Assistente Conversazionale Multi-Agente
Cliente
Società di consulenza per Digital Transformation
Settore
IT Services
Fatturato
€ 2M
Dalla sfida...
Nei percorsi di apprendimento asincroni, studenti e lavoratori spesso non hanno accesso a un supporto immediato quando incontrano dubbi sui contenuti del corso. Questo può interrompere la continuità dello studio, ridurre l’engagement e aumentare il numero di richieste ripetitive verso docenti e tutor.
La sfida era introdurre un assistente capace di rispondere in modo affidabile sui materiali didattici, riducendo il rischio di allucinazioni tipico dei chatbot basati su LLM. Dal punto di vista dell’esperienza utente, era inoltre necessario gestire input liberi e conversazioni evolute, inclusa la modifica di messaggi precedenti con prosecuzione coerente del dialogo.
....al risultato
L’assistente conversazionale integrato in WhoTeach abilita un supporto didattico immediato, contestualizzato e personalizzato. Grazie a una pipeline RAG, le risposte vengono generate a partire dai materiali ufficiali caricati dai docenti, migliorando qualità, pertinenza e controllo sui contenuti.
La personalizzazione secondo il modello VARK consente di adattare la modalità di presentazione della risposta al profilo di apprendimento dell’utente, offrendo spiegazioni strutturate, sintesi, esempi, diagrammi, immagini o audio. Il risultato è un’esperienza di studio più fluida, con supporto “just-in-time” durante i percorsi asincroni.
Risultati ottenuti: riduzione del 30% del tempo medio per ottenere una risposta utile sui contenuti del corso; riduzione del 20% delle richieste ripetitive verso docenti e tutor su argomenti già presenti nei materiali; aumento del 15% del completamento dei moduli grazie al supporto immediato e personalizzato.
Dalla sfida...
Nei percorsi di apprendimento asincroni, studenti e lavoratori spesso non hanno accesso a un supporto immediato quando incontrano dubbi sui contenuti del corso. Questo può interrompere la continuità dello studio, ridurre l’engagement e aumentare il numero di richieste ripetitive verso docenti e tutor.
La sfida era introdurre un assistente capace di rispondere in modo affidabile sui materiali didattici, riducendo il rischio di allucinazioni tipico dei chatbot basati su LLM. Dal punto di vista dell’esperienza utente, era inoltre necessario gestire input liberi e conversazioni evolute, inclusa la modifica di messaggi precedenti con prosecuzione coerente del dialogo.
....al risultato
Cliente
Società di consulenza per Digital Transformation
Settore
IT Services
Fatturato
€ 2M
Cliente
Società di consulenza per Digital Transformation
Settore
IT Services
Fatturato
€ 2M
Dalla sfida...
Nei percorsi di apprendimento asincroni, studenti e lavoratori spesso non hanno accesso a un supporto immediato quando incontrano dubbi sui contenuti del corso. Questo può interrompere la continuità dello studio, ridurre l’engagement e aumentare il numero di richieste ripetitive verso docenti e tutor.
La sfida era introdurre un assistente capace di rispondere in modo affidabile sui materiali didattici, riducendo il rischio di allucinazioni tipico dei chatbot basati su LLM. Dal punto di vista dell’esperienza utente, era inoltre necessario gestire input liberi e conversazioni evolute, inclusa la modifica di messaggi precedenti con prosecuzione coerente del dialogo.
....al risultato
L’assistente conversazionale integrato in WhoTeach abilita un supporto didattico immediato, contestualizzato e personalizzato. Grazie a una pipeline RAG, le risposte vengono generate a partire dai materiali ufficiali caricati dai docenti, migliorando qualità, pertinenza e controllo sui contenuti.
La personalizzazione secondo il modello VARK consente di adattare la modalità di presentazione della risposta al profilo di apprendimento dell’utente, offrendo spiegazioni strutturate, sintesi, esempi, diagrammi, immagini o audio. Il risultato è un’esperienza di studio più fluida, con supporto “just-in-time” durante i percorsi asincroni.
Risultati ottenuti: riduzione del 30% del tempo medio per ottenere una risposta utile sui contenuti del corso; riduzione del 20% delle richieste ripetitive verso docenti e tutor su argomenti già presenti nei materiali; aumento del 15% del completamento dei moduli grazie al supporto immediato e personalizzato.
La soluzione
Abbiamo introdotto un assistente conversazionale basato su AI generativa, integrato nella piattaforma WhoTeach e progettato per supportare studenti e lavoratori durante percorsi formativi asincroni. L’assistente recupera i contenuti più pertinenti dai materiali caricati dai docenti tramite una pipeline RAG, generando risposte ancorate alla knowledge base del corso.
La soluzione mantiene il contesto della conversazione, guida l’utente nella comprensione dei contenuti e personalizza l’esposizione secondo il modello VARK. L’architettura multi-agente consente di orchestrare componenti specializzati per comprensione dell’input, retrieval, generazione della risposta, raccomandazione del formato e produzione di output multimediali.
Cosa abbiamo implementato:
- Pipeline RAG per recuperare contenuti pertinenti dai materiali ufficiali del corso
- Generazione di risposte ancorate alla knowledge base, con l’obiettivo di ridurre le allucinazioni
- Orchestrazione multi-agente per gestire comprensione input, instradamento, retrieval e generazione output
- Personalizzazione VARK con spiegazioni strutturate, liste, esempi, diagrammi, audio e immagini
- Gestione dello stato conversazionale e del contesto della chat
- Possibilità di modificare messaggi precedenti e proseguire coerentemente la conversazione
- Architettura cloud-native a servizi, scalabile e integrata con WhoTeach
Stack tecnologico
La soluzione è costruita su un’architettura cloud-native a servizi, con deploy containerizzato su Google Cloud Run e API REST esposte tramite FastAPI. PostgreSQL su Cloud SQL gestisce profilo studente e stato conversazionale, Firestore supporta la gestione dei messaggi e Google Cloud Storage conserva gli asset generati, come audio, immagini e diagrammi.
Il livello AI combina LangGraph e LangChain per l’orchestrazione multi-agente, OpenAI GPT-4o per la generazione delle risposte e ChromaDB come vector database per la pipeline RAG. Il retrieval utilizza embedding text-embedding-3-small e chunking semantico, mentre Google Cloud Text-to-Speech e Vertex AI Imagen 4 Ultra permettono di generare output audio e immagini a supporto della spiegazione.