Imagine que alguém pergunta ao chatbot da sua empresa: «Qual é a política de garantia deste produto?»
Um modelo de inteligência artificial (IA) consegue construir uma resposta convincente, mas não conhece automaticamente as condições comerciais, os documentos ou as políticas em vigor na empresa. E uma resposta plausível não é necessariamente uma resposta correta.
É aqui que entra o RAG (Retrieval-Augmented Generation): uma abordagem em que o sistema procura informação relevante nas fontes disponíveis e a fornece ao modelo antes de este responder. A ideia central é simples: primeiro procurar, depois responder.
Como funciona o RAG em quatro passos
Imagine agora um website B2B onde um visitante pergunta: «Posso enviar uma encomenda sem fazer o pagamento online?»
- Receção da pergunta. O sistema identifica a dúvida colocada pelo visitante.
- Pesquisa de informação. Procura conteúdos relacionados em páginas, perguntas frequentes, documentação, fichas de produtos ou outros dados disponibilizados para consulta.
- Seleção do contexto. Os trechos considerados mais relevantes são enviados ao modelo juntamente com a pergunta e as instruções de resposta.
- Geração da resposta. O modelo utiliza esse contexto para explicar as condições aplicáveis e, se a solução o permitir, indicar as fontes consultadas.
Num exemplo hipotético, se a documentação disser que determinados clientes podem submeter pedidos de encomenda sujeitos a confirmação comercial, o assistente poderá explicar essa possibilidade. Não precisa de inventar uma política geral nem de assumir que todas as encomendas seguem o mesmo processo.
O modelo continua a gerar texto. A diferença está na informação concreta que recebe para fundamentar a resposta.
Pesquisa semântica e embeddings
Uma pesquisa por palavras-chave é útil quando alguém procura uma referência exata. Mas os visitantes nem sempre utilizam a terminologia presente nos documentos.
Quem pergunta por «pagamento posterior» pode estar à procura de uma página que menciona «pagamento a 30 dias». A pesquisa semântica procura identificar essa relação de significado, mesmo quando as palavras não coincidem.
Para isso, muitos sistemas utilizam embeddings: representações numéricas de textos que permitem comparar a sua proximidade semântica. É esta uma das técnicas descritas na documentação de pesquisa da OpenAI.
RAG, contudo, não exige pesquisa vetorial. Pode recuperar informação por palavras-chave, pesquisa semântica, pesquisa híbrida, filtros por idioma ou categoria, ou consultas a dados estruturados. A escolha depende do tipo de conteúdo: uma referência de produto pode exigir correspondência exata, enquanto uma pergunta em linguagem natural pode beneficiar da pesquisa semântica.
Porque se dividem os documentos em trechos
Um PDF com 60 páginas pode conter apenas alguns parágrafos relevantes para uma pergunta sobre garantias. Em muitas implementações, os documentos são divididos em trechos menores, conhecidos como chunks, para recuperar e enviar ao modelo apenas o contexto útil.
O tamanho e a divisão desses trechos influenciam o resultado: partes demasiado pequenas podem separar condições importantes; partes demasiado grandes podem misturar assuntos e dificultar a seleção. Por isso, preparar bem a informação é tão importante como escolher o modelo de IA.
RAG não é treinar o modelo nem substituir a pesquisa
O RAG disponibiliza informação no contexto de uma resposta, mas não altera permanentemente os conhecimentos do modelo. Se a empresa atualizar uma política ou ficha técnica, o sistema poderá utilizar a nova versão depois de a fonte e, quando aplicável, o respetivo índice de pesquisa terem sido atualizados.
Convém distinguir três abordagens:
| Abordagem | Função principal |
|---|---|
| Pesquisa tradicional | Apresenta páginas, produtos ou documentos para o utilizador consultar. |
| RAG | Recupera informação e utiliza-a para gerar uma resposta contextualizada, podendo apresentar as fontes. |
| Fine-tuning | Ajusta o comportamento de um modelo através de exemplos de treino, por exemplo para determinadas tarefas, formatos ou estilos de resposta. |
Estas abordagens não são necessariamente concorrentes. Um sistema RAG utiliza mecanismos de pesquisa; um website pode oferecer pesquisa convencional e respostas geradas por IA; e o fine-tuning resolve um problema diferente. Para manter preços, políticas e documentação sujeitos a alterações frequentes, costuma fazer mais sentido atualizar as fontes consultadas do que voltar a treinar um modelo.
RAG reduz o risco de respostas erradas?
Pode reduzir o risco de respostas inventadas, frequentemente chamadas alucinações, mas não o elimina. Há três tipos de falha particularmente relevantes:
- Falta de informação: a base de conhecimento não contém a resposta ou ainda apresenta uma versão antiga.
- Pesquisa inadequada: a informação existe, mas o sistema recupera um trecho incompleto, irrelevante ou desatualizado.
- Interpretação incorreta: o modelo recebe o conteúdo certo, mas acrescenta uma conclusão que a fonte não sustenta.
É por isso que uma boa resposta não deve ser avaliada apenas pela fluidez. É necessário verificar se o sistema encontrou as fontes certas e se a resposta corresponde efetivamente ao que essas fontes dizem. Quando a informação é insuficiente, o assistente deve reconhecer essa limitação em vez de preencher as lacunas com suposições.
Mostrar as fontes acrescenta transparência, sobretudo em documentação técnica, catálogos e apoio ao cliente. Mas uma ligação para um documento não prova, por si só, que a resposta o interpretou corretamente.
A qualidade dos conteúdos determina a qualidade do sistema
Suponha que uma página refere um prazo habitual de cinco dias e um PDF antigo menciona dez dias. Se ambos forem recuperados sem indicação clara de qual prevalece, o modelo poderá apresentar uma resposta contraditória ou escolher a informação errada.
Uma base de conhecimento útil precisa de fontes atualizadas, consistentes e autorizadas, com critérios de prioridade quando existem versões diferentes. Também é necessário garantir que as alterações são refletidas no sistema de pesquisa; modificar uma página não significa, em todas as implementações, que a versão indexada seja atualizada imediatamente.
Os PDFs merecem atenção especial. O facto de uma ferramenta aceitar ficheiros PDF não garante que interprete corretamente tabelas, documentos digitalizados, texto em colunas ou informação inserida em imagens. É importante verificar o conteúdo extraído e testar se as respostas recuperam os dados certos.
Há ainda uma distinção essencial quando existem documentos privados: indexar informação não significa autorizar a sua divulgação. O controlo de acesso tem de ser aplicado antes de os conteúdos chegarem ao modelo, de acordo com as permissões de cada utilizador. Instruções como «não reveles documentos internos» não substituem esse controlo técnico. Os conteúdos recuperados devem também ser tratados como informação a consultar, não como instruções capazes de alterar as regras do assistente.
Quando faz sentido utilizar RAG num website?
O RAG é especialmente útil quando as respostas dependem de informação distribuída por várias fontes ou quando é importante mostrar de onde vêm os dados. Alguns exemplos:
- Centro de conhecimento:
- localizar procedimentos e explicar os passos com base em artigos e documentação.
- Catálogo técnico:
- responder a perguntas sobre características e diferenças entre produtos, a partir de fichas e dados disponíveis.
- Apoio comercial B2B:
- esclarecer processos de encomenda, pedidos de orçamento ou condições descritas nas fontes autorizadas.
- Apoio ao cliente:
- orientar o visitante para instruções, garantias e perguntas frequentes relevantes.
Em contrapartida, um website com pouca informação e respostas fixas pode não justificar esta arquitetura. Uma pesquisa convencional, uma página de perguntas frequentes bem organizada ou um chatbot baseado em regras poderá resolver o problema com menor complexidade e custo.
Como avaliar um sistema RAG antes de o utilizar
Os testes devem separar a qualidade da pesquisa da qualidade da resposta e da experiência do visitante.
| Área | O que verificar |
|---|---|
| Recuperação de informação | Encontrou o documento correto, a versão atual e os trechos necessários? |
| Geração da resposta | Respeitou as fontes, evitou inventar detalhes e reconheceu informação em falta? |
| Experiência de utilização | A resposta é clara, suficientemente rápida e mais útil do que consultar apenas uma lista de resultados? |
| Acesso e segurança | Impede que utilizadores sem autorização recuperem informações reservadas? |
Um conjunto de testes realista deve incluir perguntas fáceis, dúvidas formuladas com palavras diferentes das usadas nos documentos, informação inexistente, fontes contraditórias e, quando existam áreas privadas, tentativas de acesso sem autorização.
Conclusão
RAG permite que um assistente de IA procure informação específica antes de responder, em vez de depender apenas do conhecimento geral do modelo. Pode tornar a pesquisa e o apoio ao cliente mais úteis, sobretudo em websites com documentação extensa ou conteúdos que mudam com frequência.
O seu valor, porém, depende da preparação das fontes, da qualidade da recuperação, do controlo de acesso e dos testes. Encontrar a informação certa e utilizá-la corretamente continua a ser mais importante do que produzir uma resposta que apenas parece convincente.
