Impatto delle Strategie di Chunking e dei Modelli di Embedding sulla Performance del Retrieval in Architetture RAG per Dati Aziendali

L'elaborato descrive la progettazione e lo sviluppo di un assistente conversazionale intelligente volto a supportare gli utenti nell'utilizzo del sistema ERP aziendale. Il progetto, realizzato durante il tirocinio curriculare presso MOSAIC S.r.l., nasce dall'esigenza di ottimizzare l'accesso alla conoscenza interna per il recupero efficiente delle informazioni. L'architettura proposta integra le capacità generative dei Large Language Models (LLM) con un sistema di Retrieval Augmented Generation (RAG) applicato direttamente alla documentazione aziendale. L'elaborato analizza nel dettaglio l'impatto delle diverse configurazioni della pipeline in termini di accuratezza della risposta, costi computazionali e latenza del sistema. In particolare, vengono esaminate e confrontate criticamente le metodologie di Parsing, Chunking ed Embedding, componenti che determinano in modo significativo l'efficacia del processo di recupero delle informazioni.