenendo titolo, fonte e contesto.
- Calcola gli embedding e salva anche metadati come data, reparto e identificativo del documento.
- Trasforma la domanda con lo stesso modello e cerca i contenuti più vicini, applicando i filtri necessari.
- Mostra i passaggi trovati oppure usali come contesto per una risposta dell'assistente.
Vicinanza numerica e pertinenza non coincidono sempre. Una procedura di reso può somigliare a quella di mancata consegna, ma prevedere azioni diverse. Per verificarlo serve un insieme di domande con le fonti attese, da riutilizzare quando cambi modello, documenti o configurazione.
Un archivio di giornali come caso d'uso
Ho testato la ricerca semantica su un archivio di giornali storici. È un contesto interessante perché lessico e modi di descrivere gli eventi cambiano nel tempo. Cercare per concetto aiuta a esplorare l'archivio; nomi, date e testate restano filtri utili per restringere i risultati.
In un archivio digitalizzato conta anche la qualità del testo estratto. Se l'OCR legge male un nome o mescola due colonne, il confronto dei vettori parte già da un contenuto difettoso. Conviene poter risalire dal risultato alla pagina originale.
Cosa cambia quando aggiungi RAG
Con Retrieval Augmented Generation, l'applicazione recupera passaggi pertinenti e li fornisce al modello insieme alla domanda. Il recupero può essere vettoriale, testuale o combinare i due. Il modello usa quel contesto per formulare la risposta.
Questo può ridurre gli errori, ma non elimina le allucinazioni. Il sistema può recuperare un documento vecchio, saltare un'eccezione o produrre una risposta che la fonte non sostiene. Anche una citazione va controllata. Le indicazioni di Anthropic chiariscono questo limite.
Per un assistente interno, definisci come gestire fonti mancanti o contraddittorie e applica gli accessi prima di passare i contenuti al modello. Una prova utile include domande senza risposta nell'archivio: il sistema deve riconoscere il limite e chiedere informazioni, invece di completare i vuoti.
pgvector o Qdrant: da cosa partire
pgvector aggiunge la ricerca vettoriale a PostgreSQL. È una possibilità da valutare se dati e gestione operativa sono già lì. Puoi iniziare con la ricerca esatta e misurare quando servono indici approssimati come HNSW o IVFFlat: questi scambiano parte della completezza dei risultati con la velocità. La documentazione sugli indici spiega il compromesso.
Qdrant è un motore dedicato alla ricerca vettoriale. Offre anche strumenti per combinare più ricerche e riordinare i risultati, descritti nelle query ibride. Va valutato insieme al costo operativo del servizio, ai filtri necessari e alle competenze del team.
Per confrontarli usa lo stesso campione di documenti e domande. Misura pertinenza, latenza, memoria e aggiornamento dell'indice, includendo i filtri usati dall'applicazione. Il solo numero di vettori non dice quale soluzione funzionerà meglio nel tuo progetto.
Quando vale la pena provarlo
La ricerca semantica merita una prova quando gli utenti formulano la stessa esigenza in molti modi: procedure interne, ticket di assistenza, manuali o archivi documentali. Se il compito è trovare un ordine tramite il suo numero, parti da una ricerca sul campo corretto.
Per collegare questa ricerca a un flusso di lavoro, nella soluzione Assistente IA aziendale trovi esempi di consultazione e utilizzo dei dati. Il primo passo resta verificare che le risposte siano sostenute dai documenti a cui l'utente può accedere.
