RAG: come far “ragionare” un LLM sui tuoi documenti | Esempio su Epstein files скачать в хорошем качестве

RAG: come far “ragionare” un LLM sui tuoi documenti | Esempio su Epstein files

In questo video spiego in modo pratico che cos’è il RAG (Retrieval-Augmented Generation) e perché è una delle tecniche più utili per far rispondere un LLM usando documenti reali (PDF, testi, pagine, note, ecc.) anziché affidarsi solo al prompt. Usiamo come esempio una repository GitHub che mostra un’implementazione RAG applicata agli Epstein files. L’obiettivo è capire la pipeline, le sue componenti e le scelte architetturali (chunking, embeddings, vector database, retrieval, re-ranking, prompt + citazioni). Cosa contiene questo video: 00:00 Introduzione al RAG (Retrieval Augmented Generation) 01:08 Limiti degli LLM: Allucinazioni e Knowledge Cutoff 03:08 Aumentare la conoscenza del modello 04:00 Cosine Similarity ed Embeddings spiegati 06:08 Vector Database e ricerca semantica 07:10 La pipeline RAG passo dopo passo 09:05 Fase 1: Semantic Retrieval e KNN 10:59 Fase 2: Context Augmentation 12:27 Fase 3: Generazione condizionata dell'output 13:12 Esempio pratico: RAG sugli Epstein Files 15:15 L'algoritmo MMR (Maximal Marginal Relevance) 18:43 Struttura del progetto GitHub 19:35 Demo live e test in locale con LM Studio 22:52 Conclusioni Cosa NON contiene questo video: Informazioni dettagliate sugli Epstein files. Implementazione da zero di tutta la pipeline Fonti e approfondimenti (citati/consigliati): Salvatore Sanfilippo — “Lesson on embeddings and vector search” (embeddings, vector search, basi di semantic search) —    • Lezione sugli embedding e sulla ricerca ve...   Edoardo Dusi — “Vector Database spiegati semplicemente” —    • Vector Database spiegati semplicemente (sp...   Questo contenuto è fornito esclusivamente a fini educativi e divulgativi. Non mostro né condivido dati personali o sensibili, né incoraggio l’uso delle tecniche illustrate per violare la privacy, le leggi, i termini di servizio o per arrecare danno a terzi. La repository e gli eventuali dataset citati appartengono ai rispettivi autori: non garantisco l'accuratezza o la completezza delle fonti. Ogni utilizzo delle informazioni e delle tecniche presentate è sotto la piena responsabilità di chi le applica: usa questi strumenti in modo etico e conforme alle normative vigenti. Se vuoi sapere come installare opencode desktop:    • Come installare Opencode desktop: alternat...   RAG, Retrieval Augmented Generation, LLM, ChatGPT, OpenAI, Claude, Llama, Mistral, GPT, embeddings, vector database, FAISS, Pinecone, Weaviate, Chroma, semantic search, document QA, LangChain, LlamaIndex, Python, GitHub, knowledge base, retriever, reranker, chunking, RAG pipeline, AI engineering, Epstein files, opencode #epsteinfiles #RAG #LLM #AI #SemanticSearch