Aggiudicazione definitiva

Descrizione  Installazione, configurazione e customizzazione RAG Builder visuale basato su RAGFlow (engine open source con architettura RAG 2.0) per la progettazione, esecuzione e valutazione di pipeline RAG end-to-end attraverso un canvas no-code/low-code e API REST, utilizzabile a fini didattici come ambiente in cui lo studente costruisce autonomamente sistemi di Retrieval-Augmented Generation a partire da documentazione dei domini ITS (logistica, supply chain, intermodale, shipping, yacht manufacturing, e-commerce). La piattaforma copre: (i) ingestione documentale multi-formato con parsing semantico profondo (DeepDoc) di PDF nativi e scansionati, DOCX, PPTX, XLSX, HTML, Markdown, CSV, immagini con OCR, pagine web e dati strutturati, con estrazione automatica di tabelle, figure e table of contents; (ii) template di chunking configurabili (general, Q&A, manual, paper, book, laws, presentation, naive) con strategia parent-child e visualizzazione interattiva dei chunk per ispezione e correzione manuale, a supporto della comprensione didattica dell'impatto dello slicing sulla qualità del retrieval; (iii) vettorializzazione tramite modelli di embedding open source (famiglie BGE, E5, GTE o equivalenti) eseguiti sul cluster di inferenza tramite endpoint OpenAI-compatible; (iv) indicizzazione ibrida con full-text search (BM25) e ricerca vettoriale densa, retrieval a due vie con fused re-ranking tramite cross-encoder/tensor reranker; (v) generazione con LLM open-weight selezionabili dal Model Catalog (Llama, Qwen, Gemma, DeepSeek, gpt-oss), con citazioni tracciabili al chunk sorgente e visualizzazione del grounding per finalità didattiche di explainability; (vi) costruzione di Knowledge Graph e GraphRAG sui dataset di sede, con metadata filtering a livello documento; (vii) orchestrazione agentica su grafo ciclico (oltre il classico DAG) per pattern Self-RAG, query rewriting iterativo, multi-hop QA e Agentic RAG; (viii) gestione multi-tenant con autenticazione, workspace per studente/classe, ruoli (studente, docente, amministratore), quote risorse e audit log: n. 1 modulo  Ambiente di sviluppo IDE web-based (JupyterLab) integrato, per la scrittura e l’esecuzione di codice Python e notebook che invocano il cluster di inferenza tramite API, multi-utente con isolamento delle risorse: n. 1 modulo  Model Catalog dei modelli AI open-weight installati e disponibili sul cluster, con metadati (numero di parametri, formato di quantizzazione, dimensione di context window, lingue supportate), funzione di selezione del modello per esecuzione e governance del catalogo. Playground LM Studio e Comfy UI per la sperimentazione di wokflow AI based: n. 1 modulo  Agent Builder visuale e a codice per la costruzione di agenti AI con tool calling, planning, memoria e architetture multi-agent, basato su RAG Flow o n8n: n. 1 modulo  Vector Database multi-tenant (PostgreSQL+pgvector, Qdrant, Weaviate, Milvus o equivalente open source) installato sui server applicativi delle tre sedi, con indici HNSW, gestione delle quote utente e backup automatico: n. 1 modulo  Fine-tuning specializzato con tecniche LoRA e QLoRA mediante JupiterLab: selezione del modello base, caricamento del dataset, configurazione iperparametri, lancio del job sul cluster, monitoraggio della loss in tempo reale, valutazione del modello risultante: n. 1 modulo  Installazione e configurazione del catalogo modelli AI open-weight: Famiglia Llama (Meta), versioni ≥ 3.x Famiglia Qwen (Alibaba), versioni ≥ 2.5 Famiglia Gemma (Google), versioni ≥ 2 Famiglia DeepSeek, versioni open-weight più recenti (code e reasoning) Famiglia gpt-oss, versioni open-weight Almeno 2 modelli di embedding open source (famiglie BGE, E5, GTE o equivalenti) per pipeline RAG  Installazione, integrazione e collaudo: Installazione del framework sui server applicativi (ATLAB) preesistenti presso la sede di Taranto: 1 sede; Integrazione con il cluster hardware di calcolo AI tramite le interfacce standard del produttore dei nodi (endpoint OpenAI-compatible vLLM/TensorRT-LLM per inferenza ed embedding, job di fine-tuning su GPU federate, monitoraggio GPU via DCGM exporter o equivalente): incluso Test funzionali su tutti i moduli, test end-to-end di pipeline RAG, costruzione di agenti AI con tool calling, fine-tuning LoRA, test di prestazione e scalabilità, test di sicurezza applicativa secondo lo standard OWASP ASVS livello L2: incluso Collaudo funzionale finale. Trasferimento di conoscenza tecnico-operativa (handover) agli amministratori di sistema dell’Istituto: incluso  Manutenzione e supporto applicativo: Manutenzione correttiva (correzione di malfunzionamenti e anomalie), manutenzione adeguativa (adeguamento a nuove versioni delle librerie open source, patch di sicurezza, aggiornamenti del cluster di inferenza) e manutenzione evolutiva minore (fino a 8 giornate/uomo all’anno per migliorie funzionali), con helpdesk applicativo via portale di ticketing, e-mail e telefono, SLA differenziati per severità della segnalazione, report trimestrali di rendicontazione: n. 3 anni Visualizza partecipanti