Descrizione del progetto
TradottoAbbiamo una grande biblioteca di contenuti—catalogo prodotti, articoli di aiuto e documenti interni—e la nostra attuale ricerca per parole chiave ci delude costantemente. Trova parole esatte ma non comprende il significato: un cliente scrive 'non riesco ad accedere' e non troviamo l'articolo 'risoluzione dei problemi di autorizzazione' perché la formulazione non corrisponde. Sinonimi, parafrasi e diverse ortografie sfuggono, e il supporto viene sommerso da domande le cui risposte sono già sul sito. Abbiamo bisogno di una ricerca che comprenda l'intento, non solo parole letterali.
Stiamo cercando un ingegnere per costruire un sistema di ricerca semantica (vettoriale) sopra il nostro contenuto esistente. Questo significa: generare embeddings per ogni oggetto indicizzato, memorizzare questi vettori in un adeguato database vettoriale e servire query attraverso un'API chiara che le nostre applicazioni possono chiamare. Ci aspettiamo un ranking ibrido che combini il matching classico delle parole chiave con la similarità vettoriale—quindi le corrispondenze esatte rimangono in cima quando appropriato, ma i risultati semanticamente vicini emergono quando la formulazione diverge. La regolazione della rilevanza è importante per noi: vogliamo analizzare i log delle query reali, regolare pesi e soglie e misurare se i risultati migliori sono effettivamente migliori.
Per essere chiari sul campo di applicazione: questo è un sistema di ricerca e ranking, non un chatbot—un assistente generativo che scrive le proprie risposte non ci serve. Abbiamo bisogno di un ranking consapevole del significato, di un'API documentata, di una pipeline di indicizzazione che mantenga aggiornati gli embeddings man mano che il contenuto cambia, e di una raccomandazione su quale modello di embedding e quale archivio vettoriale si adattano al nostro volume e budget.
Cosa vogliamo ottenere:
— una pipeline di embedding per catalogo e documenti;
— un database vettoriale con ranking ibrido (parole chiave + vettori);
— un'API di ricerca con filtri, paginazione e controllo della rilevanza.
Stiamo cercando un ingegnere per costruire un sistema di ricerca semantica (vettoriale) sopra il nostro contenuto esistente. Questo significa: generare embeddings per ogni oggetto indicizzato, memorizzare questi vettori in un adeguato database vettoriale e servire query attraverso un'API chiara che le nostre applicazioni possono chiamare. Ci aspettiamo un ranking ibrido che combini il matching classico delle parole chiave con la similarità vettoriale—quindi le corrispondenze esatte rimangono in cima quando appropriato, ma i risultati semanticamente vicini emergono quando la formulazione diverge. La regolazione della rilevanza è importante per noi: vogliamo analizzare i log delle query reali, regolare pesi e soglie e misurare se i risultati migliori sono effettivamente migliori.
Per essere chiari sul campo di applicazione: questo è un sistema di ricerca e ranking, non un chatbot—un assistente generativo che scrive le proprie risposte non ci serve. Abbiamo bisogno di un ranking consapevole del significato, di un'API documentata, di una pipeline di indicizzazione che mantenga aggiornati gli embeddings man mano che il contenuto cambia, e di una raccomandazione su quale modello di embedding e quale archivio vettoriale si adattano al nostro volume e budget.
Cosa vogliamo ottenere:
— una pipeline di embedding per catalogo e documenti;
— un database vettoriale con ranking ibrido (parole chiave + vettori);
— un'API di ricerca con filtri, paginazione e controllo della rilevanza.
Sviluppo software Contante, Bonifico bancario
