Un piccolo glossario
Cosa facciamo, in parole semplici
Sette idee alla base di Flowlexi, di PaveDB e del libro Inspectable Retrieval with PaveDB — spiegate per chi gestisce aziende, non server. Ognuna rimanda al punto del nostro stack in cui vive.
Ricerca semantica
La ricerca classica trova le parole che hai digitato. La ricerca semantica trova quello che intendevi: cerchi «termini di disdetta del contratto» e trovi anche la clausola che dice «ciascuna delle parti può recedere entro 30 giorni», anche se non c’è una sola parola in comune.
Funziona perché i testi vengono confrontati per significato, non per come sono scritti. Per un’azienda questo cambia quanto vale una knowledge base: le persone trovano risposte formulate in modo diverso dalla loro domanda — cioè la maggior parte delle risposte.
PaveDB è un motore di ricerca costruito così — pavedb.org Torna su ↑
Embeddings
Un modello di embedding legge un testo e lo colloca come un punto su una mappa molto grande, dove la distanza misura la somiglianza di significato. «Politica di rimborso» e «regole per la restituzione dei soldi» finiscono in punti vicini; «politica di rimborso» e «regolamento del parcheggio» in punti lontani.
La ricerca semantica si riduce allora a questo: mettere la domanda sulla stessa mappa e guardare cosa sta lì vicino. Il modello che ha disegnato la mappa — e la sua versione esatta — decide tutto dei risultati.
Guarda i modelli che girano su PaveDB — pavedb.org/docs Torna su ↑
Un database vettoriale ispezionabile
Un database vettoriale conserva quei punti della mappa e trova i vicini in fretta, tra milioni di documenti. Quasi tutti lo trattano come una scatola nera: escono dei risultati, e più di questo non si può dire.
Uno ispezionabile, invece, conserva le pezze d’appoggio: ogni elemento archiviato sa da quale documento proviene e quale modello, esattamente, lo ha collocato sulla mappa; ogni query può essere rieseguita a distanza di tempo e restituire la stessa risposta. Quando un risultato alimenta una decisione che qualcuno firma, sono proprio quelle pezze d’appoggio a contare.
L'idea ha il suo libro — inspectableretrieval.com Torna su ↑
RAG — retrieval-augmented generation
I modelli linguistici sono fluenti, ma rispondono a memoria. Con il RAG il modello prima va a cercare: recupera i documenti pertinenti e poi scrive la risposta a partire da quelli, con le citazioni.
Un sistema RAG vale quanto il suo retrieval. Se non puoi verificare che cosa è stato recuperato e perché, non puoi spiegare la risposta — ed è per questo che partiamo dal lato della ricerca.
Flussi di IA dichiarativi e portabili
La maggior parte delle automazioni di IA è codice colla: logica sepolta in script che solo chi li ha scritti riesce a seguire. Un flusso dichiarativo elenca i passaggi in un file leggibile — recuperare, decidere, agire — come una ricetta, non come la scia di pentole rimaste in cucina.
Un file leggibile si può revisionare, versionare e spostare da un ambiente all’altro. L’automazione smette di essere il segreto di una persona e diventa un asset dell’azienda.
Modelli self-hosted
I modelli che leggono e scrivono testo — encoder e decoder — possono girare su hardware che controlli tu, invece che su un’API di terze parti. I tuoi documenti non escono mai; il costo è una macchina, non un tassametro; il comportamento non cambia perché un fornitore ha rilasciato un aggiornamento.
Il compromesso è onesto: la macchina la gestisci tu. Ed è esattamente la parte che vendiamo come servizio, per quando preferisci non farlo.
Istanze gestite, le chiavi restano tue — cloud.flowlexi.com Torna su ↑
La console cloud
Tutto quello che hai letto fin qui, in funzione in pochi minuti e senza assumere sistemisti: la console crea e configura la tua istanza di ricerca, gestisce chiavi e fatturazione e mantiene le versioni aggiornate.
Chiavi, dati e via d’uscita restano tuoi: il motore è open source e il tuo archivio se ne va con te quando vuoi.
Il modo più rapido per vedere tutto questo all'opera è un'istanza già attiva.
Inizia gratis su Flowlexi Cloud