Servizi di sviluppo RAG su misura

Sviluppo RAG Per La Vostra Azienda

Merehead realizza sistemi di retrieval-augmented generation per i vostri dipendenti e clienti: ricerca interna nella knowledge base, assistenti per il supporto clienti e funzionalità AI all'interno di un prodotto esistente.

La maggior parte dei progetti parte da un pilota circoscritto o dalla revisione di un sistema che avete già. La qualità delle risposte viene testata sulle vostre domande reali prima che qualsiasi cosa vada in produzione.

Assistente di conoscenza su un laptop: una risposta sull'accesso VPN per i collaboratori esterni con due documenti di origine collegati
Servizi

Cosa includono i nostri servizi di sviluppo RAG su misura

Iniziate da una sola fase, come una verifica della prontezza dei dati, oppure affidateci lo sviluppo completo fino al lancio e al supporto.

Parliamo del vostro progetto RAG

“Ora l’assistente RAG gestisce la maggior parte di queste domande. Dopo il pilota, è stato il team stesso a chiedere di aggiungere i materiali degli altri nostri prodotti.”

JC
James CarterResponsabile del supporto clienti, USA

Consulenza RAG e valutazione della prontezza dei dati

I nostri documenti daranno risposte affidabili?

Sviluppo della pipeline RAG

Ci serve una ricerca sulle nostre fonti, sempre sincronizzata.

Applicazione e integrazione LLM

Le risposte devono comparire in Slack, nel nostro CRM o nel nostro prodotto.

Valutazione e ottimizzazione della qualità

Nessuno sa dire quanto spesso il nostro prototipo risponde correttamente.

Deployment e supporto continuativo

Deve funzionare nel nostro ambiente, su dati che cambiano ogni settimana.

Assistente di conoscenza internoAssistenza clienti con chatbot AIQ&A legale e complianceSupporto alle venditeRicerca nella documentazione tecnica
Caso di studio

Caso: assistente RAG per una compagnia assicurativa

Condizioni di polizza, istruzioni e procedure di liquidazione dei sinistri, in reparti che non possono vedere i file degli altri.

92%

delle risposte confermate come corretteGli esperti hanno revisionato 500 domande di test

Tempo per trovare le informazioni

Prima15 min
Dopo3 min
Assistente di conoscenza sui sinistri su un monitor: una risposta con fonti, un messaggio quando le fonti non bastano e accesso per reparto
Ricerca ibrida: parole chiave + semanticaControllo di pertinenza prima della rispostaAccesso per repartoLink ai documenti di origineMessaggio “Informazioni insufficienti”

12.000 documenti · 4 persone · 10 settimane

Parliamo del vostro progetto RAG
Deliverable

Cosa ricevete e come verificarlo

Ogni fase si chiude con qualcosa che potete aprire, testare e approvare.

  • Report sulla prontezza dei dati

    I vostri responsabili dei dati confermano fonti, lacune e regole di accesso

  • Sistema RAG funzionante

    I vostri utenti lo provano sul campo con domande reali

  • Report di valutazione della qualità

    Il vostro revisore lo approva secondo criteri concordati

  • Codice sorgente e configurazione di deployment

    I vostri ingegneri lo revisionano; la titolarità è stabilita nel contratto

  • Documentazione e passaggio di consegne

    Il vostro team la revisiona e prende in carico le attività concordate

Repository del codice di un assistente RAG: ricerca per parole chiave e semantica filtrata in base all’accesso dell’utenteRunbook operativo consegnato al team del cliente: aggiunta di fonti, reindicizzazione, regole di accesso, riesecuzione dei test, monitoraggio

“La qualità del passaggio di consegne ci ha colpito. Abbiamo ricevuto i test, la documentazione e un processo chiaro per aggiornare la knowledge base. I nostri ingegneri hanno preso confidenza con il sistema e ne hanno assunto il supporto senza dipendere a lungo dal fornitore.”

Oliver BennettCTO, Regno Unito
Budget

Cosa determina il budget del vostro sviluppo RAG

Due sistemi RAG con la stessa lista di funzionalità possono richiedere quantità di lavoro molto diverse, perché la maggior parte dell'impegno sta nei dati che ci sono dietro. Per questo stimiamo ogni progetto a partire dai suoi input, non da un listino.

  1. 1

    Condividete gli input

    Quali fonti, quanti utenti, regole di accesso, dove gira, quali strumenti e quanto vi costa una risposta sbagliata.

  2. 2

    Stima delle ore per modulo

    Appena condividete questi requisiti, il nostro Solutions Architect vi invia una stima delle ore per modulo.

  3. 3

    Aggiornata dopo l'audit dei dati

    Dopo l'audit dei dati, la stima viene aggiornata con quanto emerso dalle vostre fonti.

  4. 4

    Costi operativi dopo il lancio

    Volume di query e scelta del modello sono ciò che incide di più su questa cifra, quindi la modelliamo sul vostro utilizzo previsto come parte della stima.

Cosa incide sul costo

01

Numero e formati delle fonti

Il testo pulito in un'unica wiki è facile da indicizzare. PDF scansionati, fogli di calcolo e tabelle complesse richiedono parsing e controlli aggiuntivi.

02

Qualità dei dati

Duplicati, versioni obsolete e documenti in contraddizione vanno ripuliti o classificati, altrimenti il sistema risponderà dal documento sbagliato.

03

Requisiti di controllo degli accessi

Portare i permessi da SharePoint o da un CRM nel retrieval è un lavoro di ingegneria a sé.

04

Profondità dei test di qualità

Un assistente di supporto sulla documentazione pubblica richiede meno revisione esperta di uno strumento su cui fa affidamento il vostro ufficio legale.

05

Integrazioni

Ogni sistema di destinazione aggiunge lavoro di autenticazione, interfaccia e manutenzione.

06

Modello di deployment

Un setup su cloud gestito di solito si avvia più rapidamente di un cloud privato o di un deployment on-premises con un modello self-hosted.

07

Volume di query

Incide più sul dimensionamento dell'infrastruttura e sui costi d'uso del modello che sull'impegno di sviluppo.

Come riferimento

L'assistente assicurativo descritto sopra copriva 12.000 documenti di tre tipi con accesso per reparto e ha richiesto 10 settimane a un team di quattro persone.

Un progetto con meno fonti e senza regole di accesso richiede meno. Uno con più integrazioni, sicurezza più rigorosa o un modello self-hosted richiede di più.

Costi operativi dopo il lancio

Una volta in funzione, pagate l'uso dell'LLM (a token tramite API, oppure hosting GPU se il modello gira nel vostro ambiente), l'hosting del database vettoriale, la capacità di calcolo per i job di ingestione e sincronizzazione, il monitoraggio e i log. A questo si aggiunge il tempo di supporto per correggere problemi di retrieval e ripetere i test quando cambiano i contenuti.

Per una visione più ampia dei budget AI, leggete la nostra analisi del costo di sviluppo di un'app AI.

Processo

Come si svolge il progetto

I nuovi progetti di solito attraversano quattro fasi. Ognuna si chiude con una vostra decisione prima che inizi la successiva. Se avete già un sistema RAG, il lavoro parte da una sua revisione e le fasi si adattano a ciò che va corretto.

1

Discovery e audit dei dati

Cosa ci serve da voi

Accesso a fonti di esempio, un responsabile per ogni fonte, un referente per la sicurezza

Punto di decisionePerimetro del pilota: quale caso d'uso, quali fonti, quali utenti
2

Pilota

Cosa ci serve da voi

Esperti della materia che scrivono le domande di test e valutano le risposte

Punto di decisioneVia libera o no alla produzione, in base ai criteri di qualità concordati
3

Sviluppo per la produzione

Cosa ci serve da voi

Requisiti di sicurezza e infrastruttura, accesso ai sistemi con cui integriamo

Punto di decisioneAccettazione del sistema di produzione dopo i test finali
4

Rollout e supporto

Cosa ci serve da voi

Un responsabile per ogni fonte e un canale per il feedback degli utenti

Punto di decisioneQuali fonti o casi d'uso affrontare dopo
Le tempistiche si fissano dopo l'audit dei dati. A quel punto sappiamo quanti documenti vanno ripuliti, come sono memorizzati i permessi e quali integrazioni sono coinvolte, e sono questi fattori, più della lista di funzionalità, a spostare il calendario.

Modelli di collaborazione

Non dovete impegnarvi subito in uno sviluppo completo. La collaborazione può iniziare con la sola discovery, con un pilota o con la revisione di un sistema RAG che già usate.

Solo discoveryAudit dei dati e perimetro del pilota concordato
PilotaUn caso d'uso concordato, testato sulle vostre domande reali
Revisione di un sistema esistenteUna revisione di un sistema RAG che già usate
Dati e sicurezza

Dati, integrazioni e sicurezza

Concordato prima dell’avvio dello sviluppo: da dove arrivano i dati, come restano aggiornati, chi può vederli e dove gira il sistema.

Le vostre fonti, collegate

PDF, Confluence, SharePoint, Notion, Drive, SQL, CRM, helpdesk. Le risposte arrivano in chat, su Slack o nel vostro prodotto. Vedi come integrare l’AI in un’app.

Sempre aggiornato

Le modifiche vengono reindicizzate secondo calendario e i documenti eliminati spariscono dalle risposte.

Solo alle persone giuste

I permessi vengono verificati al momento della query tramite il vostro SSO, eliminando il rischio descritto in OWASP LLM08:2025.

Gira dove decidete voi

Cloud pubblico, VPC o on-premises, con un modello commerciale o self-hosted. Prompt injection e fughe di dati sono gestite secondo l’OWASP Top 10 for LLM Applications.

Schermate dello stato di sincronizzazione delle fonti e del controllo accessi: fonti sincronizzate e documenti filtrati per team tramite SSO
Test di qualità

Come testiamo la qualità delle risposte prima del lancio

Sono i vostri esperti a definire cos’è una risposta corretta. Nulla va in produzione finché il vostro referente non approva i risultati.

01

Raccogliere

Domande reali da ticket, chat e log di ricerca, con risposte attese approvate dai vostri esperti.

02

Testare

Compresi i casi in cui il RAG si rompe: nessuna risposta nelle fonti, documenti obsoleti, file riservati.

03

Decidete voi

Andare in produzione, correggere, restringere il perimetro o fermarsi. Molto più economico dopo un pilota che dopo uno sviluppo completo.

Schermata di valutazione: 92% delle risposte confermate corrette dagli esperti su 500 domande reali, con casi difficili e fase di approvazione

“Il pilota ha fatto emergere le lacune, così abbiamo messo ordine nei documenti e affinato la ricerca. Ora i nuovi dipendenti trovano più in fretta ciò che serve e i manager passano meno tempo a spiegare sempre le stesse cose.”

Iryna KovalDirettrice Operativa, Ucraina
Su misura o gestito

Vi serve una soluzione RAG su misura?

Lo sviluppo su misura ha senso quando le vostre fonti sono complesse o sensibili, quando gli utenti hanno bisogno di diritti di accesso diversi o quando il sistema deve girare nel vostro ambiente o dentro il vostro prodotto. Nei casi più semplici, una piattaforma RAG gestita porta più in fretta a un risultato funzionante.

Costruito per il vostro caso

Implementazione su misura

Ideale quandoMolte fonti o fonti insolite, regole di accesso rigide, integrazione nel vostro prodotto
Controllo su dati e deploymentScegliete voi tra cloud, cloud privato od on-premises, e i modelli
Profondità di integrazioneConnettori costruiti per i vostri sistemi, nei limiti di ciò che espongono le loro API
PersonalizzazioneRetrieval, ranking, prompt e interfaccia costruiti per il vostro caso
Tempo al primo risultatoPiù lungo, perché servono discovery e sviluppo
Modello dei costi ricorrentiInfrastruttura e uso dei modelli sotto il vostro controllo, più la manutenzione
RAG as a service

Piattaforma gestita

Ideale quandoDomande e risposte standard sui documenti per formati comuni e connettori supportati
Controllo su dati e deploymentLimitato alle opzioni di hosting e modelli del fornitore
Profondità di integrazioneI connettori e i widget della piattaforma
PersonalizzazioneConfigurazione entro le impostazioni della piattaforma
Tempo al primo risultatoPiù breve per le fonti supportate
Modello dei costi ricorrentiAbbonamento o tariffe a consumo fissate dal fornitore

Le due opzioni non si escludono

Un sistema su misura usa spesso componenti gestiti, come un database vettoriale in hosting o un'API LLM commerciale; l'assistente assicurativo descritto sopra gira su OpenAI API e AWS.

Il fine-tuning è un altro strumento

Cambia il comportamento del modello, ad esempio il tono, il formato di output o la gestione dei termini di settore, ma non dà al modello accesso ai vostri documenti attuali. Potete combinarlo con il RAG quando vi servono sia conoscenze aggiornate sia uno stile di risposta specifico.

Se il vostro progetto va oltre il retrieval, ad esempio la scelta del modello o il fine-tuning, consultate i nostri servizi di sviluppo LLM.

Scegliere un fornitore

Domande da fare a una società di sviluppo RAG

Queste domande vi aiutano a confrontare i fornitori su prove concrete anziché su promesse.

  1. 01

    Potete mostrare risultati misurati di un progetto paragonabile e spiegare come sono stati misurati?

  2. 02

    Chi decide cosa sia una risposta corretta durante i test, e cosa succede se il sistema non rispetta i criteri?

  3. 03

    Come vengono salvati e verificati i permessi delle fonti al momento della query?

  4. 04

    Dove girerà il sistema e dove saranno conservati i nostri dati e log?

  5. 05

    Quanto costerà al mese farlo funzionare con il nostro utilizzo previsto?

  6. 06

    A chi appartengono il codice e l'indice dopo il passaggio di consegne?

Domande e risposte

FAQ

Proprietà, prontezza dei dati, integrazione, scelta dello stack e supporto dopo il lancio.

I vostri dati restano vostri in ogni fase. La proprietà di codice sorgente, configurazione e indice viene stabilita nel contratto prima di iniziare, così sapete cosa riceverete al passaggio di consegne.

No. La maggior parte dei team parte da fonti disordinate. All'inizio conta sapere quali documenti fanno fede e chi ne è responsabile. L'audit dei dati mostra cosa va ripulito, e la pulizia che incide sulla qualità delle risposte entra nel perimetro del progetto.

Sì. Il retrieval e la generazione delle risposte possono essere esposti come un'API chiamata dal vostro prodotto. Le principali questioni di progettazione sono come la vostra app trasmette l'identità dell'utente, perché valgano i permessi, e come le risposte mostrano le fonti nella vostra interfaccia.

Scegliamo dopo l'audit dei dati, in base a dove possono essere elaborati i vostri dati, al volume di query previsto e ai risultati sul vostro set di test. L'assistente assicurativo descritto sopra usava Python, FastAPI, LangChain, PostgreSQL con pgvector e OpenAI API su AWS. Se i dati non possono uscire dal vostro ambiente, un modello open-source ospitato sulla vostra infrastruttura sostituisce l'API esterna.

Il supporto copre il monitoraggio, la correzione di problemi di sincronizzazione e retrieval e la riesecuzione del set di test dopo modifiche alle fonti o al modello. Aggiungere nuove fonti o casi d'uso è lavoro di sviluppo e viene stimato a parte. Perimetro e tempi di risposta del supporto sono fissati in un accordo separato.

Contatti

Raccontateci il vostro progetto RAG

Per ricevere una stima, inviateci l'elenco delle fonti che il sistema deve usare, il numero previsto di utenti ed eventuali requisiti di sicurezza o deployment.

Utile includere
  • Le fonti che il sistema deve usare
  • Il numero previsto di utenti
  • Requisiti di sicurezza o deployment
  • Un eventuale sistema RAG che già usate

Vuoi avviare il tuo progetto?

Parla della tua idea con il nostro esperto di business development.

Descrivi la tua idea o richiesta e il nostro esperto ti contatterà entro un paio d'ore. Oppure scrivici direttamente su Telegram o WhatsApp.