Recommendation Engine Film (AI)
Scrivi un film che hai amato e ottieni 10 film simili con explanation card via Ollama AI on-premise. Aggiungi alla watchlist con un click.
Descrivi cosa hai amato
Es. "Ho appena visto Inception e mi ha colpito la struttura narrativa nei sogni e le domande sulla realtà"
Come utilizzare Recommendation Engine
Descrivi un film o contenuto che ti e' piaciuto
Inserisci il titolo o una breve descrizione di un film, serie TV o libro che hai apprezzato. Puoi descrivere anche temi specifici ("film noir anni '40 con detective privato") o emozioni ("qualcosa di teso e psicologico come Gone Girl"). Il motore interpreta descrizioni in linguaggio naturale, non solo titoli esatti.
Avvia la ricerca e attendi le raccomandazioni
Clicca "Cerca" per inviare la query al backend ML basato su RAG vettoriale. Il sistema confronta l'embedding della tua richiesta con un corpus di film e contenuti indicizzati, seleziona i 10 piu' simili semanticamente e genera spiegazioni personalizzate del perche' ogni titolo corrisponde ai tuoi gusti.
Esplora i risultati e usa le spiegazioni per scegliere
Ogni risultato mostra titolo, anno, rating, genere e una spiegazione specifica del legame tematico con la tua ricerca. Le spiegazioni sono generate dal modello AI e aiutano a distinguere tra titoli superficialmente simili ma con temi profondi diversi. Salva i titoli interessanti per guardarli in seguito.
Suggerimenti
- Le query piu' efficaci combinano genere, tema e tono emotivo: "thriller psicologico claustrofobico come Black Swan" produce risultati molto piu' mirati di "film di danza". Aggiungi riferimenti a registi, periodi storici o tecniche narrative specifiche per affinare ulteriormente la ricerca.
- Il sistema e' ottimizzato per film in lingua originale con metadati in italiano. Query in italiano producono risultati migliori di query in inglese perche' il corpus e' indicizzato con descrizioni italiane. Se non trovi quello che cerchi, prova a riformulare la query con termini diversi o piu' specifici.
- Questo strumento e' anche un esempio concreto di come implementare un sistema RAG in produzione: embedding con sentence-transformers all-MiniLM-L6-v2, vector store Redis Stack HNSW, re-ranker cross-encoder, generazione con Ollama on-premise. Il codice sorgente del microservizio ML e' disponibile nel repository per chi vuole studiare l'architettura.
Domande frequenti
Come funziona il motore di raccomandazione?
Il sistema usa Retrieval-Augmented Generation (RAG): la tua query viene convertita in un vettore numerico (embedding) tramite un modello sentence-transformer. Questo vettore viene confrontato con gli embedding precomputati di un corpus di film via ricerca di similarita' coseno su Redis Vector Search (HNSW). I film piu' simili vengono recuperati e il modello Ollama (llama3.1:8b, on-premise) genera spiegazioni personalizzate del legame tematico.
Il servizio e' disponibile se il backend e' offline?
No. Il motore di raccomandazione richiede una connessione al backend Spring Boot e al microservizio ML FastAPI. Se il servizio non e' disponibile, lo strumento mostra un set di risultati mock predefiniti (10 film di esempio) con la nota "AI non disponibile" per permetterti di esplorare comunque il formato dell'output. I dati mock non sono personalizzati alla tua query.
Perche' i risultati cambiano tra sessioni diverse?
Il modello Ollama genera le spiegazioni in modo non deterministico (temperatura > 0): la stessa query puo' produrre spiegazioni leggermente diverse tra sessioni. I film recuperati dalla ricerca vettoriale sono deterministici (stessa query → stessi film nell'ordine HNSW), ma il testo esplicativo varia. Se vuoi risultati piu' stabili, puoi chiedere al team di ridurre la temperatura del modello o di cacheare le spiegazioni per query frequenti.
I miei dati di ricerca vengono salvati o inviati a servizi esterni?
No. La query viene elaborata dal backend e dal microservizio ML self-hosted (Ollama on-premise, nessun provider cloud esterno). Non c'e' profilazione persistente lato server: la cronologia locale delle ricerche, se presente, resta nel tuo browser. Nessun testo viene inviato a OpenAI, Anthropic o altri servizi di terze parti.
Su quanti film e' costruito il corpus di raccomandazione?
Il corpus indicizzato copre un catalogo curato di film con descrizioni e metadati in italiano, precomputati come embedding e memorizzati nel vector store Redis HNSW. Non e' un database esaustivo di tutti i film esistenti: se un titolo molto di nicchia o recentissimo non compare, e' perche' non e' ancora incluso nel corpus indicizzato. Riformulare la query con temi e generi piu' ampi aiuta a ottenere comunque suggerimenti pertinenti.