DocBit è l’ assistente artificiale che risponde in linguaggio naturale alle domande poste dall’ utente che riceve informazioni dettagliate circa i prodotti ed i servizi della tua azienda.

Per capire come tutto questo diventa possibile, vediamo prima alcuni concetti che rappresentano la base informatica su cui è realizzata la piattaforma DocBit.

Con il nome di  Large Language Models (LLM) si identificano algoritmi di deep learning capaci di riconoscere, generare, riassumere, tradurre e prevedere contenuti testuali. Il tutto ha bisogno di elaborare grandi insiemi di dati utilizzati per l’addestramento (training) dell’ Intelligenza Artifciale.

La fama di questa famiglia di algoritmi (o modelli) è stata amplificata con il rilascio sul mercato di modelli generativi, capaci cioè di generare testo a fonte di istruzioni (prompt) fornite dall’utente.

Si pensi ad es. ChatGPT di OpenAI a partire dal 2023, DeepSeek più recentemente e molti altri, che ha dimostrato capacità sempre più avanzate di analisi e generazione di contenuti.

Va considerato che i dati utilizzati durante la fase di training rappresentano un substrato di informazioni che sono a disposizione del modello e da cui può attingere per generare i testi. 

Sebbene si tratti di sistemi molto avanzati ed in grado di simulare la comunicazione con un essere umano, l’utente non può dimenticare che gli output di questi sistemi vanno verificati in modo critico. Molto spesso infatti il modello genera il testo delle risposte, rispondere in modo convincente… ma completamente errato. Si parla in questi casi di  allucinazioni (hallucinations).

Con Retrieval Augmented Generation (RAG) si fa invece riferimento ad un potentissimo framework di Intelligenza Artificiale (AI) progettato per ottimizzare gli output dei sistemi che utilizzano gli LLM al fine di ridurre il rischio di allucinazioni.

Per spiegare la differenza tra le informazioni di training e le le informazioni ricavate con un sistema RAG, possiamo ricorrere a questo esempio:

• le informazioni di training sono assimilabili a quelle informazioni che uno studente ha accumulato durante gli esami dell’università. Certo, si ricordano per molto tempo, ma con il passare degli anni diventano meno precise.
• le informazioni ricavate da un sistema RAG sono invece molto precise, come se lo studente, pur capendo il concetto generale, avesse con se il testo e gli appunti.

L’architettura di DocBit sfrutta il recupero mirato di informazioni contestualizzate (RAG), potenziando così la capacità dei modelli generativi (LLM) per generare risposte precise, accurate e contestualmente ricche.

DocBit combina le peculirità dei modelli generativi e l’efficacia dei modelli di analisi dei contenuti per il recupero delle informazioni contestualizzate per migliorare la precisione e l’affidabilità delle risposte.