Ho creato un sistema AI di Ricerca Vettoriale

[@fabriziocasula]

complimenti per la competenza :-)

[@AlessandroDeMarchi]

@@fabriziocasula grazie 🙏

[@cristianitaliano9780]

Ciao hai mai analizzato la soluzione di google cosa ne pensi rispetto a openai quale conviene secondo te?

[@AlessandroDeMarchi]

Ciao, si ho testato anche la soluzione Gemini di Google che si è rivelata un'ottima opzione. Tuttavia trovo che OpenAI da un punto di vista di integrazione e divulgazione per il grande pubblico sia più semplice da implementare e comprendere.

[@cristianitaliano9780]

@@AlessandroDeMarchi Grazie Alessandro per la risposta, Sto cercando di embeddare testi normativi e procedure aziendali che fanno riferimento a tali testi, ma mi trovo di fronte a una sfida. Le query che devo gestire possono richiedere l'elaborazione di molteplici record all'interno del database (uso Pinecone), in quanto le risposte spesso devono combinare informazioni provenienti da fonti diverse. Ad esempio: Procedura aziendale caricata come embedding separato. Riferimento normativo 1 tratto da una delibera di 50/100 pagine. Riferimento normativo 2 tratto da un'altra delibera simile. La sfida principale è che l'informazione è frammentata tra diverse fonti, e una singola query può richiedere di aggregare dati da molteplici embedd. Come posso ottimizzare il processo per garantire che la risposta integri correttamente i vari frammenti, mantenendo precisione e coerenza, anche quando le fonti sono numerose e diversificate

[@AlessandroDeMarchi]

Ciao , è una situazione abbastanza comune Come prima cosa dovresti suddividere i testi in paragrafi e caricarli nel dbms vettoriale Poi quando fai una ricerca vettoriale dovrai prendere almeno 5 risultati (ma anche di più) ed usare questi risultati per generare un prompt adeguato alle tue necessità Il prompt poi lo dovrai dare nuovamente in pasto all’AI per ottenere la risposta definitiva