M365.FM · Português
Por que embeddings não bastam
RAG híbrido com BM25, reranker e cache semântico
Você criou o banco de dados vetorial, indexou os documentos e gastou o orçamento, mas o seu Copilot continua alucinando. A causa raramente é o modelo, e sim a estratégia de recuperação: embeddings trazem o que é parecido, não o que é correto. Este episódio mostra como uma arquitetura RAG híbrida com BM25, busca vetorial e reranking semântico atinge a precisão de que as empresas precisam.
Seguir o podcastNovos episódios sobre Microsoft 365, Copilot e mais, grátis no seu app de podcasts.Spotify
▶ Por que embeddings não bastam: RAG híbrido com BM25, reranker e cache semântico (Dublagem IA)
O que você vai aprender:
- A armadilha do top-K: por que similaridade matemática não é relevância de negócio e por que a busca puramente vetorial falha com códigos de produto, SKUs e nomes internos de projetos
- O padrão híbrido: como a busca por palavras-chave BM25 junto com a busca vetorial aumenta o recall em 17% e encontra também o jargão do setor
- Ranking semântico com o reranker L2 no Azure AI Search: modelos de atenção cruzada derivados do Bing levam a resposta certa da posição 8 para a posição 1
- Precisão com custo viável: o cache semântico reduz as chamadas ao LLM em 60–80%, e o reranker é ativado só em consultas complexas
- A lacuna de governança e o roadmap de 2026: RAG agêntico, GraphRAG e uma auditoria de recuperação como primeiro passo
Este episódio é uma versão em português dublada com IA do vídeo animado do M365 Show, do Microsoft MVP Mirko Peters.