Un approccio basato sul Prompt Engineering e sulla valutazione automatizzata per ottimizzare l'interazione con chatbot aziendali = A Prompt Engineering and automated evaluation-based approach to optimize interaction with enterprise chatbots

La Tesi si concentra sulla progettazione e implementazione di un assistente virtuale avanzato, integrato con modelli linguistici di grandi dimensioni (LLM), per migliorare l'interazione con la documentazione aziendale e ottimizzare i processi di ricerca di informazioni. L'obiettivo è migliorare l'esperienza utente, specialmente per utenti meno esperti, riducendo le allucinazioni del modello, gestendo le domande non pertinenti e fornendo risposte didattiche e chiare. Il progetto è stato sviluppato in collaborazione con un'azienda, con un focus sull'ottimizzazione dell'accesso alle informazioni aziendali, in particolare nell'ambito della formazione. La soluzione proposta utilizza tecniche di Prompt Engineering per la costruzione automatizzata di prompt e l'analisi delle richieste degli utenti, concentrandosi sull'efficienza e la precisione delle risposte. Vengono implementate funzionalità come la gestione del contesto, l'analisi delle domande dell'utente ed il loro filtraggio, e la citazione automatica delle fonti documentali. Un ruolo chiave è svolto dalla tecnologia Retrieval-Augmented Generation (RAG), che consente al sistema di arricchire le risposte integrando informazioni specifiche estratte da basi di dati esterne, migliorando l'accuratezza e la rilevanza delle risposte. La tesi esplora l'integrazione di tecnologie come LangChain, Docker e RESTful API per garantire scalabilità e flessibilità, analizzando l'interfaccia grafica intuitiva e user-friendly, progettata secondo principi di Human-Computer Interaction (HCI), messa a disposizione per interagire con l'assistente. Viene inoltre valutata la possibilità di ulteriori sviluppi futuri, come l'ulteriore ottimizzazione nell'analisi delle domande e l'inclusione di nuove funzionalità avanzate.