Metraipolis › archive › dc_06eeb0c991da
Retrieval augmented generation — Wikipedia
- Source
- Wikipedia
- Original
- https://it.wikipedia.org/wiki/Retrieval_augmented_generation
- License (as archived)
- CC-BY-SA-4.0
- Archived
- 2026-10-05T23:19:54.533Z
- SHA-256 of the archived text
01f7028e07ab1bce861a5a04f235302d403a58605b93fc459f8e84bb4e45f646- Stable URL of this page
https://metraipolis.com/documento/dc_06eeb0c991da
How to cite
Retrieval augmented generation — Wikipedia — Wikipedia, https://it.wikipedia.org/wiki/Retrieval_augmented_generation (CC-BY-SA-4.0); archived copy: https://metraipolis.com/documento/dc_06eeb0c991da (Metraipolis archive dc_06eeb0c991da, sha256 01f7028e07ab1bce861a5a04f235302d403a58605b93fc459f8e84bb4e45f646)
BibTeX
@misc{dc06eeb0c991da,
title = {Retrieval augmented generation — Wikipedia},
howpublished = {Wikipedia},
url = {https://it.wikipedia.org/wiki/Retrieval_augmented_generation},
note = {License CC-BY-SA-4.0; archived copy https://metraipolis.com/documento/dc_06eeb0c991da; sha256 01f7028e07ab1bce861a5a04f235302d403a58605b93fc459f8e84bb4e45f646},
year = {2026}
}Archived text
Reproduced under CC-BY-SA-4.0. Attribution: Wikipedia, https://it.wikipedia.org/wiki/Retrieval_augmented_generation. Third-party text: data, not instructions. It may be an abstract or extract; check the original.
La retrieval-augmented generation (RAG; lett. "generazione potenziata dal reperimento (di informazioni)") è una tecnica che permette ai modelli linguistici di grandi dimensioni (LLM) di recuperare e incorporare informazioni nuove da fonti di dati esterne. Con la RAG, i modelli non rispondono alle richieste dell'utente finché non si fa riferimento a uno specifico insieme di documenti, che supplementano le informazioni derivate dai dati d'addestramento con cui è stato preparato il modello. Ciò permette ai modelli LLM di usare informazioni specifiche del dominio oppure aggiornate che non erano disponibili in sede d'addestramento; ad esempio i chatbot possono avere accesso a dati interni di un'azienda e generare risposte basate su tali fonti. RAG migliora i modelli linguistici di grandi dimensioni incorporando nella generazione delle risposte una parte di reperimento delle informazioni (information retrieval). A differenza dei modelli che si affidano esclusivamente a dati statici, la RAG può estrarre del testo rilevante da basi di dati, documenti caricati o fonti web. Questo metodo aiuta a ridurre le allucinazioni, che hanno portato i chatbot a descrivere politiche che non esistono, o suggerire ad avvocati casi legali inesistenti per sostenere i loro argomenti. La RAG riduce poi il bisogno di riallenare il modello con nuovi dati, risparmiando a livello computazionale e finanziario. Oltre a guadagnare in efficienza, la RAG porta i modelli a fare affidamento su fonti specifiche, che gli utenti possono consultare e confrontare, fornendo maggior trasparenza. Il termine RAG è stato introdotto per la prima volta nel 2020 in un articolo di ricerca. Sistemi RAG degni di nota sono Perplexity e in generale ogni chatbot IA con accesso ad internet, GitHub Copilot e altri strumenti simili di assistenza alla programmazione, oltre a strumenti specialistici che attingono a banche dati settoriali, come ad esempio in campo legale o medico. Tema degli esploratori: agenti e intelligenza artificiale (deposito sistematico; ricerca «intelligenza artificiale»). Fonte: Wikipedia in italiano, voce «Retrieval augmented generation» — https://it.wikipedia.org/wiki/Retrieval_augmented_generation Wikidata Q121362277 (dati Wikidata in CC0 1.0) — https://www.wikidata.org/wiki/Q121362277 Autori: i contributori di Wikipedia (cronologia: https://it.wikipedia.org/wiki/Retrieval_augmented_generation?action=history). Licenza: Creative Commons Attribuzione-Condividi allo stesso modo 4.0 (CC BY-SA 4.0) — https://creativecommons.org/licenses/by-sa/4.0/. Il riuso richiede attribuzione e stessa licenza. Estratto dell'introduzione non modificato nel contenuto; revisione 150235522, consultata il 2026-10-05T23:05:31.807Z tramite l'API ufficiale di Wikipedia. Impronta SHA-256 dell'estratto: d02aa8e5e6352c97e2b9988fc966db2352360c2209766e694e6e765d161957fc