Che cos'è la RAG? Come l'IA risponde alle domande a partire dai dati di prodotto e degli ordini

IN SINTESI Sintesi della redazione

1. La retrieval-augmented generation (RAG) è una tecnica in cui un sistema di IA recupera prima le informazioni pertinenti dalle fonti dell'azienda e poi le passa a un large language model come contesto per la risposta.
2. Il termine è stato introdotto in un articolo scientifico del 2020 di Patrick Lewis e colleghi, che combinava un modello linguistico pre-addestrato con un indice di documenti consultabile.
3. La RAG permette a un'azienda della moda di basare le risposte su dati aggiornati di prodotti, prezzi e ordini senza riaddestrare un modello, e consente alle risposte di citare i record utilizzati.
4. Le risposte RAG valgono quanto i dati sottostanti: attributi incompleti, listini prezzi superati o record articolo duplicati portano direttamente a risposte sbagliate.
5. La OWASP Top 10 for LLM Applications 2025 indica prompt injection, divulgazione di informazioni sensibili e debolezze di vettori ed embedding tra i principali rischi di sicurezza per questi sistemi.

La retrieval-augmented generation (RAG) è un modo per far rispondere un assistente IA a partire dai vostri dati anziché dal suo addestramento generale. Quando qualcuno pone una domanda, il sistema cerca prima nel catalogo prodotti, nei listini prezzi, nello storico ordini o nei documenti di policy, poi passa gli estratti pertinenti a un large language model, che scrive una risposta basata su di essi. Per i team wholesale e retail della moda è l'architettura più diffusa dietro gli assistenti che rispondono a domande come "Quali modelli della linea estiva sono ancora disponibili in taglia 38?"

Che cos'è la retrieval-augmented generation?

Il termine deriva da un articolo scientifico del 2020 di Patrick Lewis e colleghi, "Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks". Gli autori osservavano che i grandi modelli linguistici pre-addestrati memorizzano conoscenza nei propri parametri, ma faticano ad accedervi con precisione, a mostrare da dove proviene una risposta o ad aggiornare ciò che sanno. La loro soluzione combinava la memoria "parametrica" interna del modello con un indice esterno di documenti consultabile. L'articolo riferiva che in questo modo si ottenevano risposte più specifiche e fattuali rispetto a un modello linguistico che lavora da solo.

AWS riassume l'idea in termini aziendali: la RAG fa sì che un modello linguistico consulti una base di conoscenza autorevole esterna ai suoi dati di addestramento prima di rispondere, estendendo il modello alla conoscenza interna di un'organizzazione senza riaddestrarlo.

Come funziona la RAG, passo dopo passo?

1. Preparare i dati: record di prodotto, line sheet, termini e condizioni, dati di ordini e consegne vengono raccolti dai sistemi di origine. Il testo viene suddiviso in porzioni e convertito in vettori numerici (embedding), di solito archiviati in un database vettoriale; i dati strutturati possono anche essere interrogati direttamente.
2. Recuperare: la domanda dell'utente viene convertita allo stesso modo e confrontata con l'archivio per trovare i record più pertinenti, per esempio i dati anagrafici dell'articolo per un modello e il relativo stock attuale.
3. Arricchire: i record recuperati vengono inseriti nel prompt come contesto, insieme a istruzioni come "rispondi solo sulla base di questi record e citali".
4. Generare: il modello linguistico scrive la risposta, idealmente con riferimenti ai record utilizzati.
5. Aggiornare: come osserva AWS, documenti ed embedding vanno aggiornati in tempo reale o a lotti regolari, altrimenti l'assistente risponde con i dati di ieri.

Leggi anche

Come funziona la segmentazione dei clienti wholesale con l'IA?

Che cosa può fare la RAG con i dati di prodotto e degli ordini nella moda?

La RAG è utile ovunque le persone perdano tempo a cercare informazioni in più sistemi. Esempi tipici nel wholesale e nel retail della moda:

Il filo conduttore è che la risposta deve essere corretta per un'azienda, un cliente e un momento specifici. Un modello generale non può saperlo; una fase di recupero può fornirlo.

Non a tutte le domande si dovrebbe rispondere cercando nei testi. Alle domande su livelli di stock, quantità d'ordine aperte o prezzi è meglio rispondere interrogando direttamente il sistema di origine con filtri esatti, mentre le domande su istruzioni di manutenzione, condizioni di consegna o storie di collezione si prestano alla ricerca nei documenti. Molti assistenti pratici combinano entrambe le cose: una query strutturata per i numeri e il recupero di documenti per la spiegazione, con il modello linguistico che si limita a formulare la risposta finale.

Perché la RAG è meglio che addestrare un modello sui propri dati?

Il fine-tuning di un modello incorpora le informazioni nei suoi pesi: è costoso da ripetere e comunque non garantisce che vengano richiamate correttamente. I dati di prodotto e degli ordini cambiano ogni giorno, quindi un riaddestramento non riuscirebbe mai a stare al passo. AWS descrive la RAG come un modo economicamente vantaggioso per migliorare l'output di un modello rispetto al riaddestramento dei modelli di base e ne sottolinea altri due vantaggi: le risposte possono attingere a fonti aggiornate di frequente e possono includere citazioni verificabili dagli utenti. Per un team commerciale quest'ultimo punto è decisivo: un agente deve vedere da quale listino prezzi o record d'ordine proviene una risposta prima di comunicarla a un cliente.

Che cosa va storto con la RAG nella pratica?

• Dati anagrafici scadenti: se gli attributi mancano o sono incoerenti tra i sistemi, il recupero restituisce record incompleti o contraddittori e il modello colma le lacune con supposizioni.
• Recupero sbagliato: nomi di modelli, codici colore o stagioni simili possono indurre il sistema a prendere l'articolo sbagliato. I filtri strutturati (stagione, mercato, cliente) riducono il problema.
• Indici non aggiornati: stock e stato degli ordini cambiano di continuo; un indice aggiornato ogni settimana darà risposte sicure ma superate.
• Controllo degli accessi: un cliente wholesale non deve mai vedere prezzi o ordini di un altro cliente. I permessi vanno applicati nella fase di recupero, non solo nell'interfaccia utente.
• Sicurezza: la OWASP Top 10 for LLM Applications 2025 indica prompt injection, divulgazione di informazioni sensibili e debolezze di vettori ed embedding tra i principali rischi per questi sistemi.

Leggi anche

IA nel wholesale B2B della moda: la guida completa

Come dovrebbe prepararsi alla RAG un'azienda della moda?

Il lavoro preliminare riguarda soprattutto i dati. Le aziende hanno bisogno di un'unica fonte affidabile per ogni tipo di record (articoli, prezzi, stock, ordini, clienti), di identificativi coerenti che li colleghino e di responsabilità chiare per mantenerli aggiornati. Documenti come condizioni, line sheet e guide alla manutenzione dovrebbero essere in formato leggibile dalle macchine e sotto controllo di versione. Conviene iniziare da un tipo di domanda circoscritto e ad alto volume, come lo stato degli ordini per i clienti wholesale o le informazioni di prodotto per gli agenti di vendita, imporre all'assistente di citare le fonti e mantenere un percorso di escalation verso una persona. Solo quando la qualità delle risposte è misurata e stabile ha senso ampliare il perimetro o lasciare che il sistema avvii azioni come la preparazione di una bozza di riordino.

Domande frequenti

Che cosa significa RAG nell'IA?

RAG sta per retrieval-augmented generation, cioè generazione aumentata dal recupero. Indica i sistemi di IA che recuperano informazioni pertinenti da fonti esterne, come i dati di prodotto o degli ordini di un'azienda, e le forniscono a un large language model come contesto prima che il modello generi una risposta.

La RAG è la stessa cosa del fine-tuning?

No. Il fine-tuning modifica i pesi interni di un modello tramite un addestramento aggiuntivo, mentre la RAG lascia il modello invariato e fornisce le informazioni pertinenti al momento della domanda. La RAG è più adatta a dati che cambiano spesso, come stock, prezzi e ordini, e rende più facile mostrare le fonti.

La RAG può comunque avere allucinazioni?

Sì. Se il recupero restituisce record sbagliati o incompleti, o se il modello li ignora, le risposte possono essere comunque errate. Richiedere citazioni, limitare le risposte ai dati recuperati e testare con domande note riduce il rischio, ma non lo elimina.

Di quali dati ho bisogno per un assistente RAG nel wholesale della moda?

Come minimo, dati anagrafici di prodotto puliti, listini prezzi aggiornati, dati di stock o disponibilità e record degli ordini per cliente, collegati da identificativi coerenti. Documenti come condizioni e line sheet dovrebbero essere digitali e sotto controllo di versione, e i diritti di accesso vanno definiti per utente e per cliente.

GuidaLa guida completa all’IA nel wholesale e nel B2B della modaLeggi la guida completa