Nota
L'accesso a questa pagina richiede l'autorizzazione. È possibile provare ad accedere o modificare le directory.
L'accesso a questa pagina richiede l'autorizzazione. È possibile provare a modificare le directory.
La Generazione Aumentata tramite Recupero (RAG) in Microsoft Copilot Studio combina le capacità di ragionamento dei modelli linguistici con conoscenze attendibili specifiche dell'organizzazione. Consente agli agenti di produrre risposte accurate, contestuali e fondate basate sui contenuti dell'impresa, invece di affidarsi esclusivamente alla memoria del modello.
In questo articolo vengono illustrate le operazioni seguenti:
- Capire come RAG migliora l'affidabilità e la stabilità dell'IA.
- Descrivere come Copilot Studio recupera e sintetizza le conoscenze.
- Identifica le fonti di conoscenza supportate e i loro vincoli.
- Riconosci le considerazioni di governance, conformità e sicurezza dell'IA.
- Applica i concetti RAG quando progetti agenti in ambienti aziendali.
Introduzione a RAG
RAG è un pattern di progettazione che migliora la precisione dell'IA combinando due capacità:
- Recupero delle informazioni: Ricerca nelle fonti di dati aziendali.
- Generazione di testo: Sintesi delle informazioni recuperate utilizzando un modello linguistico.
Questo approccio riduce informazioni errate, aumenta la fiducia e genera risposte radicate in contenuti organizzativi reali.
Architettura RAG in Copilot Studio
la pipeline RAG di Copilot Studio si basa su Azure AI services e si integra strettamente con i limiti di attendibilità, conformità e sicurezza di Microsoft.
Componenti principali:
- Copilot Studio runtime: gestisce la pipeline conversazionale
- Motore di ottimizzazione delle query: Riscrive e interpreta le query
- Provider di ricerca: Bing, SharePoint, Graph, Dataverse, Azure AI Search
- Motore di riassunto: Crea risposte fondate e citate
- Livelli di moderazione: Valida messaggi e riassunti
- Archivio stato: Memoria a breve termine (meno di 30 giorni; non utilizzato per l'addestramento)
- Archivi di telemetria e feedback: Fornisce approfondimenti e supervisione
Funzionamento di RAG in Copilot Studio
Rag in Copilot Studio segue un processo in quattro passaggi:
- Riscrittura delle query
- Recupero dei contenuti
- Sintesi e generazione di risposte
- Validazione della sicurezza e della governance
1. Riscrittura delle query
Copilot Studio ottimizza la domanda dell'utente prima della ricerca:
- Chiarisce il significato
- Aggiunge segnali contestuali (ultimi 10 turni)
- Migliora l'abbinamento delle parole chiave
- Genera query ottimizzate per la ricerca.
Questo processo aumenta la qualità del recupero e riduce i risultati irrilevanti.
2. Recupero di contenuti
Dopo aver riscritto la query, il sistema la esegue con tutte le fonti di conoscenza che hai impostato. Copilot Studio ottiene i primi tre risultati da ogni origine, bilanciando la pertinenza con le prestazioni. Il comportamento di ciascuna fonte di conoscenza varia a seconda di fattori come autenticazione, indicizzazione, formati di file e vincoli di archiviazione.
La tabella seguente riassume tutte le fonti di conoscenza supportate e le loro capacità, vincoli e requisiti di autenticazione:
| Fonte di conoscenza | Description | Authentication | Capacità chiave, limiti e vincoli |
|---|---|---|---|
| Dati pubblici (siti web) | Siti web indicizzati da Bing | None |
|
| SharePoint/OneDrive | Contenuti aziendali interni (solo interni) | Microsoft Entra ID autentificazione delegata |
|
| File caricati | File caricati nella memoria Dataverse | None |
|
| Tabelle Dataverse | Registri aziendali strutturati (solo interni) | Microsoft Entra ID autentificazione delegata |
|
| Connettori a grafo | App aziendali indicizzate in Microsoft Graph (solo interno) | Microsoft Entra ID autentificazione delegata |
|
| Connettori in tempo reale | Dati in tempo reale provenienti da sistemi come Salesforce, Zendesk, SQL (solo interni) | L'utente deve essere loggato |
|
| Azure AI Search | Ricerca semantica basata su vettori | Endpoint configurato |
|
| Dati personalizzati | I dati forniti tramite API, flussi o logica personalizzata | None |
|
3. Riassunto e generazione delle risposte
- L'IA sintetizza contenuti recuperati
- Applica istruzioni personalizzate per tono, formattazione, sicurezza o brevità
- Genera citazioni ai dati sottostanti
- Personalizza le risposte utilizzando il contesto dell'utente (come lingua, dipartimento o regione)
4. Validazione della sicurezza e della governance
Ogni risposta passa attraverso livelli di validazione automatici:
- Moderazione di risposte dannose, malevole, non conformi o protette da copyright
- Validazione della messa a terra e rimozione di informazioni errate
Nessun dato dei clienti allena i modelli linguistici.
Considerazioni chiave nell'uso di RAG
RAG funziona meglio per domande e risposte fattuali, non per analisi approfondite di documenti.
RAG è ideale per:
- Rispondere a domande da base di conoscenza
- Riassuntione delle politiche, delle FAQ e dei contenuti procedurali
- Recupero di fatti specifici da file o sistemi interni
RAG non è pensato per:
- Confronto completo dei documenti
- Valutazione della conformità alle politiche
- Ragionamento complesso su lunghi documenti non strutturati
Considerazioni sulla sicurezza e conformità dell'IA generativa
Le funzionalità di intelligenza artificiale generative in Microsoft Copilot Studio sono progettate per offrire potenti funzionalità di conversazione e ragionamento mantenendo al contempo controlli avanzati di sicurezza, privacy e conformità.
Modelli di fondazione e hosting
- Copilot Studio si basa su modelli di base addestrati da OpenAI.
- Copilot Studio usa uno dei modelli OpenAI più recenti per le risposte generative.
- I modelli vengono eseguiti interamente sui servizi Azure AI Foundry interni, allineati al limite di Attendibilità dei servizi Microsoft.
- Ogni utilizzo del modello rispetta i principi e le politiche di Microsoft Responsible AI .
Istruzioni personalizzate
I creatori possono fornire istruzioni personalizzate per modellare il comportamento del modello, influenzare il tono o aggiungere regole di formattazione. Queste istruzioni aiutano a personalizzare le risposte generative alle esigenze dell'organizzazione, rispettando però i filtri di sicurezza e i controlli di conformità.
Archiviazione ed elaborazione dei dati
- Data storage and processing in Copilot Studio potrebbero spostare i dati tra i limiti internazionali quando l'hosting del modello locale non è disponibile.
- Quando questo spostamento dei dati non è consentito, gli amministratori possono usare le impostazioni dell'ambiente per disabilitare funzionalità specifiche, ad esempio Azure modelli linguistici o Ricerca Bing.
- Copilot Studio non raccoglie o usa dati dei clienti per i modelli linguistici di training.
Gestione operativa dei dati
- Durante il funzionamento, il sistema memorizza temporaneamente le conversazioni in uno store sicuro gestito da Microsoft.
- L'accesso autorizzato al personale Microsoft è limitato tramite le Secure Access Workstations (SAW) con controlli Just-In-Time (JIT).
- Le organizzazioni possono ulteriormente controllare l'accesso tramite Customer Lockbox, richiedendo un'approvazione esplicita prima che gli ingegneri di supporto Microsoft possano visualizzare i dati.
Risoluzione dei problemi di telemetria
- Le funzionalità di IA generativa generano dati aggiuntivi di risoluzione dei problemi, ma solo per azioni avviate dal creatore nel pannello di Test, in particolare quando il creatore dà un pollice in su o in basso a una risposta.
- Non vengono registrati dati aggiuntivi dei clienti al di fuori di questo esplicito ciclo di feedback.
Monitoraggio degli abusi e sicurezza
Poiché più livelli di sicurezza proteggono già le funzionalità di intelligenza artificiale generative, Copilot Studio disabilita Azure il monitoraggio degli abusi di intelligenza artificiale per evitare di registrare ulteriormente i dati dei clienti.