# RAG Engineering per sistemi AI affidabili

Progettare, valutare e portare in produzione architetture Retrieval-Augmented Generation basate su dati e documenti aziendali.

- 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, evaluation set e checklist production-ready.
- Sceglierlo se: Quando esistono knowledge base, documentazione tecnica, procedure, ticket, contratti o repository da rendere interrogabili senza perdere controllo su fonti e qualità.

## 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.

## 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.
- Definire chunking e retrieval.
- 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.

## 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.

[Torna al catalogo corsi](https://ar-tik.com/corsi/index.md)