{
  "$schema": "https://ar-tik.com/data/schemas/course-record.schema.json",
  "generatedAt": "2026-07-02",
  "publisher": "Artik Lab s.r.l.",
  "canonicalDomain": "https://ar-tik.com",
  "course": {
    "id": "rag-engineering",
    "locale": "it",
    "language": "it",
    "family": "technical",
    "familyLabel": "Tecnico",
    "featured": false,
    "title": "RAG Engineering per sistemi AI affidabili",
    "subtitle": "Progettare, valutare e portare in produzione architetture Retrieval-Augmented Generation basate su dati e documenti aziendali.",
    "summary": "Corso tecnico per passare da chat sui documenti a sistemi RAG ingegnerizzati, misurabili e governabili.",
    "duration": "5 ore, 2 lezioni da 2,5 ore",
    "mode": "Laboratorio in presenza o online, con esercizi guidati e materiali adattati al cliente.",
    "profile": "technical",
    "profileDescription": "Per team tecnici con basi di programmazione e architetture software.",
    "problem": "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.",
    "audience": "Team software, data engineer, AI engineer, architect, responsabili IT, innovation team e buyer tecnici che devono valutare o costruire sistemi RAG interni.",
    "whenToChoose": "Quando esistono knowledge base, documentazione tecnica, procedure, ticket, contratti o repository da rendere interrogabili senza perdere controllo su fonti e qualità.",
    "chooseIf": "Quando esistono knowledge base, documentazione tecnica, procedure, ticket, contratti o repository da rendere interrogabili senza perdere controllo su fonti e qualità.",
    "outcomes": [
      "Disegnare architettura RAG target.",
      "Impostare pipeline di ingestion.",
      "Definire chunking e retrieval.",
      "Costruire criteri di valutazione e metriche.",
      "Gestire fonti, permessi, sicurezza e osservabilità."
    ],
    "modules": [
      {
        "title": "Fondamenti RAG",
        "description": "Retrieval, grounding, contesto e limiti dei modelli generativi."
      },
      {
        "title": "Data pipeline",
        "description": "Parsing, normalizzazione, chunking, metadati e aggiornamenti."
      },
      {
        "title": "Retrieval e risposta",
        "description": "Ranking, filtri, query transformation, citazioni e fallback."
      },
      {
        "title": "Produzione",
        "description": "Evaluation set, monitoraggio, permessi, audit, costi e manutenzione."
      }
    ],
    "exercises": [
      "Disegno pipeline RAG.",
      "Confronto strategie di chunking.",
      "Costruzione test set.",
      "Analisi risposte errate.",
      "Controlli su fonti e permessi."
    ],
    "materials": [
      "Canvas architetturale.",
      "Checklist RAG production-ready.",
      "Template evaluation set.",
      "Matrice rischi.",
      "Schema governance documentale."
    ],
    "privacy": "Lavora su dataset sintetici o documenti approvati. Le scelte tecniche considerano segregazione, retention, access control e tracciabilità.",
    "prerequisites": "Conoscenza base di API, dati strutturati/non strutturati e architetture software.",
    "faqs": [
      {
        "question": "Serve avere già un sistema RAG?",
        "answer": "No, copre progettazione da zero e revisione di prototipi."
      },
      {
        "question": "Si usa uno stack specifico?",
        "answer": "No, i pattern si adattano allo stack scelto."
      },
      {
        "question": "È adatto a team non data science?",
        "answer": "Sì, se c'è familiarità con sistemi software e dati."
      },
      {
        "question": "Produce codice?",
        "answer": "Può includere prototipi, ma l'obiettivo è progettare sistemi robusti e valutabili."
      }
    ],
    "output": "Architettura RAG target, evaluation set e checklist production-ready.",
    "searchIntents": [
      "corso AI aziendale su RAG Engineering per sistemi AI affidabili",
      "formazione pratica per RAG Engineering per sistemi AI affidabili",
      "training AI per team tecnici",
      "percorso Artik Lab per Architettura RAG target, evaluation set e checklist production-ready",
      "come introdurre RAG Engineering per sistemi AI affidabili nei processi aziendali"
    ],
    "needSignals": [
      "Il tema RAG Engineering per sistemi AI affidabili è già presente nelle conversazioni interne, ma manca un metodo condiviso per trasformarlo in pratica.",
      "Le persone sperimentano strumenti AI in autonomia e l'azienda non vede ancora criteri, controlli e risultati confrontabili.",
      "Il processo collegato a RAG Engineering per sistemi AI affidabili assorbe tempo, genera passaggi manuali o produce output difficili da verificare.",
      "La direzione vuole capire se investire, formare o fermarsi prima di introdurre automazioni fragili.",
      "Serve un risultato concreto dopo la formazione: Architettura RAG target, evaluation set e checklist production-ready."
    ],
    "extraExamples": [
      {
        "title": "Dal corso generico al processo reale",
        "description": "Un'azienda chiede formazione su RAG Engineering per sistemi AI affidabili, ma il problema vero emerge durante la mappatura: attività ripetute, controlli informali e responsabilità distribuite. Il percorso usa esempi vicini al lavoro quotidiano e trasforma la formazione in un primo modello operativo, non in una lezione teorica."
      },
      {
        "title": "Da sperimentazione individuale a pratica governata",
        "description": "Alcune persone hanno già trovato scorciatoie con l'AI, altre sono ferme. Il corso crea una base comune: cosa si può fare, cosa va verificato, quali dati non vanno esposti e quando serve escalation. Il risultato è Architettura RAG target, evaluation set e checklist production-ready."
      },
      {
        "title": "Da entusiasmo a decisione",
        "description": "Il management vuole capire se RAG Engineering per sistemi AI affidabili merita budget e continuità. Durante il laboratorio si distinguono benefici immediati, rischi operativi e dipendenze dai dati. L'azienda esce con criteri per decidere il passo successivo invece di accumulare demo isolate."
      }
    ],
    "selectionCriteria": [
      "Scegliere questo corso se il bisogno principale riguarda RAG Engineering per sistemi AI affidabili e non una panoramica generica sull'AI.",
      "Preferirlo quando esiste un processo, un documento, un flusso o una responsabilità aziendale su cui lavorare durante il training.",
      "Rimandarlo se non esiste ancora sponsor interno o se il problema è solo acquistare una licenza software.",
      "Abbinarlo ad AI Workflow Redesign Lab quando prima serve capire quali processi meritano priorità."
    ],
    "limits": [
      "Non promette automazione completa o sostituzione delle responsabilità umane.",
      "Non richiede di caricare dati riservati in ambienti non approvati.",
      "Non è una consulenza legale, fiscale, HR o tecnica specialistica quando tali responsabilità restano a funzioni competenti.",
      "Produce competenze, criteri e materiali riutilizzabili; l'adozione continua richiede sponsorship, governance e pratica interna."
    ],
    "relatedCourseIds": [
      "workflow-redesign",
      "secure-ai-sdlc",
      "ai-output-quality"
    ],
    "urls": {
      "html": "https://ar-tik.com/corsi/rag-engineering.html",
      "markdown": "https://ar-tik.com/corsi/rag-engineering.md",
      "dossier": "https://ar-tik.com/corsi/rag-engineering-dossier.md",
      "json": "https://ar-tik.com/corsi/rag-engineering.json",
      "catalog": "https://ar-tik.com/corsi/",
      "catalogMarkdown": "https://ar-tik.com/corsi/index.md"
    }
  }
}