AI-RAG-docuquery è un’applicazione che combina intelligenza artificiale e ricerca semantica per aiutare a consultare in modo rapido e naturale i propri documenti locali.
Si basa sul paradigma del Retrieval-Augmented Generation (RAG): un approccio che unisce la ricerca di testi rilevanti (retrieval) con la generazione di risposte in linguaggio naturale (generation).

GitHub repo: github.com/paoloronco/AI-RAG-docuquery-app

In pratica, l’utente:

1. Indicizza i propri file (PDF, Word, Excel, PowerPoint, testi semplici, Markdown, CSV).
2. Pone domande in linguaggio naturale tramite un’interfaccia semplice (GUI PyQt6).
3. Riceve risposte concise e citate, con collegamenti diretti alle fonti originali.

Questo significa trasformare una cartella di documenti in una sorta di assistente personale, capace di rispondere a domande e guidare nella consultazione delle fonti senza doverle aprire e cercare manualmente.

Perché è utile

Molti professionisti e studenti si trovano a gestire grandi quantità di documenti: manuali tecnici, dispense, archivi PDF. Cercare informazioni in questi file è spesso lento e frustrante.
Con AI-RAG-docuquery:

• Si risparmia tempo grazie a ricerche semantiche più intelligenti delle classiche ricerche testuali.
• Le risposte sono sempre collegate a fonti verificabili, quindi non ci si deve fidare ciecamente del modello.
• È possibile usare sia modelli locali HuggingFace (anche offline) sia servizi compatibili con OpenAI, rendendo il sistema flessibile alle esigenze dell’utente.
• Funziona anche in modalità “No LLM”, cioè senza modelli linguistici, per chi vuole solo i passaggi più simili trovati nei documenti.

Caratteristiche principali

• Motore di ricerca vettoriale FAISS per l’indicizzazione dei documenti.
• Supporto multi-formato (PDF, DOCX, PPTX, XLSX, TXT, CSV, MD).
• Interfaccia grafica PyQt6, intuitiva e cross-platform.
• Configurazione OpenAI semplificata: popup dedicato con gestione API key e scelta del modello.
• Compatibilità con HuggingFace locale, che sfrutta CPU o GPU automaticamente.
• Build in formato eseguibile (.exe) tramite PyInstaller, così l’app può essere distribuita senza che l’utente debba installare Python.

---

Competenze acquisite grazie al progetto

La realizzazione di questo progetto mi ha permesso di lavorare su diversi fronti tecnici, consolidando e ampliando le mie competenze:

1. NLP e AI applicata
   • Comprensione del paradigma RAG e del suo utilizzo pratico.
   • Uso di Sentence-Transformers per embeddings e modelli HuggingFace.
   • Integrazione con API di modelli esterni (OpenAI/compatibili).
2. Information Retrieval
   • Gestione di indici vettoriali con FAISS.
   • Tecniche di retrieval ibrido (dense + sparse).
   • Creazione di pipeline per l’estrazione di contenuti da formati eterogenei.
3. Sviluppo software con Python
   • Organizzazione modulare del codice (indexer, retrieve, loaders, llm_clients).
   • Gestione delle dipendenze e virtual environment.
   • Distribuzione tramite PyInstaller con ottimizzazioni per librerie pesanti come torch e faiss.
4. GUI development
   • Creazione di interfacce grafiche con PyQt6.
   • Integrazione di funzionalità avanzate come link cliccabili che aprono i file locali.
   • Persistenza delle configurazioni utente tramite file JSON.
5. Software engineering & DevOps
   • Versionamento con Git e distribuzione su GitHub.
   • Gestione di pacchetti, troubleshooting cross-platform e ottimizzazione per Windows.
   • Documentazione completa con README e roadmap.

---

Conclusione

AI-RAG-docuquery è un progetto che unisce ricerca accademica e concretezza: un’app utile per semplificare la consultazione dei documenti personali, ma anche un esercizio avanzato di ingegneria del software e integrazione AI.

Mi ha permesso di crescere come sviluppatore, passando da concetti teorici di NLP a un’applicazione funzionante e distribuibile, pronta per essere usata da chiunque.