Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà. # Confronto tra Retrieval Augmented Generation e messa a punto La tabella seguente descrive i vantaggi e gli svantaggi degli approcci di fine-tuning e basati su RAG. **** | Approccio | Vantaggi | Svantaggi | | --- | --- | --- | | Fine-tuning | [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/it_it/prescriptive-guidance/latest/retrieval-augmented-generation-options/rag-vs-fine-tuning.html) | [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/it_it/prescriptive-guidance/latest/retrieval-augmented-generation-options/rag-vs-fine-tuning.html) | | RAG | [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/it_it/prescriptive-guidance/latest/retrieval-augmented-generation-options/rag-vs-fine-tuning.html) | [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/it_it/prescriptive-guidance/latest/retrieval-augmented-generation-options/rag-vs-fine-tuning.html) | Se avete bisogno di creare una soluzione per rispondere a domande che faccia riferimento ai vostri documenti personalizzati, allora vi consigliamo di iniziare da un approccio basato su RAG. Utilizzate il fine-tuning se avete bisogno del modello per eseguire attività aggiuntive, come il riepilogo. È possibile combinare gli approcci di fine-tuning e RAG in un unico modello. Nel caso, l'architettura RAG non cambia, ma anche l'LLM che genera la risposta viene perfezionato con i documenti personalizzati. Questo combina il meglio dei due mondi e potrebbe essere la soluzione ottimale per il vostro caso d'uso. Per ulteriori informazioni su come combinare il fine-tuning supervisionato con RAG, consultate la ricerca RAG [RAFT: Adapting Language Model to Domain](https://arxiv.org/pdf/2403.10131) Specific di. University of California, Berkeley