Salta al contenuto principale
AIRAGFastAPIPython

RAG Production-Ready

RAG in produzione: ingestione, chunking, retrieval ibrido, re-ranking, valutazione con Ragas, FastAPI, monitoraggio. Ebook in italiano, esempi in Python.

Di cosa parla

Il tuo prototipo RAG risponde bene in demo ma in produzione perde pertinenza, non sai misurarlo, la latenza sale e ogni tanto risponde con sicurezza sbagliando? Questo libro tratta il RAG come un sistema con le sue parti e i suoi modi di fallire, e ti porta a un servizio che puoi misurare e tenere sotto controllo: ingestione, chunking, embedding, indice vettoriale, retrieval ibrido, re-ranking, generazione, valutazione e monitoraggio.

Chi legge è uno sviluppatore Python o un ingegnere ML che deve far funzionare un RAG su dati reali. Il libro costruisce un servizio con FastAPI e Redis Stack (indice HNSW), e termina con una roadmap di novanta giorni verso il go-live, con checklist finale ed errori comuni, ciascuno con il suo rimedio.

Il filo conduttore è la misura: ogni scelta, dal chunking al re-ranking, si giustifica con una metrica, e il capitolo sulla valutazione mostra come costruire un golden set e un test di regressione per accorgersi del degrado nel tempo.

Per chi è scritto

Sviluppatori senior e ML engineer che costruiscono sistemi di retrieval-augmented generation.

Un RAG che risponde bene a poche domande di prova può cedere sui documenti reali: servono chunking, retrieval ibrido, re-ranking e una valutazione misurabile.

Fa per te se

  • Hai un RAG che funziona in demo e devi portarlo in produzione su dati reali.
  • Devi migliorare la pertinenza combinando ricerca lessicale BM25 e ricerca vettoriale, con re-ranking.
  • Devi misurare la qualità con Ragas, un golden set e test di regressione.
  • Devi orchestrare più provider di modelli con circuit breaker e riserva, e tenere sotto controllo cache, latenza e costi.

Non fa per te se

  • Vuoi costruire agenti che usano strumenti e memoria: è il tema del libro 01, qui il centro è il recupero dei documenti.
  • Usi una piattaforma RAG gestita e non scrivi l'indice: i concetti restano validi ma il codice usa Redis Stack e va adattato ad altri vector store.
  • Non conosci Python: gli esempi sono quasi tutti in Python (38 dei 54 blocchi).
  • Ti serve una introduzione generale ai modelli linguistici: il libro parte dal RAG, non dai modelli.

Cosa saprai fare dopo averlo letto

  • Scomporre un sistema RAG nelle sue parti e individuare quella che fa degradare le risposte.
  • Impostare chunking e indice vettoriale e misurare la latenza del recupero.
  • Combinare ricerca lessicale e vettoriale e aggiungere un re-ranking, sapendo quanta latenza costa.
  • Costruire un golden set e una valutazione con Ragas che gira a ogni modifica.
  • Orchestrare più provider con un circuit breaker e una riserva.
  • Seguire una tabella di marcia di 90 giorni fino al go-live, con una checklist da spuntare.

Cosa devi già sapere

  • Python a livello intermedio e nozioni di FastAPI.
  • Che cos’è un embedding e come funziona una chiamata a un modello linguistico.
  • Nozioni di base su Redis e su Docker.

Cosa troverai all'interno

  • Capitolo 1: fondamenti, cos’è il RAG, RAG contro fine-tuning contro prompt engineering, anatomia di un sistema di produzione, metriche, un primo RAG con FastAPI e Redis Stack
  • Capitolo 2: il layer di retrieval, RediSearch con BM25 e indice vettoriale, profilo della latenza, strategia di chunking
  • Capitolo 3: re-ranking e filtri, cross-encoder, re-ranking con un modello linguistico, soglie e regole
  • Capitolo 4: retrieval ibrido, i modi in cui la ricerca densa e quella lessicale falliscono, strategie di fusione, espansione della query
  • Capitolo 5: re-ranking con cross-encoder, bi-encoder contro cross-encoder, cascata di produzione, confronto dei modelli, re-ranking in batch
  • Capitolo 6: valutazione con Ragas, metriche, test di regressione, monitoraggio delle metriche in produzione
  • Capitolo 7: deployment e auto-scaling, containerizzazione del servizio, sicurezza dell’immagine
  • Capitolo 8: provider di modelli e orchestrazione, un provider gestito e un runtime locale come riserva, circuit breaker, differenze fra le risposte dei fornitori
  • Capitolo 9: operazioni, architettura del servizio in FastAPI, reverse proxy e TLS, allerte, strategia di cache
  • Capitolo 10: conclusioni e roadmap, tabella di marcia di 90 giorni, costruzione del golden set, checklist del go-live, cosa può andare storto

Il libro ha 10 capitoli e 54 blocchi di codice, 38 dei quali in Python. I capitoli 3 e 5 trattano entrambi il re-ranking, il 3 in modo generale e il 5 sul cross-encoder, e i capitoli 7 e 9 trattano entrambi il deploy. In parte si sovrappongono: leggi il 3 prima del 5 e il 7 prima del 9.

€29,00
Consegna immediata via email
PDF · DRM-free · Pagamento Stripe

Ricevi il libro in italiano (PDF).

Riceverai il PDF a questo indirizzo. Verifica che sia corretto.

Pagamento protetto da Stripe, con carta di credito o debito, anche tramite Apple Pay e Google Pay. Stripe ti manda la ricevuta per email.

Non sei sicuro che sia il libro giusto?

Il catalogo ordina i libri per problema da risolvere, con a chi servono e a chi no. Confrontali prima di comprare.

Recensioni dei lettori

Non ci sono ancora recensioni. Hai letto questo libro? Scrivi la prima.