Un nuovo approccio all'intelligenza artificiale
Un team di ricercatori in informatica ha presentato un innovativo framework tecnico chiamato DecisionRAG, un'architettura che elimina la necessità di sistemi di recupero dell'informazione tradizionali per localizzare dati con una precisione senza precedenti. Pubblicato nel repository aperto arXiv dell'Università di Cornell, lo studio propone di trasformare i modelli di linguaggio in strumenti di decisione che navigano direttamente attraverso enormi volumi di documenti, colmando una delle lacune operative più persistenti nelle applicazioni attuali di intelligenza artificiale.
I limiti dei sistemi tradizionali
Fino ad ora, i sistemi basati su generazione aumentata da recupero (noti come RAG) soffrivano di una criticità: dipendevano da motori di ricerca convenzionali basati su corrispondenze di parole chiave o mappe vettoriali fisse. Se il motore di ricerca iniziale non trovava il documento giusto, il modello linguistico più potente non era in grado di fornire la risposta corretta. Inoltre, riorganizzare e filtrare queste informazioni richiedeva sistemi ausiliari molto pesanti che aumentavano il consumo di calcolo e ritardavano la risposta.
Navigare come in una biblioteca
Per superare questo ostacolo, la proposta emula il comportamento logico di un utente che si sposta tra i corridoi di una biblioteca fisica. Invece di scansionare milioni di testi disordinati contemporaneamente, il sistema discende da categorie tematiche ampie a frammenti concreti attraverso la struttura stessa del file. La grande novità è che il modello valuta le alternative di ogni ramificazione in un'unica passata di calcolo e senza generare parole intermedie, permettendo di confrontare la rilevanza dei documenti in un contesto comune e scartare immediatamente le vie irrilevanti.
Precisione record in pochi secondi
Gli esperimenti dimostrano un notevole vantaggio competitivo rispetto ai metodi di ricerca densa assistiti da classificatori esterni di otto miliardi di parametri. Nei test su MultiDoc2Dial e Natural Questions, la nuova architettura ha aumentato la precisione del primo tentativo rispettivamente del 13,8% e del 17,4%. Inoltre, in un test su 2,68 milioni di paragrafi di Wikipedia, il processo di localizzazione ha impiegato solo tra 0,7 e 1,8 secondi per query senza richiedere alcun addestramento specializzato preliminare.
Questo avanzamento apre la strada a assistenti documentali e motori di analisi aziendale più affidabili, capaci di consultare grandi repository senza dipendere da costosi sistemi aggiuntivi. Risolvendo la ricerca in modo nativo all'interno dei modelli neurali stessi, la ricerca accessibile nel repository arXiv dell'Università di Cornell ridefinisce gli standard di efficienza per la prossima generazione di strumenti digitali di consultazione.