RAG Engineering per sistemi AI affidabili

Il problema che risolve

Molti prototipi RAG funzionano in demo ma falliscono con documenti reali, permessi, versioni, linguaggio tecnico e requisiti di audit. Il corso affronta ingestion, retrieval, qualità delle risposte, sicurezza e manutenzione, collegando architettura e gestione operativa.

Durata: 5 ore, 2 lezioni da 2,5 ore
Modalità: Laboratorio in presenza o online, con esercizi guidati e materiali adattati al cliente.
Profilo: Per team tecnici con basi di programmazione e architetture software.
Output finale: Architettura RAG target (il sistema di risposta sulle fonti da costruire), evaluation set (l'insieme di prove con cui si misura la qualità) e checklist production-ready, cioè la lista di controllo prima dell'uso reale.

Destinatari

Team software, data engineer, AI engineer, architect, responsabili IT, innovation team e buyer tecnici che devono valutare o costruire sistemi RAG interni.

Quando sceglierlo

Quando esistono knowledge base, documentazione tecnica, procedure, ticket, contratti o repository da rendere interrogabili senza perdere controllo su fonti e qualità.

Risultati concreti

Disegnare architettura RAG target.
Impostare pipeline di ingestion, la catena che prepara e carica i documenti.
Definire chunking e retrieval: come spezzare i testi e come recuperarli al momento della domanda.
Costruire criteri di valutazione e metriche.
Gestire fonti, permessi, sicurezza e osservabilità.

Programma

1
Fondamenti RAG
Retrieval, grounding, contesto e limiti dei modelli generativi.
2
Data pipeline
Parsing, normalizzazione, chunking, metadati e aggiornamenti.
3
Retrieval e risposta
Ranking, filtri, query transformation, citazioni e fallback.
4
Produzione
Evaluation set, monitoraggio, permessi, audit, costi e manutenzione.

Esercitazioni pratiche

Disegno pipeline RAG.
Confronto strategie di chunking.
Costruzione test set.
Analisi risposte errate.
Controlli su fonti e permessi.

Materiali consegnati

Canvas architetturale.
Checklist RAG production-ready.
Template evaluation set.
Matrice rischi.
Schema governance documentale.

Dati, privacy e limiti

Lavora su dataset sintetici o documenti approvati. Le scelte tecniche considerano segregazione, retention, access control e tracciabilità.

Prerequisiti

Conoscenza base di API, dati strutturati/non strutturati e architetture software.

Corsi collegati

Tecnico4 ore, 2 lezioni da 2 ore

AI Coding Agents per team software

Corso tecnico per usare agenti AI come componenti controllati del ciclo software: sviluppo, revisione, test e rilascio, con responsabilità dichiarate.

Sceglierlo se: Quando un team vuole gli agenti di coding dentro repository, revisione, test e rilascio, non come uso occasionale.
Profilo: Per team tecnici con basi di programmazione e architetture software.
Output finale: Playbook agentico — il manuale operativo per usare gli agenti nello sviluppo, nella revisione, nei test e nelle regole del repository.

Programma, output e prerequisiti

Tecnico5 ore, 2 lezioni da 2,5 ore

AI Software Engineering

Corso tecnico per portare disciplina ingegneristica nello sviluppo di funzionalità e prodotti AI.

Sceglierlo se: Quando una funzione AI deve passare da prototipo a parte stabile di un prodotto o di un sistema interno.
Profilo: Per team tecnici con basi di programmazione e architetture software.
Output finale: Blueprint AI-native (lo schema architetturale del software con l'AI nel prodotto) e criteri di evaluation e go-live: le prove da superare prima dell'ingresso in esercizio.

Programma, output e prerequisiti

Tecnico4-6 ore, personalizzabili

Secure AI SDLC

Corso tecnico per inserire controlli AI-specifici nelle fasi del ciclo di sviluppo: design (progettazione), build (costruzione), test, release (rilascio) e operation (esercizio).

Sceglierlo se: Quando un'organizzazione sta sviluppando applicazioni AI e vuole evitare che sicurezza e governance arrivino solo alla fine.
Profilo: Per team tecnici con basi di programmazione e architetture software.
Output finale: Threat model AI, cioè la mappa delle minacce, e checklist Secure AI SDLC.

Programma, output e prerequisiti

FAQ

Serve avere già un sistema RAG?

No, copre progettazione da zero e revisione di prototipi.

Si usa uno stack specifico?

No, i pattern si adattano allo stack scelto.

È adatto a team non data science?

Sì, se c'è familiarità con sistemi software e dati.

Produce codice?

Può includere prototipi, ma l'obiettivo è progettare sistemi robusti e valutabili.

Contatti

Una conversazione breve basta per capire da dove partire.

La prima conversazione dura 30 minuti, è gratuita e serve a chiarire processo, obiettivo, dati disponibili, vincoli e prossima azione utile: formazione, consulenza, avvio operativo, analisi dati o prototipo tecnico controllato.

Scrivere a dtr@ar-tik.com