Ricerca semantica
La ricerca semantica trova contenuti per significato invece che per parole esatte: la query e i documenti vengono convertiti in embedding, e vengono restituite le corrispondenze più vicine anche quando non condividono una parola.
Niente gergo, niente formule
In parole semplici, che cos'è?
La ricerca classica confronta stringhe: trova solo le parole che scrivi. La ricerca semantica confronta significati. Il flusso è questo: indicizzi il corpus una volta, convertendo ogni documento in embedding dentro un vector database. A ogni domanda, la query viene trasformata nello stesso formato e misurata contro tutti i vettori; i più vicini tornano in cima, con un punteggio di similarità. Sotto una certa soglia le corrispondenze deboli vengono tagliate, così il sistema può dire “non ho trovato nulla” invece di spacciare un quasi-giusto per la risposta. In produzione si combina spesso con una passata per parole chiave: l'ibrido copre jargon e sigle che l'embedding da solo può fraintendere. Il limite: se il documento giusto non è nel corpus, nessuna magia lo recupera.
- 01
Embedding. La tua query diventa un vettore di numeri.
- 02
Controllo indice. Se il corpus non è ancora indicizzato, succede ora, una volta sola.
- 03
Confronto. Il vettore della query viene misurato contro tutti i vettori dei documenti.
- 04
Classifica. Le corrispondenze tornano ordinate per punteggio di similarità.
- 05
Soglia. Le corrispondenze deboli vengono tagliate: niente di forzato.
Termini che gli stanno vicini.
Embedding
Un embedding è una lista di numeri che cattura il significato di un testo, un'immagine o un audio, così che contenuti dal significato simile ricevano numeri simili e il computer possa misurare la vicinanza con aritmetica normale.
LeggiVector Database
Un vector database è un database costruito per memorizzare impronte numeriche di contenuti (embedding) e trovare in millisecondi quelle più vicine a una qualsiasi query: è il motore della ricerca semantica, dei suggerimenti e del retrieval dell'AI.
LeggiReranking
Il reranking è una seconda passata, più lenta, sui risultati di una ricerca: un modello cross-encoder legge ogni candidato insieme alla query e lo ripunteggia per rilevanza vera, così in cima finiscono i risultati giusti, non i soli approssimativamente simili.
Leggi§ 04
Vuoi che funzioni davvero nella tua azienda?
Progettiamo e rilasciamo sistemi AI con permessi, log e approvazione umana. Si parte con una call di scoping di 30 minuti.