M365.FM · Italiano
Perché gli embeddings non bastano
RAG ibrido con BM25, reranker e caching semantico
Hai creato il database vettoriale, indicizzato i documenti e speso il budget, eppure il tuo Copilot continua ad avere allucinazioni. La causa raramente è il modello, ma la strategia di recupero: gli embeddings restituiscono ciò che è simile, non ciò che è corretto. Questo episodio mostra come un’architettura RAG ibrida con BM25, ricerca vettoriale e reranking semantico raggiunge la precisione che serve alle aziende.
Segui il podcastNuovi episodi su Microsoft 365, Copilot e altro, gratis nella tua app di podcast.Spotify
▶ Perché gli embeddings non bastano: RAG ibrido con BM25, reranker e caching semantico (Doppiaggio IA)
Cosa scoprirai:
- La trappola del top-K: perché la somiglianza matematica non è rilevanza di business e la ricerca puramente vettoriale fallisce su codici prodotto, SKU e nomi interni dei progetti
- Lo standard ibrido: come la ricerca per parole chiave BM25 insieme alla ricerca vettoriale aumenta il recall del 17% e trova anche il gergo di settore
- Ranking semantico con il reranker L2 in Azure AI Search: modelli cross-attention derivati da Bing portano la risposta giusta dalla posizione 8 alla 1
- Precisione sostenibile: il caching semantico riduce le chiamate all’LLM del 60–80% e il reranker si attiva solo per le query complesse
- Il divario di governance e la roadmap 2026: RAG agentico, GraphRAG e un audit del retrieval come primo passo
Questo episodio è una versione italiana doppiata con l’IA del video animato di M365 Show del Microsoft MVP Mirko Peters.