5Livello 5

RAG completo

La pipeline completa di un sistema RAG: ingestion dei documenti, chunking, embedding, vector store, hybrid search e reranking, fino al prompting sopra i documenti recuperati e le citazioni delle fonti.

Lezioni (12)

• —Cos'è il RAG (Retrieval Augmented Generation)
• —Quando serve davvero un RAG
• —Pipeline base di un sistema RAG
• —Ingestion dei documenti
• —Chunking
• —Embedding per retrieval
• —Vector store
• —Hybrid search
• —Reranking
• —Prompting sopra i documenti recuperati
• —Fonti e citazioni
• —Errori tipici nei sistemi RAG

Valutazione, testing e guardrails

Come verificare che un sistema AI funzioni davvero: faithfulness, accuratezza e robustezza, test manuali e automatici con RAGAS, guardrail di input/output e monitoraggio degli errori in produzione.

Lezioni (13)

• —Perché valutare un sistema AI
• —Quality Assurance per LLM
• —Cos'è la Faithfulness
• —Accuratezza
• —Robustezza
• —Test manuali
• —Test automatici
• —Dataset di valutazione
• —RAGAS (RAG Assessment)
• —Guardrail di input
• —Guardrail di output
• —Filtri di sicurezza
• —Monitoraggio errori in produzione

Fine-tuning con LoRA e Unsloth

Quando ha senso addestrare un modello su misura: LoRA, QLoRA e Unsloth per un fine-tuning leggero anche su hardware consumer, preparazione del dataset e confronto con RAG e prompt engineering.

Lezioni (11)

• —Quando serve il fine-tuning
• —Quando non serve
• —Cos'è LoRA
• —Cos'è QLoRA
• —Cos'è Unsloth
• —Dataset per fine-tuning
• —Formato dei dati
• —Training leggero su hardware consumer
• —Valutazione del modello fine-tunato
• —Rischi di overfitting
• —Fine-tuning vs RAG vs Prompt Engineering

Pronto a iniziare?

Segui questo percorso passo per passo, con quiz e progressi tracciati. Gratis per iniziare.