Espansione delle query RAG: come una formulazione sintetica trova prove oltre i termini esatti
L’espansione sintetica delle query spesso migliora il richiamo nei sistemi RAG aggiungendo parafrasi plausibili e termini di dominio che colmano le lacune lessicali tra le domande e le evidenze archiviate.
Un familiare potrebbe chiedere “l’ispezione della caldaia”, mentre la fattura scansionata riporta “manutenzione annuale dell’impianto idronico” e non usa mai l’espressione domestica. La ricerca lessicale esatta non coglie il collegamento. L’espansione della query genera formulazioni alternative o una risposta ipotetica, cerca ciascuna rappresentazione e unisce i candidati prima del reranking, offrendo alle evidenze pertinenti più di un percorso per entrare nella finestra di contesto.
Una domanda può rappresentare diversi intenti di ricerca
Una breve query domestica può omettere il nome formale del prodotto, la data, il luogo o la terminologia usata nella fonte. L’espansione rende esplicite queste interpretazioni latenti producendo frasi correlate, sottoquery o un passaggio sintetico. Il recupero sparso ottiene nuovi termini corrispondenti, mentre il recupero denso riceve ulteriori prospettive semantiche.
Il metodo Query2doc invita un modello linguistico a generare un pseudo-documento e lo aggiunge alla query originale. Gli esperimenti mostrano che il testo aggiunto può migliorare sia il recupero sparso sia quello denso senza riaddestrare il sistema di recupero sottostante.
Il meccanismo non rende la query più veritiera. Amplia la superficie di generazione dei candidati, dopodiché la fusione e il reranking devono stabilire quali candidati rispondano ancora alla domanda originale invece che all’elaborazione generata. Questa distinzione resta visibile durante i test domestici successivi.
I passaggi sintetici colmano il divario lessicale tra query e documenti
Un documento ipotetico può assomigliare allo stile e al vocabolario delle probabili evidenze anche quando i suoi fatti sono inventati. Il sistema incorpora quel passaggio sintetico e recupera documenti reali vicini a esso, usando la generazione come ponte semantico anziché come evidenza presentata all’utente.
Gli embedding di documenti ipotetici creano documenti ipotetici prima di incorporarli per il recupero denso zero-shot. L’aspetto fondamentale è la separazione: il testo generato guida il recupero, mentre i documenti restituiti dal corpus restano le uniche evidenze ammissibili per la risposta finale.
Più espansioni possono coprire abbreviazioni, soprannomi, traduzioni e diversi livelli di dettaglio tecnico. L’unione dei candidati aumenta il richiamo, ma deduplicazione e reranking sono necessari perché dieci riscritture possono altrimenti riempire l’elenco di frammenti quasi identici o debolmente correlati.
L’espansione può deviare verso un argomento plausibile ma errato
Un generatore può interpretare erroneamente un nome ambiguo, introdurre un prodotto che la famiglia non possiede o inventare una data. Questi termini possono recuperare documenti internamente coerenti sull’entità sbagliata, creando rumore più sicuro di sé rispetto alla query sparsa originale.
Uno studio controllato sulla riscrittura complementare delle query rileva che le combinazioni possono migliorare la copertura su alcuni set di dati, danneggiando però un benchmark con domande ambigue. Questo risultato mostra perché l’espansione debba essere regolata in base al tipo di query e valutata rispetto a una solida baseline.
Il limite del fallimento riguarda qualsiasi query il cui soggetto centrale o intento sia incerto. Conserva la query originale, indica il testo sintetico come ausilio al recupero, limita la sua influenza durante la fusione e astieniti quando le espansioni non concordano sull’insieme delle evidenze.
Esegui un test sul contributo dell’espansione
Crea trenta domande domestiche reali contenenti abbreviazioni, nomi informali, traduzioni e termini formali assenti dalla query. Registra i frammenti di supporto verificati, quindi esegui il recupero basato solo sull’originale e il percorso con espansione proposta usando lo stesso indice, lo stesso budget top-k e lo stesso reranker.
Monitora il richiamo e la copertura delle citazioni usando il metodo di valutazione descritto nel contenuto sul recupero delle abbreviazioni. Per ogni frammento pertinente aggiunto, registra quale riscrittura lo ha trovato; per ogni nuovo elemento fuorviante, annota il termine che ha causato la deviazione e se il reranking lo ha rimosso.
Abilita l’espansione solo quando aumenta il richiamo su dati di test accantonati senza una perdita inaccettabile di precisione o latenza. Se i miglioramenti derivano semplicemente da un budget più ampio per i candidati, confrontali con un’esecuzione basata sulla query originale e con lo stesso budget prima di attribuire il miglioramento alla formulazione sintetica.
Prodotti consigliati
Hub Tecnologico e AI
Altro da leggere
Quali fattori determinano l’accuratezza delle citazioni RAG in una knowledge base domestica?
Scopri perché una fonte pertinente può comunque essere una citazione errata, quali fasi della pipeline determinano supporto e copertura e come verificare le affermazioni...
Quali funzionalità consentono di ottenere un output JSON affidabile da un LLM locale?
Scopri quali funzionalità impongono la sintassi JSON, quali proteggono la correttezza semantica e come testare un modello locale con diversi schemi, prompt e casi...
Provenienza dei dati dell’IA locale: perché ogni risposta necessita di un percorso delle fonti tracciabile
Scopri come i percorsi delle fonti rendono verificabili le risposte dell’IA locale, perché le sole citazioni sono incomplete e come testare la provenienza attraverso...
