Technology / Retrieval e RAG
La ricerca vettoriale trova documenti simili. Serve un livello in più per usarli.
Lewis et al. hanno messo per iscritto l'idea originale nel 2020: combinare la memoria parametrica dentro un language model con la memoria non parametrica recuperata da qualche altra parte. Risolveva un problema reale. I modelli potevano finalmente smettere di inventarsi cose.
Da allora gran parte del RAG enterprise si è fermata a quel paper. Vector search più un LLM. Modalità di fallimento prevedibili quando la conoscenza va composta tra più fonti, quando le affermazioni si contraddicono, quando metà dei documenti ha diciotto mesi e nessuno si è preso la briga di segnalarlo.
La nostra linea di ricerca — Retrieve Is Not Enough — riguarda ciò di cui un sistema di retrieval ha bisogno una volta accettato che la ricerca per similarità è il pavimento, non il soffitto.
Nessuna di queste domande riguarda la distanza coseno.
Un'affermazione, una fonte, un'ipotesi, una vecchia convinzione che ha silenziosamente smesso di essere vera. Ognuna richiede un trattamento diverso a valle.
Confidenza, decadimento, provenance — proprietà di prima classe di ogni unità, non annotazioni aggiunte dopo.
E se lo fa, quale lato porta in superficie il sistema — all'agente, all'analista, alla persona che sta per prendere una decisione?
Pronto per la decisione, non solo pertinente all'argomento. Un top-k piatto di chunk simili resta un'ipotesi che l'LLM ha vestito a festa.
Ogni stadio è una decisione di design. Se ne salti uno, il fallimento emerge due query dopo.
Dense embeddings, retrieval sparso, retrieval strutturale su un grafo — pesati dinamicamente in base al tipo di domanda posta. Il dense puro perde precisione sulle query ricche di entità; lo sparse puro perde recall su quelle concettuali. Li usiamo tutti e tre, e non fingiamo che uno solo basti.
Torna indietro un'unità tipizzata: affermazione, ipotesi, decisione o osservazione, con la propria fonte, la propria confidenza, il proprio stato di decadimento e le relazioni con le altre unità. L'agente sopra sa che tipo di cosa sta leggendo.
Ogni affermazione recuperata è tracciabile fino alla sua origine e alle altre affermazioni che la supportano, ne dipendono o la contestano. Senza questo non puoi fare l'audit dell'output. Con questo puoi difenderlo.
L'importanza è calcolata per formula — basata su ODE, per gentile concessione del Project OIDA — non chiesta di sfuggita a un LLM. Stessa domanda, stessi dati, stesso ranking. Due mesi dopo, ancora lo stesso. È proprio quella stabilità il punto.
Quando le evidenze recuperate sono in conflitto, il sistema lo segnala. Non lascia che il modello generativo scelga in silenzio una parte e scriva una frase sicura di sé al riguardo.
La conoscenza ha un tempo di dimezzamento che dipende da cosa è. Un'osservazione di mercato non è una decisione ratificata. Il nostro filtraggio conosce la differenza e abbassa il peso di conseguenza.
Il contesto che arriva al modello è modellato sul compito — analisi, supporto alla decisione, memo, due diligence — non consegnato come una pila uniforme di paragrafi simili e una speranza.
Due estratti di riferimento: l'orchestratore e la forma di ciò che restituisce. Le implementazioni reali sono calibrate sul dominio.
retrieval.py
# Hybrid retrieval: dense + sparse + structural,
# weighted dynamically by query class.
def retrieve(query: str, k: int = 12) -> list[KnowledgeObject]:
weights = router.weight_for(query)
dense = vector_index.search(query, k=k * 3)
sparse = bm25_index.search(query, k=k * 3)
graph = provenance_graph.expand(query, k=k * 2)
candidates = fuse(dense, sparse, graph, weights=weights)
candidates = apply_decay(candidates, now=clock.now())
candidates = detect_contradictions(candidates)
# ODE-based salience, deterministic across queries.
return rank_by_salience(candidates)[:k]knowledge_object.ts
// What the agent actually receives — not a flat chunk.
type RetrievedKO = {
id: string
claim: string
type: 'factual' | 'opinion' | 'hypothesis'
| 'decision' | 'commitment'
// epistemic state
confidence: number // [0, 1], deterministic
decayState: number // [0, 1], 1 = fresh
// provenance
source: { docId: string; span: [number, number]
actor: string; role: string }
// graph relationships
supports: string[] // KO ids supported
contradicts: string[] // KO ids in conflict
salience: number // ODE-derived, ranked
}Ognuno mette alla prova la stessa architettura sotto un tipo di pressione diverso.
Investment intelligence
Analisti PE e VC che confrontano aziende, soppesano segnali contraddittori, scrivono memo in cui ogni affermazione è tracciabile. Usiamo AskMadarAI per deal sourcing, comparable e risk mapping. Ora viene scomposto in agenti specializzati — Startup Evaluator, PE Intelligence, Portfolio Monitor.
Media intelligence
Newjee non recupera articoli. Recupera affermazioni, narrazioni, attori mediatici e pattern di framing — e mappa come lo stesso evento viene costruito tra le diverse testate. Il media monitoring smette di essere un servizio di rassegna stampa e diventa uno strumento.
Flagship venture · Epistemic Knowledge for the AI Era
OIDA è la tech company accelerata da KVA, che lavora su infrastrutture epistemiche per le organizzazioni. Lì il retrieval è un pezzo di un Knowledge Gravity Engine che modella come la conoscenza invecchia, entra in conflitto e viene ritenuta affidabile.
Implementazioni per i clienti
Workflow legali e normativi, knowledge base di R&S, sistemi di due diligence, retrieval per la compliance. Stessa architettura, calibrata sul dominio, di proprietà del cliente.
Il position paper. Perché il retrieval basato sulla similarità si rompe sotto carico epistemico, e cosa deve fare invece un'architettura di retrieval per supportare il ragionamento, il supporto alle decisioni e output che chiunque possa difendere. In preparazione per il 2026.
Tutta la ricerca KVA →Se stai per mettere in produzione un sistema RAG — o stai sostituendo uno che ha silenziosamente smesso di guadagnarsi fiducia — eseguiamo audit mirati del retrieval e review dell'architettura.