{"id":13864,"date":"2025-05-22T10:32:43","date_gmt":"2025-05-22T08:32:43","guid":{"rendered":"https:\/\/www.convegnonazionaleaiic.it\/metodologie-conversazionali-rag-based\/"},"modified":"2025-06-04T14:23:34","modified_gmt":"2025-06-04T12:23:34","slug":"metodologie-conversazionali-rag-based","status":"publish","type":"post","link":"https:\/\/www.convegnonazionaleaiic.it\/metodologie-conversazionali-rag-based\/","title":{"rendered":"METODOLOGIE CONVERSAZIONALI RAG-BASED"},"content":{"rendered":"
\n
\n

\"\"\"\"<\/p>\n

AFFILIAZIONE<\/span><\/strong><\/p>\n

\u00abintelligent digital agents research group, fondazione bruno kessler\u00bb<\/p>\n


\nAUTORE PRINCIPALE<\/span><\/strong><\/p>\n

Dragoni Mauro<\/p>\n

VALUTA IL CHALLENGE
\n<\/span><\/strong><\/p>\n

Registrazione obbligatoria. Una valutazione consentita<\/em><\/div>\n
\t\t
\n\t\t\t\t
\n\t\t
\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t
\n\t\t\t\t\t\n\t\t\t\t\t\t\n\t\t\t\t\t\t\t\t\tLogin<\/span>\n\t\t\t\t\t<\/span>\n\t\t\t\t\t<\/a>\n\t\t\t\t<\/div>\n\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t
\n\t\t\t\t\t\n\t\t\t\t\t\t\n\t\t\t\t\t\t\t\t\tRegistrazione<\/span>\n\t\t\t\t\t<\/span>\n\t\t\t\t\t<\/a>\n\t\t\t\t<\/div>\n\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t
\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

login avvenuto<\/em><\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t

\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t
\n\t\t\t\t\t\n\t\t\t\t\t\t\n\t\t\t\t\t\t\t\t\tLogout<\/span>\n\t\t\t\t\t<\/span>\n\t\t\t\t\t<\/a>\n\t\t\t\t<\/div>\n\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t<\/div>\n
[ratingwidget]<\/div>\n<\/div>\n
\n

<\/a><\/p>\n

GRUPPO DI LAVORO<\/span><\/strong><\/p>\n

Dragoni Mauro<\/strong> \u00abintelligent digital agents research group, fondazione bruno kessler\u00bb
\n Sanna Leonardo<\/strong> \u00abintelligent digital agents research group, fondazione bruno kessler\u00bb
\n Magnolini Simone<\/strong> \u00abintelligent digital agents research group, fondazione bruno kessler\u00bb
\n Bellan Patrizio<\/strong> \u00abintelligent digital agents research group, fondazione bruno kessler\u00bb
\n Ravizza Alice<\/strong> insideai srl<\/p><\/div>\n

AREA TEMATICA<\/span><\/strong><\/p>\n

Applicazioni di intelligenza artificiale in sanit\u00e0<\/div>\n

ABSTRACT<\/span><\/strong><\/p>\n

Il paradigma del Retrieval-Augmented Generation (RAG) rappresenta una delle soluzioni pi\u00f9 promettenti per migliorare l’affidabilit\u00e0, la pertinenza e la trasparenza dei sistemi di intelligenza artificiale basati su modelli linguistici. Integrando le capacit\u00e0 generative di un modello linguistico con un modulo di recupero documentale, RAG consente di produrre risposte ancorate a fonti verificabili, riducendo significativamente il rischio di allucinazioni informative.
\nNel nostro contesto applicativo, l\u2019adozione di un modello RAG si \u00e8 rivelata fondamentale per assicurare risposte che siano non solo corrette, ma anche allineate a specifiche linee guida cliniche, e basi documentali ufficiali, garantendo la conformit\u00e0 regolatoria. Tuttavia, per garantire la qualit\u00e0 del sistema, \u00e8 essenziale implementare successivamente alla fase di definizione della Knowledge base un processo strutturato di validazione, articolato su tre assi principali.<\/p>\n

Accuratezza: viene valutata la coerenza della risposta rispetto ai documenti di riferimento. Una risposta accurata deve essere fondata sui contenuti recuperati e interpretati correttamente, aderendo alle linee guida di dominio. La misurazione avviene attraverso benchmark manuali e automatizzati, includendo confronti con risposte umane e verifica delle fonti citate.<\/p>\n

Robustezza: si testa la capacit\u00e0 del sistema di gestire input problematici o ambigui. Un modello robusto deve fornire risposte corrette anche in presenza di domande confondenti (es. formulazioni fuorvianti o incomplete), e bloccare in modo sicuro le risposte a input inappropriati, come richieste offensive, personali o fuori ambito. Tali casi vengono validati con scenari edge-case definiti da esperti clinici e tecnici e metriche specifiche sul comportamento difensivo del sistema.<\/p>\n

Mitigazione degli impatti discriminatori o inappropriati: il modello deve evitare toni aggressivi, discriminatori o linguaggio eccessivamente complesso. Le risposte devono essere accessibili e inclusive, con un linguaggio chiaro, non giudicante e adatto al pubblico di riferimento. Il processo di validazione comprende analisi qualitative e l’uso di metriche NLP per la valutazione della leggibilit\u00e0 e della neutralit\u00e0 stilistica.<\/p>\n

Attraverso questi tre pilastri di validazione, il sistema RAG pu\u00f2 offrire un’interazione affidabile, sicura e rispettosa degli utenti, contribuendo in modo efficace alla diffusione di contenuti informativi precisi e accessibili.<\/p><\/div>\n

 <\/p>\n

\n\n