Elysia, AI open source che classifica i dati (RAG) e decide da sola come visualizzare le informazioni

Negli ultimi anni, gli assistenti AI sono diventati sempre più comuni, ma la maggior parte di essi continua a condividere un limite fondamentale: l’interazione resta quasi sempre “testo in, testo fuori”. E se l’intelligenza artificiale potesse invece decidere in modo dinamico non solo cosa rispondere, ma anche come presentare le informazioni? E se potesse comprendere le tue preferenze, organizzare e classificare i dati, offrendo piena trasparenza sul processo decisionale? È qui che entra in gioco Elysia, un framework open source di tipo agentic RAG (Retrieve, Analyze, Generate) progettato per cambiare alla base le modalità che fino ad oggi abbiamo utilizzato per interagire con i dati attraverso l’AI.

Elysia eccelle nella gestione di sorgenti di natura differente, ovvero dati eterogenei: documenti, prodotti, ticket di supporto, transazioni e molto altro. Tutto può essere caricato su Elysia in modo da lasciare l’agente AI per RAG studiare la loro tipologia e struttura.

Cos’è Elysia?

Elysia è un sistema basato su decision tree agentici che decide in autonomia quali strumenti utilizzare, quali risultati perseguire, quando continuare un processo o dichiarare completato un obiettivo. Offre sia un’interfaccia frontend completa sia un pacchetto Python facilmente installabile tramite il gestore pip.

Grazie all’integrazione con Weaviate, un database open source basato su vettori progettato per la ricerca semantica e l’AI, Elysia può effettuare ricerche intelligenti sui dati, generando automaticamente filtri e parametri di ricerca a partire da istruzioni in linguaggio naturale e visualizzando i risultati in modo dinamico.

Weaviate è anche il nome dell’azienda olandese che non solo sviluppa il database vettoriale open source ma anche Elysia. La loro piattaforma permette di trasformare dati non strutturati, come testo e immagini, in vettori per effettuare ricerche per similarità e filtraggi strutturati, unendo così ricerca semantica e tradizionale.

La piattaforma è completamente aperta e altamente personalizzabile, permettendo agli sviluppatori di creare applicazioni AI agentiche avanzate senza dover preoccuparsi di costruire l’infrastruttura sottostante.

Ciò che rende Elysia particolarmente innovativo è la sua capacità non solo di produrre testo, ma anche di generare interfacce utente (UI) specifiche e visualizzazioni dinamiche basate sui dati caricati. Ciò lo rende uno strumento estremamente adatto per l’esplorazione e l’analisi dei dati, cosa che OpenAI non è ancora riuscita a fare con ChatGPT.

Il pacchetto completo può essere installato e avviato, molto semplicemente, con i seguenti comandi:

pip install elysia-ai
elysia start

Decision Tree e agenti intelligenti

Alla base di Elysia c’è un albero decisionale personalizzabile, in cui ogni nodo rappresenta un’azione possibile orchestrata da un decision agent. Questi agenti valutano il contesto globale e le azioni disponibili; propagano il ragionamento ai nodi successivi; gestiscono errori e condizioni di completamento.

Per esempio, se viene richiesto il prezzo di pantaloni in una collezione di gioielli, l’agente riconosce che la richiesta non può essere soddisfatta e segnala l’impossibilità di proseguire, evitando errori o risultati irrilevanti. Inoltre, strumenti e azioni possono essere attivati automaticamente in base a criteri definiti, garantendo flessibilità e personalizzazione.

Come accennato in precedenza, inoltre, il frontend visualizza l’intero percorso dell’albero decisionale, mostrando il ragionamento del LLM (Large Language Model) in ogni nodo.

Visualizzazione dinamica dei dati

Elysia non si limita al testo: può selezionare dinamicamente il formato di visualizzazione più adatto al contenuto. I tipi di visualizzazione disponibili includono:

• Tabelle
• Schede prodotto e-commerce
• Ticket GitHub
• Conversazioni e messaggi
• Documenti
• Grafici

Il LLM analizza la struttura dei dati prima dell’utilizzo, generando metadati e suggerendo il formato più idoneo. In futuro, questi meccanismi potranno diventare interattivi, permettendo azioni dirette come prenotazioni, risposte a conversazioni e acquisti diretti.

Elysia, comunque, utilizza tecnologie di comprensione numerica, analisi documentale e OCR integrato per semplificare la ricerca e la verifica delle informazioni.

Comprensione profonda dei dati

A differenza dei sistemi RAG tradizionali che eseguono ricerche “cieche” sui vettori, Elysia analizza la struttura dei dati, genera metadati, riepiloghi e suggerimenti sui display, migliorando la capacità di rispondere a query complesse.

Il sistema supporta anche l’esplorazione dei dati facilitando ricerche, ordinamento e utilizzo di filtri; la visualizzazione strutturata di oggetti complessi; la modifica manuale dei metadati generati dal LLM per correggere eventuali imperfezioni.

Elysia trasforma i dati in conoscenza… immediatamente fruibile

Elysia rivoluziona il modo di interagire con i dati, trasformandoli in informazioni chiare e immediatamente fruibili. Una volta caricati i dati, indipendentemente dalla tipologia e dal formato, il sistema li analizza autonomamente, creando una sintesi del contenuto e identificando i campi e gli attributi più rilevanti, organizzandoli in categorie e mappature ottimali (display mapping) per la visualizzazione in chat.

Grazie a connessioni intelligenti tra dataset differenti, Elysia genera interfacce e visualizzazioni dinamiche su misura: dalle “model card” per i prodotti, alle tabelle con statistiche aggregate, fino alle visualizzazioni ad albero per ticket e categorie complesse.

Il sistema si adatta automaticamente ai dati caricati, scegliendo la rappresentazione più efficace senza richiedere interventi manuali, mentre la funzione “tree” rende ogni processo completamente trasparente, mostrando query, funzioni richiamate e logica interna. Elysia diventa così un vero e proprio esperto automatico dei dati dell’azienda, dell’ufficio, del professionista: collega informazioni, individua correlazioni e fornisce commenti e insight immediati.

A completare l’esperienza, un sistema di feedback intelligente permette all’AI di apprendere dalle indicazioni dell’utente, migliorando continuamente la qualità delle risposte e ottimizzando l’uso di modelli di diverse dimensioni a seconda della complessità del compito.

Elysia combina efficienza, flessibilità e precisione, trasformando qualsiasi dataset in una fonte di conoscenza concreta e immediatamente utilizzabile.

Come iniziare con Elysia

Innanzi tutto, è necessario creare un ambiente virtuale:

python -m venv .venv
source .venv/bin/activate # In Windows: .venv\Scripts\activate

Si può quindi installare Elysia come visto in precedenza, con pip, per poi collegare un cluster Weaviate Cloud, aggiungere dati e configurare il modello LLM desiderato. In questo post di presentazione trovate uno stralcio di codice Python che permette di essere subito operativi.

Il passaggio seguente consiste nell’analisi nel materiale da trasferire a Elysia e generare una collezione di metadati. Alla fine, è possibile iniziare a interrogare i dati tramite chat o API Python.

Per provare subito Elysia, è comunque possibile accedere alla demo Web: da qui si può mettere alla prova l’AI in vari modi. Nell’esempio fornito da Weaviate, se si clicca su Data nella colonna di sinistra, si accede a un vasto archivio di dati aziendali trasferiti a Elysia. Guardate cosa succede, per esempio, se scriviamo “Fammi un resoconto sulle richieste di assistenza più ricorrenti (ticket)“.

Mettere alla prova le abilità AI non comuni di Elysia

Abbiamo detto che Elysia non si limita a risposte testuali ma sceglie dinamicamente il modo migliore di visualizzare i dati tra 7 formati diversi: tabelle, schede prodotto e-commerce, ticket GitHub, conversazioni, documenti, grafici e generic data display. È quindi interessante provare a fornire diversi tipi di dati per vedere come li visualizza adattandosi al contesto.

La demo gestisce query complesse multi-step con alberi decisionali trasparenti, mostrando come prende le decisioni passo dopo passo e evitando loop inutili grazie a flag di “impossibilità”. Prova domande che richiedono ragionamenti a più passi o condizioni specifiche per osservare il percorso decisionale.

Elysia capisce la struttura dei dati prima di fare ricerche, generando metadati e sommari, quindi è interessante testare richieste che coinvolgano dati strutturati da dataset diversi (es. problemi GitHub, conversazioni Slack, dati meteo, ecommerce).

La demo può rispondere a domande successive contestuali usando i dati recuperati in precedenza. Ha senso, quindi, avanzare domande di follow-up su informazioni appena ottenute per vedere come mantiene il contesto.

Cos’è il late chunking e perché è cruciale

Con il “late chunking”, Weaviate introduce un approccio innovativo per il recupero delle informazioni, superando i limiti dei sistemi RAG tradizionali. Invece di suddividere e indicizzare preventivamente ogni segmento di un documento, operazione che richiede tempo e grandi risorse di storage, il processo avviene solo quando serve, ossia al momento della query.

L’AI individua prima il documento più rilevante e solo allora procede al chunking e all’indicizzazione in tempo reale, con una rapidità sorprendente. Il metodo non solo riduce drasticamente i costi di archiviazione, ma rende l’intero sistema più agile ed efficiente. Weaviate è pioniera nello sviluppo di questa tecnologia, imponendo con Elysia un nuovo standard per l’elaborazione intelligente dei dati.

Per iniziare a fare sul serio con Elysia, basta accedere a questa pagina, fare riferimento al repository GitHub ufficiale e controllare la documentazione.