nobug
    Glossário/RAG (Retrieval-Augmented Generation)
    IA & Inovação

    RAG (Retrieval-Augmented Generation)

    Arquitetura de IA que combina busca em bases de conhecimento com geração de texto por LLMs para respostas precisas.

    RAG (Retrieval-Augmented Generation) é a arquitetura mais utilizada em IA corporativa: o LLM recebe a pergunta, o sistema busca trechos relevantes em uma base de conhecimento (documentos, banco, intranet) via embeddings + vector database, e o modelo gera a resposta ancorada nesses trechos com citação de fontes. Vantagens sobre fine-tuning: conhecimento atualizado em tempo real, custo menor, auditabilidade, redução de alucinações. Componentes: ingestão (parsing, chunking, embedding), retrieval (busca híbrida vetorial + keyword + reranking), geração (com citações), avaliação (faithfulness, answer relevance). Variações modernas: GraphRAG, Agentic RAG, Multi-hop RAG. A NOBUG implementa plataformas RAG corporativas seguras com LGPD by design.

    Como funciona na prática

    Antes de responder qualquer pergunta, os documentos da empresa são preparados: convertidos em texto, divididos em trechos e transformados em vetores, que ficam guardados em um banco de busca. Quando o usuário pergunta algo, o sistema procura os trechos mais relacionados, muitas vezes combinando busca por significado e por palavras-chave, e os envia ao modelo junto com a pergunta e a instrução de responder só com base neles. A resposta volta com links para as fontes. Quando um documento é atualizado, basta reprocessá-lo, sem treinar o modelo de novo. Permissões de acesso podem filtrar quais trechos cada usuário pode ver.

    Quando faz sentido

    Faz sentido quando a empresa tem muito conhecimento espalhado em documentos, manuais, políticas, contratos, base de chamados ou intranet, e as pessoas perdem tempo procurando respostas ou perguntando aos mesmos colegas. Casos comuns são atendimento ao cliente, suporte interno, área jurídica, recursos humanos e equipes técnicas. Também é a escolha natural quando a informação muda com frequência e a resposta precisa citar a fonte. Faz menos sentido quando os documentos estão desatualizados ou contraditórios, porque a IA vai reproduzir o problema com aparência de certeza. Nesse caso, organizar e revisar o conteúdo é o primeiro passo.

    O que avaliar

    Avalie a qualidade da busca antes da qualidade do texto gerado: se os trechos certos não forem encontrados, a resposta será ruim. Monte um conjunto de perguntas reais com as respostas esperadas e use-o para testar cada mudança. Verifique como o sistema respeita permissões, para que ninguém receba trechos de documentos que não poderia ler. Defina como documentos novos ou alterados entram na base e quem é responsável por eles. Considere onde os dados ficam hospedados e quais fornecedores os processam. Por fim, acompanhe perguntas sem resposta e avaliações negativas dos usuários, que indicam lacunas no conteúdo ou na busca.

    Este termo faz parte da área de IA & Inovação. Veja como a NOBUG trabalha com inteligência artificial.