RAG e fine-tuning spiegati semplice: cosa sono e quando servono

Se ti occupi di AI in azienda, prima o poi senti questi due termini: RAG e fine-tuning. Sembrano roba da tecnici, ma il concetto è semplice. Vediamoli con parole normali e un esempio che li rende chiari.

Il problema di partenza

Un modello di AI, come quelli dietro ChatGPT o Claude, ha "studiato" una quantità enorme di testo, ma fino a una certa data. E soprattutto non conosce i dati della tua azienda: i tuoi listini, i tuoi contratti, le tue procedure. Se gli fai una domanda specifica sulla tua realtà, o si inventa la risposta o ti dice che non la sa.

Per risolvere questo problema ci sono due strade. Si chiamano RAG e fine-tuning.

Cos'è il RAG

RAG sta per "Retrieval-Augmented Generation", ma la sigla puoi dimenticarla. In pratica significa una cosa sola: dare al modello i tuoi documenti da consultare mentre risponde.

Immagina un collaboratore bravissimo ma appena arrivato, che non conosce ancora l'azienda. Il RAG è come dargli un archivio ordinato e dirgli: "prima di rispondere, vai a cercare nei documenti giusti".

Funziona in tre passi:

1. Metti i tuoi documenti in un archivio digitale.
2. Quando arriva una domanda, il sistema cerca i pezzi di testo più pertinenti.
3. Li passa al modello, che risponde basandosi su quelli.

Il vantaggio grosso è che se aggiorni un documento, il modello risponde subito sulla versione nuova, senza nessun intervento complicato. E puoi sempre sapere da quale documento è uscita la risposta.

Esempio concreto: in Italia lo usano molti istituti bancari, con assistenti che pescano da migliaia di contenuti interni per aiutare i dipendenti a trovare l'informazione giusta. Pensalo come un Google, ma molto più specializzato: cerca solo dentro i tuoi documenti, non in tutto il web. È la stessa logica con cui costruiamo gli assistenti sulle basi di conoscenza dei nostri clienti.

Cos'è il fine-tuning

Il fine-tuning è un'altra cosa. Non gli dai documenti da leggere: lo "mandi a scuola".

Riprendi il collaboratore di prima. Il fine-tuning è come fargli fare un corso di formazione finché un certo modo di lavorare gli diventa automatico. Non aggiungi informazioni da consultare, cambi il modo in cui ragiona e risponde.

Tecnicamente si fa con un addestramento aggiuntivo del modello, usando molti esempi di come vuoi che si comporti. Il risultato resta dentro il modello: per cambiarlo, devi rifare l'addestramento.

A cosa serve: a dare al modello un tono coerente, un formato di risposta preciso, o una specializzazione su un compito ripetitivo. Per esempio far sì che risponda sempre con lo stile della tua azienda, o che classifichi correttamente certi documenti.

La differenza, in una frase

Il RAG dà al modello le informazioni da consultare. Il fine-tuning gli insegna un modo di comportarsi.

Detta ancora più semplice: il RAG decide cosa sa il modello, il fine-tuning decide come lo dice.

Quando si usa l'uno e quando l'altro

Scegli il RAG quando le informazioni cambiano spesso (listini, normative, documentazione) e quando ti serve poter risalire alla fonte di una risposta.

Scegli il fine-tuning quando le informazioni sono stabili e il problema è come il modello risponde: il tono, il formato, la coerenza.

Nella maggior parte dei casi veri, i due si usano insieme: il RAG per i fatti aggiornati, il fine-tuning per il modo di rispondere. È così che li usiamo anche noi sui progetti dei clienti.

In due parole

Non devi scegliere tra RAG e fine-tuning come fossero squadre avversarie. Sono due strumenti diversi: uno porta le informazioni giuste, l'altro insegna a usarle nel modo giusto. Capire quale serve, e quando, è già metà del lavoro.

---

Fonti: IoT For All, RAG vs fine-tuning · Agenda Digitale, guida al RAG