DOCUMENT INGESTION PER SISTEMI RAG: PROGETTAZIONE, VALIDAZIONE E BENCHMARK DI PIPELINE ESTRATTIVE PER MANUALI INDUSTRIALI

Nei moderni contesti industriali, l'accesso rapido e preciso alla documentazione tecnica complessa, come manuali d'uso e tabelle di diagnostica, rappresenta una sfida critica per l'efficienza della manutenzione. Sebbene i sistemi di Retrieval-Augmented Generation (RAG) offrano una soluzione promettente, la loro accuratezza e affidabilità dipendono strettamente dalla qualità dei dati immessi nel sistema. Questo lavoro di tesi, svolto all'interno del progetto ARIS, si focalizza sulla progettazione e validazione dell'intera pipeline di data ingestion. L'obiettivo è trasformare PDF industriali eterogenei in una Knowledge Base strutturata e ottimizzata, preparando l'infrastruttura vettoriale necessaria ad alimentare le successive fasi di interrogazione e prevenire fenomeni di allucinazione dell'LLM. La metodologia prevede lo sviluppo di una pipeline di elaborazione che parte dall'estrazione di testi e tabelle da documenti tecnici complessi, confrontando approcci euristici basati su regole di layout con modelli neurali e visivi di Document Layout Analysis. Sia per la fase di parsing che per quella di vettorializzazione, lo studio mette a confronto soluzioni in cloud e ad esecuzione locale, analizzandone l'impatto sulla sicurezza, sulla riservatezza dei dati industriali e sulla sovranità tecnologica dell'infrastruttura. Successivamente, le informazioni vengono sottoposte a preprocessing e pulizia, segmentate tramite chunking gerarchico e caricate nel database vettoriale. Al fine di individuare la configurazione ottimale, vengono analizzate diverse strategie di suddivisione del testo e strutturazione dei dati. L'architettura viene validata attraverso un framework di valutazione quantitativa e qualitativa. Da un lato, l'analisi si concentra sulle prestazioni computazionali del sistema, misurando tempi di elaborazione e consumo di risorse dei diversi metodi di estrazione. Dall'altro, si prevede l'impiego di metriche specifiche per i sistemi RAG, al fine di valutare la precisione e l'accuratezza del retrieval sui database vettoriali generati dai vari parser. Infine, l'esecuzione di test comparativi su manuali tecnici differenti consente di verificare il grado di riusabilità e generalizzabilità del workflow di ingestion proposto, identificando la configurazione ottimale per l'applicazione industriale.