La Physical AI è l’intelligenza artificiale che agisce dove si produce davvero: sulla linea, sul quadro elettrico, sul macchinario, non solo negli uffici. Per un’azienda manifatturiera significa portare l’AI vicino ai dati di fabbrica (edge), farla dialogare con un gemello digitale del prodotto o del processo, e superare l’attrito tra i sistemi OT e i sistemi IT. Ma vediamolo nel dettaglio.

Cos’è la Physical AI (e perché se ne parla solo ora)

La Physical AI è la nuova frontiera dell’intelligenza artificiale: non più sistemi che rispondono a una domanda scritta in una chat, ma sistemi che percepiscono, interpretano e agiscono nel mondo fisico, tramite telecamere, sensori, PLC e macchinari. Negli ultimi anni si è parlato molto di AI generativa e agentica applicata a testi, documenti e processi di back-office; la Physical AI sposta lo stesso principio – dare all’AI la capacità di agire, non solo di rispondere – dentro lo stabilimento produttivo, dove le decisioni si scontrano con la fisica reale: tolleranze meccaniche, vibrazioni, luce, usura dei componenti.

Per un’azienda manifatturiera, la Physical AI non è un concetto astratto: è la differenza tra un modello che riconosce un difetto in una fotografia caricata a mano e un sistema che riconosce lo stesso difetto in tempo reale, sulla linea, mentre il pezzo passa sotto una telecamera. È proprio questo spostamento, dal dato caricato al dato colto sul campo, il cuore della Physical AI.

Dal cloud al capannone: perché l’AI deve stare vicino alla macchina

Fin qui, gran parte delle applicazioni di intelligenza artificiale aziendale ha vissuto nel cloud: modelli linguistici, dashboard e strumenti di analisi raggiungibili da un browser. La Physical AI cambia le regole del gioco, perché deve rispondere entro i tempi del processo fisico che osserva – millisecondi per un braccio robotico, secondi per un’ispezione visiva – e non può permettersi la latenza di un’andata e ritorno verso un data center remoto.

A questo si aggiungono vincoli molto concreti degli ambienti industriali: la connettività in fabbrica non è sempre affidabile quanto quella di un ufficio, i dati di produzione sono spesso sensibili o soggetti a vincoli contrattuali con i clienti, e il costo di trasmettere in cloud flussi video continui da decine di telecamere è tutt’altro che trascurabile. Per questo la Physical AI, quando si applica alla fabbrica, si appoggia quasi sempre sull’edge computing: l’elaborazione avviene il più vicino possibile alla fonte del dato, mentre il cloud resta a disposizione per l’addestramento dei modelli, l’aggregazione storica e l’analisi di più impianti.

Il gemello digitale: il “linguaggio comune” tra progetto e realtà

Un secondo ingrediente indispensabile della Physical AI è il gemello digitale, o digital twin: la rappresentazione digitale di un prodotto, di un impianto o di un processo, mantenuta aggiornata e confrontabile con lo stato reale. Non si tratta solo di una simulazione statica, ma di un riferimento vivo rispetto al quale la Physical AI può misurare uno scarto: cosa doveva succedere secondo il progetto, e cosa sta succedendo davvero nella macchina, nel quadro elettrico, nell’impianto.

Revelis lavora da tempo su questo fronte: con Ei-TWIN, ad esempio, abbiamo applicato il paradigma del digital twin al settore energetico, integrando dati IoT in tempo reale per l’ottimizzazione dei consumi e dello scambio energetico in un impianto farmaceutico e in una comunità energetica. La Physical AI generalizza proprio questo principio ad altri contesti industriali: ovunque esista un progetto (un CAD, uno schema, una specifica) e una sua realizzazione fisica, il confronto automatico fra i due mondi diventa una fonte di valore.

L’integrazione OT/IT: dove nasce (e si risolve) l’attrito

Portare la Physical AI in fabbrica significa fare i conti con un problema tutt’altro che nuovo per chi si occupa di industria: il divario tra il mondo OT (Operational Technology – PLC, SCADA, sensori, telecamere di linea) e il mondo IT (ERP, data warehouse, applicazioni cloud). Sono due mondi con protocolli, tempi di vita e culture diverse, e storicamente comunicano poco e male.

La Physical AI, per funzionare, deve necessariamente fare da ponte fra questi due livelli: raccogliere ed interpretare dati OT in tempo reale, normalizzarli, e restituirli in una forma che i sistemi IT (e le persone) possano usare per decidere. Lo avevamo già affrontato, con un approccio diverso, in InCoP, dove dati ambientali e biometrici raccolti sul campo (in un panificio, nel caso di Target S.p.A.) venivano elaborati con machine learning e reasoning per ottimizzare l’assegnazione dei turni: anche lì, il valore nasceva dalla capacità di far dialogare il campo con i sistemi gestionali. Nella Physical AI applicata alla qualità e alla produzione, lo stesso principio si applica a telecamere, PLC e CAD.

MHS: uno standard emergente per collegare l’AI all’hardware fisico

Il tema dell’eterogeneità dei protocolli macchina, del resto, è così sentito che il 27 agosto 2026 Anthropic ha aperto un’anteprima di ricerca del Model Hardware Standard (MHS): una specifica pensata per collegare gli agenti AI a strumentazione fisica di laboratorio e di produzione, con l’obiettivo dichiarato di ridurre i tempi di integrazione da settimane o mesi a ore o minuti. Tecnicamente, MHS introduce un livello di driver standardizzato fra sistema operativo e dispositivo, basato su primitive semplici di lettura e scrittura (per esempio “leggi la temperatura”, “imposta la temperatura”), scoperta automatica dei dispositivi e tag in linguaggio naturale che ne documentano capacità e limiti di sicurezza; è pensato per essere indipendente dal modello e accessibile tramite protocolli standard come il Model Context Protocol (MCP), oltre che da riga di comando o via API.

I primi risultati condivisi da Anthropic insieme ai partner di ricerca danno la misura del potenziale: presso QuEra Computing, specializzata in calcolo quantistico, un agente ha ridotto il tempo di ricalibrazione di un laser da 150 a 6 secondi, alzando il tasso di successo dal 58% al 99,3%; alla Carnegie Mellon University, l’integrazione di una serie di diluizioni per tracciare curve dose-risposta è passata da settimane a circa 8 ore, con un’esecuzione tre volte più veloce.

L’anteprima coinvolge anche altri partner, con applicazioni altrettanto concrete: in Genentech un agente ha automatizzato un saggio BCA per l’analisi delle proteasi, ottimizzando in autonomia i parametri di flusso dei liquidi e identificando errori dovuti a bolle d’aria; all’Università di Washington il sistema coordina a distanza la qPCR e il monitoraggio degli strumenti da un’unica dashboard, con controllo in tempo reale delle curve di amplificazione; all’HHMI Janelia Research Campus ha unificato sette diversi programmi proprietari per la microscopia a due fotoni su zebrafish, abilitando l’analisi dei dati mentre vengono acquisiti; presso Tetsuwan Scientific ha gestito un workflow di qPCR per il monitoraggio dell’inquinamento del San Pedro Creek, con una precisione predittiva superiore del 12% rispetto alle specifiche dichiarate dal produttore dello strumento. Sono altrettante conferme che la Physical AI, quando è supportata da uno standard comune per l’hardware, può ridurre drasticamente i tempi di integrazione anche in ambiti molto diversi tra loro, dalla ricerca farmaceutica al monitoraggio ambientale.

Restano però dichiarati con altrettanta chiarezza i limiti: Claude, spiega Anthropic, non ha un’intuizione fisica affidabile – fatica cioè a prevedere collisioni, inerzie o instabilità – motivo per cui le decisioni ad alto rischio richiedono ancora l’approvazione umana, e la roadmap di sicurezza (finecorsa, arresti di emergenza, gestione degli errori) è tuttora in sviluppo prima di un eventuale rilascio open source. È lo stesso principio che guida la Physical AI secondo Revelis: l’AI accelera, ma la supervisione umana resta un livello imprescindibile. Resta un segnale utile di dove sta andando il settore: standard come MHS potrebbero diventare, in prospettiva, un livello di astrazione in più per i gateway OT che Revelis sviluppa quando integra nuovi macchinari in PlugAIn.

PlugAIn: come Revelis rende operativa la Physical AI in fabbrica

Per rendere la Physical AI concretamente utilizzabile dalle aziende manifatturiere, Revelis si affida a PlugAIn, la piattaforma proprietaria che modella i processi produttivi attraverso componenti di BPM (Business Process Management) e Big Data Analytics. L’idea di fondo è raccogliere ed elaborare i dati generati da macchinari, sensori e telecamere di linea, per renderli disponibili a chi deve decidere – un algoritmo o una persona – integrando dove serve l’elaborazione edge, e un motore di confronto fra il progetto (il gemello digitale) e la realtà osservata sul campo.

In pratica, PlugAIn combina tre livelli complementari della Physical AI secondo Revelis: 

• computer vision per percepire lo stato fisico dei componenti; 
• un motore di ragionamento per confrontare quello stato con il progetto atteso; 
• un livello di orchestrazione che decide, in base al risultato, se procedere in automatico o coinvolgere l’operatore umano. 

È la stessa impostazione, l’AI propone e la persona decide sulle attività a maggior valore, che guida anche le soluzioni agentiche di Revelis lato IT, qui applicata al mondo fisico della fabbrica.

Un caso concreto: Aquila, la Physical AI per il controllo qualità (progetto AI-REGIO)

Il modo migliore per capire cosa cambia con la Physical AI è raccontare un caso reale. Nell’ambito del progetto europeo AI-REGIO (Horizon 2020, grant agreement N. 952003), Revelis ha sviluppato Aquila, un sistema di Automatic Quality Inspection validato presso Elettrocablaggi, azienda italiana produttrice di quadri elettrici. È un esempio diretto di Physical AI: telecamere che osservano il prodotto reale, un CAD che rappresenta il progetto, e un motore che confronta i due mondi in automatico.

Prima di Aquila, il controllo qualità dei quadri elettrici era un’attività interamente manuale: un operatore confrontava visivamente ogni pannello prodotto con lo schema di progetto, impiegando in media 340 secondi per pannello, con un tasso di errore di circa 1 ogni 250 quadri controllati, numeri tipici di un processo ripetitivo, faticoso e soggetto a distrazione umana. È esattamente il tipo di attività in cui la Physical AI, applicata con criterio, fa la differenza.

La soluzione Aquila unisce due tecniche di intelligenza artificiale complementari, la stessa combinazione che caratterizza la Physical AI industriale di Revelis. Da un lato, una rete neurale di object detection (Mask R-CNN) riconosce nella fotografia del pannello reale i singoli componenti installati e la loro posizione. Dall’altro, il file CAD del progetto viene tradotto in una rappresentazione logica, di fatto il gemello digitale del quadro elettrico. Un motore di ragionamento automatico basato su Answer Set Programming (il motore DLV) confronta le due rappresentazioni a grafo, quella vista dalla telecamera e quella attesa dal progetto, e produce un report di conformità che segnala componenti mancanti, in eccesso o posizionati male.

I risultati misurati durante la sperimentazione confermano il potenziale della Physical AI applicata alla qualità: il modello di riconoscimento ha raggiunto un’area sotto la curva precision-recall di 0,947, un ottimo indicatore di affidabilità; il tempo medio di ispezione si è ridotto del 60%; e l’obiettivo tecnico era di aumentare del 30% la precisione nell’identificazione degli errori rispetto a un approccio di sola computer vision. Il sistema, partito da un TRL 4, ha raggiunto un TRL 6 al termine della sperimentazione, un passo concreto verso l’adozione in produzione.

Perché conta per le PMI manifatturiere

Il caso Aquila mostra bene perché la Physical AI non è un esercizio accademico, ma una leva di competitività per le PMI manifatturiere: 

• meno tempo dedicato a un controllo ripetitivo significa più capacità produttiva a parità di personale;
• meno errori significano meno resi, meno contestazioni e meno rilavorazioni;
• un processo digitalizzato lascia una traccia, fatta di dati, immagini ed esiti, che nel tempo diventa essa stessa un patrimonio da cui imparare. 

Lo stesso schema, una volta validato su un processo come il controllo qualità dei quadri elettrici, si estende naturalmente ad altri ambiti in cui esiste un confronto fra progetto e realtà: manutenzione predittiva, verifica di assemblaggio, ispezione di saldature o superfici. È qui che la Physical AI, una volta introdotta in un singolo processo, comincia a generare valore su scala.

Non è solo teoria: Revelis applica già la Physical AI al monitoraggio dei macchinari in produzione. In Target, una rete di sensori IoT collegata a PlugAIn osserva ogni fase della lavorazione in un panificio industriale, dal dosaggio degli ingredienti alla cottura, individuando i tempi morti dei macchinari utili alla manutenzione preventiva. 

In un altro progetto di manutenzione predittiva seguito da Revelis, sensori installati sui feeder dei telai tessili trasmettono dati via MQTT a una rete neurale ricorrente (GRU) che anticipa le rotture del filo dell’ordito, con un’accuratezza del 70% (AUC 0,67): un preavviso che permette agli operatori di intervenire prima del fermo macchina. Due conferme concrete che la Physical AI, oltre al controllo qualità, si applica altrettanto bene al monitoraggio diretto dei macchinari.

La visione di Revelis, in sintesi

La Physical AI non è la promessa di un’ennesima piattaforma cloud: è la scelta di far incontrare l’intelligenza artificiale con la fisica del processo produttivo, attraverso l’edge computing, il gemello digitale e un’integrazione seria fra OT e IT. Con PlugAIn, Revelis mette a fattor comune l’esperienza maturata su progetti come Aquila (AI-REGIO), Target, Ei-TWIN e InCoP, per rendere la Physical AI un percorso concreto, e misurabile, anche per le aziende manifatturiere di dimensioni medio-piccole. È la nostra interpretazione, applicata questa volta al mondo fisico, del principio che guida Revelis da sempre: making AI actionable.

Mini-glossario per non addetti ai lavori

Vuoi valutare la Physical AI nella tua azienda?

Revelis affianca le imprese manifatturiere nell’introduzione della Physical AI in fabbrica, dall’edge computing al gemello digitale, fino all’integrazione OT/IT. Scopri di più su www.revelis.eu · Scrivici a info@revelis.eu

Autori: Massimiliano Ruffolo e Achille Abritta

L'articolo Physical AI e Digital Twin: l’IA entra in fabbrica proviene da Revelis.

Cos’è Moneying™

Un indicatore di anomalia, per quanto ben formulato, non vive isolato: deve girare su dati reali, produrre segnalazioni ordinate per priorità e restituire all’analista il contesto necessario a decidere. Moneying™ è l’ambiente in cui questo accade. La piattaforma tiene insieme la profilazione del rischio cliente, il monitoraggio dell’operatività e l’analisi delle relazioni, e si appoggia al framework Rialto™ per l’elaborazione dei dati su larga scala.

Moneying™ sfrutta entrambi gli approcci cardini dell’Intelligenza artificiale: modelli deduttivi e induttivi. I primi vengono modellati tramite le regole normative prodotte dagli enti inquirenti e restano espresse in forma esplicita: leggibili, versionabili, verificabili una per una.

I modelli induttivi apprendono dai dati, intervengono dove la regola non arriva: nella graduazione del rischio, nel riconoscimento di pattern relazionali, nella riduzione del rumore che soffoca i team di compliance sotto i falsi positivi. Deduzione e induzione non si sostituiscono, si coprono a vicenda.

Ne consegue il requisito che tiene insieme l’intera architettura: ogni esito prodotto dalla piattaforma è accompagnato dalle evidenze che lo hanno determinato, in una forma leggibile dall’analista e utilizzabile in sede ispettiva. 

Automazione controlli AML: una costante sfida 

Il contrasto al riciclaggio richiama la cyber-security: una partita senza fine tra chi attacca e chi difende. Da un lato si cercano nuove falle da sfruttare, dall’altro si irrobustiscono i sistemi per chiuderle. Banca d’Italia e le autorità inquirenti presidiano questo fronte aggiornando con regolarità le proprie linee guida, in cui descrivono, in linguaggio naturale, gli schemi emergenti da intercettare; agli intermediari spetta tradurre quelle indicazioni in controlli attivi sui flussi transazionali.

È qui che il meccanismo si rallenta. Tra la descrizione normativa di un comportamento anomalo e la regola eseguibile capace di riconoscerlo si interpone un lavoro di traduzione manuale: lento, soggetto a interpretazione e per giunta da ripetere a ogni aggiornamento. Il risultato è un presidio che poggia su architetture statiche e faticose da modificare, e difensori costretti a rincorrere, provando a chiudere il varco quando è già stato attraversato.

Per ridurre quel ritardo e raggiungere una reale automazione controlli aml, è necessario rendere dinamica proprio la fase di “traduzione”, ovvero di implementazione dei processi induttivi e deduttivi per l’individuazione di anomalie nelle transazioni finanziarie. L’AI generativa, e in particolare i Large Language Model (LLM), interviene esattamente su questo passaggio: fornita una descrizione sufficientemente precisa del comportamento da intercettare, il modello produce la sequenza di operazioni concatenate che lo riconoscono sui dati, e un sistema a valle la porta in esercizio. Grazie a questa automazione controlli aml, il nuovo controllo diventa così disponibile come guardrail nel giro di poco, non di mesi.

Moneying-GenAML™

Quanto descritto in precedenza è implementato nel modulo GenAML di Moneying™, un plug-in di Moneying che è stato sviluppato nell’ambito del progetto Moneying-Plus. Si tratta di un nuovo plugin progettato per accorciare la distanza tra la pubblicazione di una nuova raccomandazione da parte delle autorità e la sua entrata in esercizio, rivoluzionando l’automazione controlli aml. Il punto di partenza è il documento così com’è: una circolare di Banca d’Italia, uno schema di anomalia, una relazione investigativa. Il framework ne estrae la logica di controllo: quali dati osservare, con quali filtri, su quali soglie e su quale finestra temporale, e la traduce in un indicatore eseguibile sui flussi transazionali dell’istituto.

In pratica, GenAML è un plugin che permette di operazionalizzare l’automazione controlli aml partendo da descrizioni in linguaggio naturale.

L’output non è un testo, né un frammento di codice da integrare a mano: è una serie di operazioni concatenate, chiamato workflow, ispezionabile passo per passo, che l’analista può leggere, correggere e validare prima della messa in produzione. Il modello non sostituisce il compliance officer, ma gli restituisce una bozza operativa per un’efficace automazione controlli aml su cui esercitare il proprio giudizio, spostando il lavoro umano dalla trascrizione alla verifica.

Il ciclo, inoltre, non si chiude alla prima generazione. Quando l’indicazione viene aggiornata, o quando i falsi positivi segnalano che una soglia è tarata male, lo stesso framework interviene sull’indicatore esistente e ne produce una nuova versione. È questa capacità di revisione incrementale a rendere il presidio dinamico: adattare l’automazione controlli aml diventa un’operazione di minuti, non di settimane.

Large Language Models e Model Context Protocol

Affidare a un modello linguistico la scrittura libera di codice, in un dominio regolamentato, è una scommessa difficile da giustificare: il rischio di allucinazione è concreto e l’esito difficilmente verificabile. L’impostazione di GenAML per l’automazione controlli aml è diversa. All’LLM non si chiede di produrre software, ma di pianificare: dato il testo normativo ed eventuali informazioni sulla struttura dati sottostante, deve comporre una sequenza di operazioni scegliendo da un catalogo chiuso di primitive già validate: acquisizione dei dati, filtro SQL, trasformazione, esportazione e dichiarando come queste si concatenano tra loro. Le primitive, ovviamente, sono personalizzabili.

È qui che entra in gioco il Model Context Protocol (MCP), lo standard con cui si espone al modello l’insieme degli strumenti disponibili e delle rispettive firme. Il protocollo funziona come un contratto: definisce cosa il modello può invocare e con quali parametri, e tutto ciò che sta fuori da quel perimetro semplicemente non è esprimibile. Il vincolo, lungi dall’essere una limitazione, è la garanzia: ogni piano generato per l’automazione controlli aml è sintatticamente valido per costruzione, tracciabile nelle sue singole componenti e riproducibile.

Ne deriva un’architettura in cui la creatività del modello è confinata dove serve (capire l’intento del testo normativo e scomporlo in passi) mentre l’esecuzione resta in mano a componenti deterministiche e certificate. Un compromesso che rende tale automazione controlli aml compatibile con i requisiti di auditing tipici del settore finanziario.

Automazione controlli AML: come funziona il plugin

La Figura 1 mostra la pipeline con cui si realizza l’automazione controlli aml tramite la generazione dei workflow. L’utente carica i documenti di riferimento, PDF o file di testo, tipicamente la circolare e lo schema dati da recepire, e descrive in linguaggio naturale il controllo da realizzare. Da lì in avanti il processo è automatico. Il modello, istruito come pianificatore, restituisce la pipeline in formato JSON componendo i tool a disposizione. Il piano viene mostrato all’utente nella sua sequenza di passi, così che ogni scelta sia verificabile prima di procedere.

Il passo finale è la conversione: la pipeline per l’automazione controlli aml viene tradotta in un workflow, scaricabile e importabile direttamente nella piattaforma Moneying™, la quale utilizza Rialto™ come motore operativo. Il risultato è un artefatto nativo dell’ambiente di data management già in uso, non un sistema parallelo da manutenere.

Accanto alla generazione, il sistema mette a disposizione una modalità di modifica: si parte da un workflow esistente e lo si fa evolvere con una nuova istruzione in linguaggio naturale, un’operazione fondamentale per un’automazione controlli aml dinamica che, nella pratica quotidiana dell’antiriciclaggio, ricorre più spesso della creazione da zero.

L’efficacia di GenAML nell’automazione controlli AML

Come per ogni sistema che automatizza un passaggio finora manuale, l’efficacia di GenAML nell’automazione controlli aml dipende da alcune condizioni al contorno che vale la pena esplicitare. La prima riguarda i dati più che gli algoritmi: la qualità degli indicatori generati riflette la qualità delle sorgenti su cui vengono eseguiti, e conoscere in anticipo quali flussi sono effettivamente interrogabili, con che latenza si aggiornano e quanto sono affidabili i campi anagrafici alla base della profilazione è il presupposto che più di ogni altro determina i tempi di un progetto.

Inoltre, il ruolo delle persone resta al centro della piattaforma: l’automazione controlli aml focalizzata sulla generazione non riduce il presidio umano, lo riposiziona, spostando il lavoro dell’analista dalla scrittura alla verifica; il ritorno è tanto maggiore quanto prima il team di compliance viene coinvolto nella definizione del formato con cui gli indicatori vengono presentati e delle evidenze che li accompagnano, perché è la leggibilità dell’output a rendere il workflow non solo eseguibile, ma governato, e questa, in un contesto regolamentato, è la proprietà che conta di più.

Conclusioni

Il divario tra la descrizione normativa di un comportamento anomalo e la regola eseguibile che lo intercetta è sempre esistito; ciò che è cambiato è la velocità con cui gli schemi di riciclaggio si aggiornano, e quindi il costo di quel ritardo. Finché la traduzione resta un’operazione manuale, i difensori continueranno a inseguire, ostacolando una vera automazione controlli aml.

GenAML non promette di eliminare il presidio umano: al contrario, lo presuppone. Sposta il confine: al modello linguistico la pianificazione per l’automazione controlli aml, vincolata a un catalogo chiuso di operazioni verificate; all’infrastruttura l’esecuzione deterministica; all’analista il giudizio su ciò che il sistema propone. GenAML realizza questa catena producendo workflow nativi per Rialto™, e Moneying™ le fornisce l’ambiente operativo in cui gli indicatori girano sui dati reali, accanto ai modelli statistici e alla profilazione del rischio.

Il risultato che conta non è tanto la riduzione dello sforzo di sviluppo, per quanto significativa. È la possibilità che un’automazione controlli aml di questo tipo offre di rispondere a un aggiornamento normativo nell’arco di giorni anziché di mesi.

 Vuoi più informazioni su Moneying?

Contattaci scrivendo a info@revelis.eu

Autori

Simone Mungari – Enterprise Solution Engineer

Francesco Cupello – Enterprise Solution Engineer

L'articolo Automazione controlli AML: come cambia l’antiriciclaggio con il nuovo Moneying™ proviene da Revelis.

L’Intelligenza Artificiale generativa è oggi entrata ormai stabilmente nei processi aziendali, ma il vero salto di valore per le imprese non è chiedere risposte: è delegare attività. È la promessa dell’Intelligenza Artificiale Agentica, in cui sistemi software autonomi pianificano ed eseguono compiti dall’inizio alla fine, coordinando strumenti, dati e modelli. Per un’organizzazione, però, autonomia significa anche responsabilità: affidabilità, sicurezza, tracciabilità e controllo dei costi diventano requisiti irrinunciabili.

In Revelis affianchiamo le aziende in questo passaggio con un principio guida: rendere l’AI azionabile in modo affidabile, ripetibile e governabile. Di seguito descriviamo la nostra visione per realizzare soluzioni agentiche, incluso l’impiego di Small Language Models on-premise, l’architettura che la rende possibile e un esempio applicativo direttamente fruibile.

Dall’AI generativa all’Intelligenza Artificiale Agentica 

Con l’AI generativa l’utente formula una richiesta e ottiene una risposta: testo, codice, una sintesi. Con l’Intelligenza Artificiale Agentica  l’utente affida un obiettivo: il sistema scompone il problema, decide quali strumenti utilizzare, esegue i passi necessari e restituisce un risultato operativo. È utile immaginarlo come un collaboratore virtuale a cui delegare le attività ripetitive, che hanno un costo in termini di tempo ma non richiedono una decisione di valore.

Questo cambio di paradigma sblocca casi d’uso ad alto valore, dall’automazione del back-office all’assistenza allo sviluppo software, dalla gestione documentale alla preparazione di offerte complesse, ma introduce una sfida tecnica che, nei contesti regolati, diventa decisiva: l’imprevedibilità dei modelli linguistici.

Il nodo critico dell’adozione in azienda: l’imprevedibilità

Per loro natura, i modelli linguistici possono dare risposte diverse alla stessa domanda. In una chat creativa è un pregio; in un processo aziendale è un rischio. Sul piano pratico l’effetto è duplice.

• Conformità e controllo: difficoltà a riprodurre fedelmente un’azione svolta in passato, registrazioni non sempre complete, ostacoli nel rispettare requisiti normativi e di audit (GDPR, ISO, SOC 2).
• Rischi operativi: comportamenti diversi a parità di richiesta, decisioni non sempre tracciabili, costi non prevedibili.

La visione di Revelis parte da qui: l’autonomia degli agenti va incanalata in un’architettura che separa la decisione (cosa fare) dall’esecuzione (come farlo), rendendo quest’ultima affidabile e ripetibile.

La visione di Revelis: orchestrazione affidabile degli agenti

Con l’Intelligenza Artificiale Agentica  il framework agentico di Revelis è organizzato in livelli con responsabilità nette. L’idea portante è semplice: l’AI propone, ma non improvvisa. La sequenza di azioni che produce effetti concreti è definita da procedure prestabilite, registrate e verificabili. Così, a parità di richiesta, il sistema esegue sempre gli stessi passi nello stesso ordine, la condizione necessaria perché un’azienda possa fidarsi di un agente.

I livelli dell’architettura, in parole semplici

• Guardrail (sicurezza). Un filtro che blocca a monte le richieste non pertinenti o non conformi, prima che consumino tempo o risorse.
• Process Catalog (memoria dei processi). L’elenco delle attività che il sistema sa svolgere: per ciascuna, quali dati servono e qual è la procedura corretta da seguire.
• Semantic Router (instradamento). Capisce la richiesta espressa in linguaggio naturale e la indirizza all’attività giusta.
• Estrazione dei dati. Ricava in modo ordinato le informazioni necessarie; se manca qualcosa, chiede chiarimenti invece di “inventare”.
• Motore di esecuzione. Esegue la procedura passo dopo passo, con la possibilità di riprendere da dove si è interrotta e di ricostruire ogni azione per i controlli.
• Catena di sicurezza. Quando il sistema non è abbastanza sicuro, coinvolge livelli successivi fino alla persona, senza mai agire alla cieca.
• Memoria/cache. Riusa decisioni già prese per ridurre tempi e costi, senza mai mettere a rischio i dati o ripetere operazioni delicate.

Come lavora il sistema, passo dopo passo

Ogni richiesta segue percorsi prevedibili: un percorso completo, una scorciatoia quando la risposta è già nota, e un blocco immediato per le richieste non ammesse. Il risultato è un sistema veloce dove può esserlo e prudente dove deve esserlo.

Due scenari di adozione, un’unica architettura

La forza di questo approccio è l’adattabilità: la stessa architettura si cala su due punti di partenza molto diversi, senza che l’azienda debba scegliere fra affidabilità e pragmatismo.

A. Contesti già strutturati: valorizzare ciò che si possiede già

Le organizzazioni che hanno già adottato suite di copilot e modelli in cloud dispongono di un patrimonio tecnologico e di processi di governance e sicurezza su cui conviene capitalizzare. In questi casi Revelis riusa l’infrastruttura esistente e vi aggiunge il livello di orchestrazione: gli agenti diventano affidabili e tracciabili sull’infrastruttura che l’azienda già possiede, con un avvio rapido e senza nuovi investimenti hardware.

B. LLM on-premise: Small Language Models (SLM) per sovranità del dato e controllo dei costi

Le PMI e le organizzazioni che vogliono mantenere i dati all’interno del proprio perimetro per riservatezza, conformità o indipendenza dai fornitori possono adottare Small Language Models eseguiti on-premise: modelli compatti che, grazie a tecniche di ottimizzazione, funzionano su hardware contenuto. Inseriti nell’architettura, alimentano un’esecuzione affidabile e ripetibile dei compiti, con costi prevedibili e pieno controllo del dato. È qui che il lavoro di valutazione dei modelli condotto da Revelis diventa un vantaggio concreto.

Small Language Models (SLM) on-premise: i modelli valutati da Revelis

Non tutti i modelli compatti sono uguali. Revelis ha ampliato la sperimentazione a undici small Language Models orientati al coding, misurandone la correttezza del codice generato su un campione di problemi di test. Il traguardo minimo fissato da Revelis era risolvere almeno il 30% dei problemi campione: lo hanno superato quattro modelli su undici. Il risultato più alto è di Qwen3-Coder-Next (60% di problemi risolti), attualmente in fase di test all’interno di un agente di coding con una finestra di contesto fino a 200K token. Segue Gemma4 26B-A4B (48%), il primo nella lista per i prossimi test in agente. Qwen3-Coder-30B-A3B-Instruct (40%) è già stato integrato in un agente di coding, ma nella pratica si è rivelato lento, pesante e penalizzato da un contesto necessariamente ridotto (32K token).

★ Modelli testati anche integrati con agenti di coding, all’interno di flussi agentici.

Un caso concreto: automatizzare il processo delle gare d’appalto grazie all’Intelligenza Artificiale Agentica 

Per capire dove gli agenti generano un vantaggio competitivo reale, conviene partire da un processo che molte aziende conoscono bene: la partecipazione alle gare d’appalto. È l’esempio perfetto di processo complesso, ad alto valore e con molte persone coinvolte, in cui oggi gran parte del lavoro è manuale.

Perché è un processo difficile (e costoso) senza l’uso dell’Intelligenza Artificiale Agentica 

Un’organizzazione strutturata può partecipare a centinaia o migliaia di gare ogni anno. Ogni gara porta con sé una mole impressionante di documenti: capitolati, disciplinari e allegati che superano spesso le 200 pagine, talvolta con migliaia di “lotti” da esaminare uno per uno. Tutto questo va letto, interpretato e trasformato in un’offerta entro scadenze rigide e con regole che cambiano da ente a ente.

Il lavoro tocca molte funzioni: l’ufficio gare, il commerciale, gli esperti tecnici, l’amministrazione, il controllo di gestione, fino a chi firma. Oggi si coordinano in gran parte via email e fogli di calcolo, con un effetto a catena: lo stesso capitolato viene letto da più persone, e le ore si moltiplicano. Soprattutto, il margine di errore è minimo: un solo requisito letto male, o un’offerta non conforme, significa l’esclusione dalla gara e la perdita dell’opportunità.

Come interviene l’Intelligenza Artificiale Agentica

Revelis affronta questo processo con l’Intelligenza Artificiale Agentica . Grazie a un sistema multi-agente, un orchestratore coordina più agenti specializzati, ciascuno responsabile di una fase. L’output di un agente alimenta il successivo, fino alla bozza di offerta. Nessun agente “decide” da solo: ognuno prepara, verifica e propone, lasciando alle persone le scelte che contano.

• Scouting & Triage. Monitora i portali, individua le gare pertinenti e assegna un punteggio di convenienza: si concentra l’attenzione dove vale davvero la pena partecipare.
• Analisi del bando. Legge capitolato e disciplinare ed estrae lotti, requisiti, criteri, scadenze e cause di esclusione, citando sempre documento e pagina di provenienza così ogni informazione è verificabile.
• Checklist & Buste. Genera la lista dei documenti per la busta amministrativa, tecnica ed economica, segnala cosa è già pronto e distribuisce i compiti alle persone giuste.
• Supporto al prezzo. Combina la formula della gara, i costi e una stima dei concorrenti per proporre un prezzo motivato e diverse simulazioni. Propone e spiega: la decisione finale resta umana.
• Simulazione della qualità. Si mette “nei panni della commissione”: applica la griglia di valutazione, stima il punteggio della propria offerta e indica come colmare i divari per avvicinarsi al massimo.
• Bozze & Memoria. Prepara le bozze di offerta sui modelli aziendali, senza partire dal foglio bianco, e costruisce una memoria storica del mercato  prezzi, esiti, gare simili utile per le partecipazioni future.

Il vantaggio competitivo per le aziende che usano l’Agentic AI

Impiegare l’Intelligenza Artificiale Agentica  significa che l’effetto combinato di questi agenti non è solo “fare prima”: è competere meglio. Riducendo drasticamente il tempo di preparazione, l’azienda può partecipare a più gare  comprese quelle oggi scartate per mancanza di tempo  e concentrarsi su quelle più vincibili. La riduzione degli errori di conformità protegge dalle esclusioni. Una preparazione strutturata aiuta a non lasciare soldi sul tavolo: un’offerta più accurata alza il prezzo medio a cui ci si aggiudica le gare. E la memoria storica trasforma anche le gare perse in intelligence di mercato riutilizzabile.

Governance ed evoluzione controllata con l’Intelligenza Artificiale Agentica 

Impiegare l’Intelligenza Artificiale Agentica significa usare un sistema agentico aziendale che non è statico: deve crescere senza perdere il controllo. Nel framework Revelis ogni nuova capacità nasce come attività nel catalogo dei processi e segue un percorso di governo  bozza, verifica delle sovrapposizioni, prova “in ombra” (attivazione in parallelo senza eseguire, per misurarne l’affidabilità su casi reali), approvazione e messa in produzione. Ogni intervento umano diventa così un’occasione di apprendimento, che arricchisce il sistema in modo tracciato.

Il risultato è un’AI che osserva, registra e migliora: ogni passaggio è documentato, a beneficio di controllo, sicurezza e ottimizzazione continua.

La visione di Revelis, in sintesi

Introdurre l’AI generativa e l’Intelligenza Artificiale Agentica  in azienda non significa rinunciare al controllo. Significa progettare un’architettura in cui l’affidabilità nasce dalla separazione tra decisione ed esecuzione, la sicurezza precede ogni elaborazione e l’esecuzione segue procedure definite, non scelte improvvisate. Che si parta da un ecosistema copilot già strutturato o da una scelta on-premise basata su Small language Models, e che si tratti di automatizzare il back-office o di vincere più gare, l’obiettivo è lo stesso: agenti affidabili, sicuri e governabili, capaci di generare valore misurabile.

Mini-glossario per non addetti ai lavori

È la nostra interpretazione del principio che guida Revelis da sempre: making AI actionable.

AI generativa — Sistemi che producono contenuti (testo, immagini, codice) in risposta a una richiesta.

AI agentica — Sistemi che non si limitano a rispondere, ma eseguono attività delegate, coordinando più passaggi.

Agente — Un “collaboratore virtuale” software specializzato in un compito; più agenti possono cooperare.

Orchestratore — Il coordinatore che assegna i compiti agli agenti e ne compone i risultati.

LLM / Small-LLM — Il modello linguistico che “ragiona” sul testo; gli small-LLM sono versioni compatte, eseguibili su hardware contenuto.

On-premise — Tecnologia installata e gestita all’interno dell’azienda, anziché in cloud: i dati restano in casa.

Human-in-the-loop — L’approccio in cui la persona valida e approva ciò che l’AI propone, mantenendo il controllo.

Autori 

Achille Abritta – Enterprise Solution Engineer in Revelis

Francesco Cupello – Enterprise Solution Engineer in Revelis

Luigi Granata – Enterprise Solution Engineer in Revelis

L'articolo Intelligenza Artificiale Agentica, SLM e possibili applicazioni  proviene da Revelis.

• tempi specifici per fornire risposte;
• la tracciabilità di ogni reclamo;
• la massima trasparenza verso la clientela.

Una buona gestione dei reclami, però, non consiste solo nel rispettare tali norme legislative, infatti, ogni segnalazione e lamentela pervenuta evidenzia un qualcosa che non ha funzionato come avrebbe dovuto. Un processo ben strutturato per questo compito può diventare dunque anche uno strumento prezioso per migliorare i processi interni.

Ogni giorno, le banche ricevono diverse centinaia di messaggi in svariate forme: email, form online, chat e piattaforme dedicate che spaziano da richieste informative, suggerimenti, segnalazioni minori fino ad arrivare a lamentele e reclami più articolati. Gestire tempestivamente la grande mole di comunicazioni in entrata, soprattutto quando si tratta di reclami bancari, può fare la differenza anche nei confronti dei competitors. 

Concludere tutto il processo di gestione celermente evita sanzioni e migliora l’efficienza operativa, con beneficio di operatori e clienti, dai quali si può riscontrare un miglior grado di soddisfazione che porta questi ultimi a restare più fedeli, migliorando, di conseguenza, la reputazione della banca stessa.

Gestione reclami bancari tradizionale: rischi, tempi e carico operativo

Mettere in pratica nella realtà quanto appena descritto senza l’ausilio di un supporto, come un software basato sulle tecniche di Intelligenza Artificiale e, più specificatamente, di Text Intelligence aggiornate allo stato dell’arte, non è banale, perché richiede innanzitutto tempistiche importanti, a causa di tutta una serie di operazioni che in tal caso devono essere compiute in maniera manuale, quali:

• la lettura delle comunicazioni (e-mail, ecc.) comprensive di eventuali allegati
• il ragionamento in merito alla categorizzazione da affibbiare al testo e sull’eventuale risposta da fornire al mittente
• lo spostamento delle comunicazioni sul sistema gestionale dedicato.

Questo elenco rappresenta solo una piccola parte delle operazioni che potrebbero essere automatizzate ma che ogni giorno vengono effettuate manualmente, in molte banche, con conseguente spreco di tempo e risorse umane per una gestione reclami bancari inefficiente.
Lato cliente questo si traduce in:

• risposte lente o mancate
• classificazioni incoerenti
• un carico di lavoro elevato per il personale, spesso fatto da azioni ripetitive.

Tutto ciò si riflette inevitabilmente sulla percezione che il cliente ha dell’istituto.
Questo spiega, dunque, l’interesse crescente verso strumenti capaci di aiutare a classificare e smistare in modo più intelligente le comunicazioni ricevute dai vari canali.

Moneying: la soluzione Revelis per la gestione reclami bancari (e non solo)

I sistemi di Intelligenza Artificiale, basati su tecniche di Text Intelligence, mediante l’impiego di algoritmi di elaborazione del linguaggio naturale e modelli di apprendimento automatico, sono capaci di analizzare il contenuto di un testo, come appunto il corpo di un messaggio di posta elettronica, e, di conseguenza, effettuare una categorizzazione dello stesso, eventualmente anche in una gerarchia con più livelli di classificazione.
Lo sviluppo di una soluzione di questo tipo non mira a sostituire il lavoro umano, ma a potenziarlo attraverso una gestione più efficiente delle operazioni, riducendo in maniera netta le tempistiche e l’effort richiesto.

Con tali premesse, in Revelis abbiamo sviluppato Moneying, una piattaforma che sfrutta questa branca dell’Intelligenza Artificiale per ottimizzare la gestione reclami bancari e, più in generale, la classificazione di grandi volumi di comunicazioni.
Moneying, grazie all’utilizzo di algoritmi di Machine Learning e modelli NLP avanzati, è capace di comprendere automaticamente il significato di un testo, identificando categorie di classificazione e dunque priorità di importanza della comunicazione stessa.

L’allenamento di modelli di questo tipo avviene su una serie di messaggi già precedentemente classificati. Più è grande questo insieme e più accurate sono le classificazioni. Spesso, tuttavia, capita che non si abbia a disposizione una base dati tale da permettere di allenare modelli del genere. In questi casi è possibile iniziare ad avviare un processo di automatizzazione sfruttando modelli di:

• zero-shot-learning
• few-shot-learning

Si tratta di modelli già pre-addestrati su una grande moltitudine di documenti testuali generici. In questo modo, man mano che la base dati della banca cresce, si può andare ad affinare questi modelli o crearne uno da zero, allenato soltanto con i messaggi della banca.

In abbinamento a queste sofisticate tecniche, è possibile aggiungere una serie di regole personalizzate per determinare in maniera puntuale la categoria di una comunicazione. Stiamo parlando di specifiche regole che, se richiesto dal cliente, senza “scomodare” gli algoritmi di Machine Learning, possono determinare la classificazione sulla base di parole chiave presenti nel nome degli allegati, nell’oggetto o nel corpo dell’e-mail ad esempio, oppure sulla base dell’indirizzo o del dominio mail.

Il valore aggiunto che un’applicazione come Moneying porta agli utilizzatori è enorme. Per fare un esempio, si pensi a un messaggio in cui il cliente lamenta una carta di credito bloccata. Questo potrebbe essere immediatamente distinto da una richiesta di chiarimento sulle condizioni di un mutuo o da una segnalazione riguardante un malfunzionamento dell’app mobile. Ciò permette di ridurre notevolmente i tempi di presa in carico e di instradare le comunicazioni verso i reparti competenti riducendo al minimo il rischio di errori. Inoltre, essendo in grado di apprendere continuamente dai dati pregressi, è capace di migliorare la propria accuratezza nel tempo.

Il risultato è un processo più efficiente nella gestione reclami bancari, con:

• risposte coerenti e puntuali
• maggiore tracciabilità
• riduzione del rischio di reclami reiterati
• riduzione di sanzioni dagli organi di controllo.

Per le banche e le organizzazioni che gestiscono grandi flussi di email, dunque, l’adozione di una soluzione di questo tipo significa trasformare il reclamo da attività manuale e onerosa a processo automatizzato, affidabile e misurabile, con benefici concreti sia per gli operatori che per i clienti.

A tutto ciò si aggiungono:

• funzionalità di personalizzazione della classificazione;
• gestione del ciclo di vita di ogni singola pratica;
• verifica in tempo reale dello stato di lavorazione;
• monitoraggio complessivo delle pratiche in corso;
• archiviazione elettronica della documentazione di riferimento;
• produzione di reportistica per le Funzioni Aziendali di Controllo.

Ulteriori potenzialità di una soluzione di questo tipo

La piattaforma Moneying rappresenta una soluzione all’avanguardia per la gestione reclami bancari e nel settore finanziario, concepita per affrontare in modo sistematico e diversificato le problematiche legate ai reclami, alle richieste di privacy e alle esigenze documentali. Grazie a un approccio centralizzato, la piattaforma ottimizza l’intero ciclo di vita di ogni pratica, dalla protocollazione iniziale fino alla completa risoluzione e archiviazione.

Oltre a quelle già citate, altre caratteristiche distintive della piattaforma sono:

• la gestione automatizzata dei dati dei clienti, con recupero automatico dall’anagrafe generale dell’intermediario. È possibile registrare pratiche anche per soggetti non clienti grazie a un’anagrafica locale interna;
• la tracciabilità del coinvolgimento di tutte le strutture aziendali, come l’Ufficio Legale, Compliance e Filiali, attraverso workflow collaborativi. Ogni assegnazione, commento o approvazione viene registrata, creando un audit trail completo che assicura trasparenza e accountability;
• la creazione di documentazione standardizzata partendo da modelli preimpostati, nei quali vengono automaticamente inseriti i dati della pratica. Questo velocizza il processo di risposta e garantisce la coerenza delle comunicazioni.

Monitoraggio e gestione normativa

La gestione reclami bancari è supportata da un sistema di monitoraggio continuo delle criticità, che consente di analizzare i KPI e ottimizzare i processi. La piattaforma Moneying gestisce anche reclami reiterati e reclami “invisibili”, garantendo una risposta adeguata anche in situazioni complesse. 

Inoltre, è predisposta per identificare e prioritizzare le richieste provenienti da autorità esterne, come Banca d’Italia e l’Arbitro per le Controversie Finanziarie.

Infine, la soluzione prevede un portale aziendale sicuro per l’accesso e il login, con possibilità di interfacciarsi con altri sistemi aziendali. Le dashboard personalizzabili consentono di verificare in tempo reale lo stato di lavorazione e monitorare i carichi di lavoro. Un sistema di alert e notifiche proattive permette di tenere sotto controllo le scadenze normative e gli SLA interni.

Prospettive future della Text Intelligence nell’ambito bancario

Guardando al futuro, la Text Intelligence rappresenta una leva strategica per rendere la gestione reclami bancari sempre più avanzata, intelligente e data-driven. L’evoluzione dei modelli linguistici e l’integrazione con l’intelligenza artificiale generativa permetteranno di affinare le capacità di questo tipo di soluzioni.

Per le risposte ai clienti, invece di utilizzare pattern fissi, si potranno offrire risposte automatiche personalizzate e coerenti con la natura del reclamo e con le policy dell’istituto. Inoltre, l’analisi delle comunicazioni potrà essere estesa per monitorare il sentiment generale della clientela, identificare rischi reputazionali e anticipare criticità operative.

L’integrazione dei dati testuali con sistemi di analisi predittiva consentirà alle banche di adottare strategie proattive, prevenendo insoddisfazione e migliorando la gestione dei processi interni. Parallelamente, la Text Intelligence potrà supportare la personalizzazione dei servizi, individuando esigenze specifiche e suggerendo soluzioni mirate.

In definitiva, investire oggi in soluzioni di Text Intelligence significa costruire un modello di banca più reattivo e intelligente, dove i reclami non sono più solo una necessità normativa, ma strumenti di crescita e innovazione, contribuendo a un’ottimizzazione del lavoro e a una relazione più solida e duratura con la clientela.

Autore: Domenico Rodilosso

L'articolo Gestione reclami bancari tramite tecniche di text intelligence proviene da Revelis.

Ogni anno, vaste aree boschive e non boschive vengono distrutte: ad esempio, nel 2023, in Italia, sono stati devastati quasi 1073 km², con un aumento del 36% rispetto all’anno precedente. La regione della Calabria, in particolare, è una delle più colpite, con 177.68 km² incendiati mentre in Sicilia sono bruciati 1010 km².

Le sfide attuali nella gestione degli incendi boschivi

Nonostante l’uso crescente di tecnologie avanzate come il telerilevamento satellitare e tramite droni, i modelli predittivi e l’intelligenza artificiale, la gestione degli incendi boschivi si scontra ancora con diverse limitazioni:

• Mancanza di una visione d’insieme: L’impiego di strumenti isolati, senza un’efficace integrazione dei dati da diverse fonti (satelliti, droni, sensori, telecamere, modelli meteo), rende difficile ottenere un quadro completo e in tempo reale della situazione.
• Incompatibilità e difficoltà di interpretazione dei dati: Dati con formati, risoluzioni e scale temporali diverse rendono complessa la loro comparazione e interpretazione, portando a informazioni frammentarie e poco affidabili.
• Sovraccarico di informazioni e difficoltà di analisi: L’enorme quantità di dati grezzi può sopraffare gli operatori umani, rendendo arduo individuare schemi significativi e estrarre informazioni utili.
• Mancanza di previsioni accurate: L’incapacità di integrare efficacemente dati meteorologici e ambientali compromette la previsione del rischio di incendio e la sua potenziale evoluzione.
• Ritardi nella risposta: L’assenza di un sistema integrato e automatizzato può causare ritardi critici nell’intervento.
• Minore efficienza e maggiori costi: L’approccio non integrato comporta un maggiore impiego di risorse umane e costi più elevati.

PRIMA: la piattaforma integrata per un futuro più sicuro

Per affrontare queste sfide, è nato PRIMA (Piattaforma Real-time per l’Ingestion, il monitoraggio e l’analisi degli Incendi boschivi), un progetto innovativo finanziato nell’ambito del Programma Tech4You (PNRR). PRIMA mira a sviluppare una piattaforma integrata per il monitoraggio e l’analisi in tempo reale degli incendi boschivi, fornendo un supporto decisionale completo e tempestivo così da permettere una gestione degli incendi boschivi ottimale.

Il sistema si basa su tre moduli software interconnessi:

1. Modulo Previsione e Propagazione: Questo modulo fornisce una simulazione avanzata della propagazione degli incendi in tempo reale, integrando dati meteo-idrologici live e modelli predittivi. Si avvale di un sofisticato modello matematico di reazione-diffusione bidimensionale, che tiene conto di fattori come la densità dell’aria, il calore specifico, la temperatura, la velocità del vento, la topografia, la diffusività turbolenta e la combustione del combustibile solido. Le simulazioni tengono conto della variabilità topografica, che influenza la velocità e la direzione del vento e, di conseguenza, la propagazione del fuoco.
2. Modulo Monitoraggio Satellitare: Permette il rilevamento tempestivo di anomalie termiche tramite dati satellitari (come quelli di Meteosat), con invio immediato di allarmi e monitoraggio costante dell’evoluzione degli incendi. I dati satellitari forniscono una visione ampia e continua del territorio, identificando focolai attivi e stimando l’estensione dell’area bruciata.
3. Modulo Analisi e Monitoraggio Post-Incendio: Dedicato all’elaborazione rapida di immagini multispettrali (satellitari, droni, LiDAR) per valutare la severità degli incendi, monitorare la rinnovazione naturale e analizzare la struttura del territorio colpito.

Come PRIMA trasforma la gestione degli incendi boschivi

L’implementazione di PRIMA per la gestione degli incendi boschivi è ottenuta come verticalizzazione di PlugAIn, la soluzione che Revelis propone per il settore del manufacturing, delle smart cities e delle multi-utilities, una piattaforma e che abilita applicazioni di IoT Intelligence. PlugAIn si basa su un’architettura data-driven e event-driven, integrando dati provenienti da una moltitudine di fonti ad esempio, nel caso di PRIMA:

• Satelliti: Immagini multispettrali e dati termici per l’analisi della vegetazione e il rilevamento di anomalie di temperatura.
• Droni (SAPR): Forniscono una prospettiva ravvicinata e flessibile. Possono acquisire immagini RGB per fotogrammetria (creando nuvole di punti, modelli 3D, ortomosaici, DTM), immagini termiche per identificare hotspot anche attraverso il fumo, dati LiDAR per mappare il terreno e la vegetazione penetrando la chioma degli alberi, e sensori di vento per prevedere la propagazione.
• Sensori Terrestri: Reti di sensori (temperatura, umidità, fumo, particolato) offrono un monitoraggio continuo e capillare per la rilevazione precoce di focolai.
• Telecamere: Fisse o mobili, integrate con algoritmi di Intelligenza Artificiale per rilevare automaticamente fumo o fiamme e generare allarmi in tempo reale.
• Dati Meteorologici: Informazioni su temperatura, umidità, vento, precipitazioni e fulmini, essenziali per i modelli previsionali.
• Corine Land Cover (CLC): Dati europei sull’uso del suolo e la copertura del territorio, utili per identificare aree a rischio e pianificare strategie di prevenzione.

PlugAIn è in grado di raccogliere informazioni da qualsiasi rete di sensori IoT. L’amministratore della piattaforma può gestire con facilità l’elenco dei sensori da monitorare.  Esso memorizza dati in un data lake big data, consentendo la generazione di insight e analisi accessibili attraverso dashboard web per il monitoraggio in tempo reale. La piattaforma mette a disposizione numerosi algoritmi per supportare analisi sia descrittive che predittive, rendendo i modelli generati interpretabili dai decisori grazie a tecniche di “AI explanation”. 

Per gestire e analizzare questa mole di dati eterogenei, PRIMA impiega tecnologie all’avanguardia integrate in PlugAIn come Apache Kafka per l’ingestione in tempo reale e Elasticsearch per l’archiviazione e l’interrogazione rapida dei dati. L’uso di gateway specializzati (Polling e Subscription) permette di integrare qualsiasi tipo di fonte dati, convertendoli in un formato unificato. 

Vantaggi e impatti del progetto PRIMA

PRIMA come soluzione per la gestione degli incendi boschivi si distingue per i suoi numerosi vantaggi e gli impatti attesi:

• Accuratezza: L’integrazione di molteplici fonti informative garantisce un’analisi completa e risultati molto accurati.
• Monitoraggio in tempo reale: La combinazione di dati satellitari, droni e sensori a terra consente un monitoraggio costante dell’evoluzione degli incendi.
• Previsione (Forecasting): Grazie agli algoritmi di Intelligenza Artificiale, è possibile prevedere il verificarsi di un incendio con un anticipo da 1 a 9 giorni.
• Valutazione dei danni (Damage Assessment): L’analisi di immagini prima e dopo l’incendio fornisce uno strumento utile per valutare i danni e quantificare la superficie bruciata.
• Supporto alle autorità: L’invio di notifiche e allarmi consente alle autorità di pianificare interventi rapidi ed efficaci, ottimizzando l’allocazione delle risorse.
• Riduzione dei costi: La piattaforma consente di evitare l’uso di strumentazione costosa in situazioni non strettamente necessarie.

Un design centrato sull’utente per decisioni efficaci

Riconoscendo che la gestione degli incendi boschivi è un’attività ad alta pressione, PRIMA ha adottato un approccio incentrato sull’utente (Human-Centered Design) e sui principi di User Experience (UX) e Human Computer Interaction (HCI) per progettare interfacce intuitive e di alta qualità. L’obiettivo è prevenire il sovraccarico cognitivo, facilitare lo scambio costante di informazioni e far sentire gli operatori sempre in controllo della situazione.

Gli utenti primari della piattaforma sono stati identificati come gli operatori delle Sale Operative Unificate Permanenti (SOUP) e i Capi Squadra sul campo. Per ciascuno di essi sono state progettate interfacce specifiche:

• Interfaccia SOUP: Progettata come applicazione desktop per l’uso nelle sale di controllo, permette l’input delle coordinate di un incendio, la visualizzazione di mappe con strati stradali e catastali, e la simulazione della propagazione del fuoco basata su dati meteorologici e topografici.
• Interfaccia Capo Squadra: Sviluppata come applicazione per tablet, da utilizzare sul campo, riceve le simulazioni dalla SOUP, visualizza informazioni essenziali e permette la pianificazione strategica delle squadre e delle operazioni di spegnimento, integrando la topografia del terreno.

La progettazione delle interfacce ha seguito principi di usabilità come la visibilità dello stato del sistema, la coerenza e gli standard (ad esempio, l’ispirazione a Google Maps e l’uso della simbologia standardizzata SI.TA.C per i Vigili del Fuoco), la prevenzione degli errori e la flessibilità. I prototipi sono stati realizzati verranno validati con test qualitativi e quantitativi coinvolgendo gli operatori reali.

Conclusioni

PRIMA avrà un impatto significativo a livello scientifico, economico, sociale e ambientale. Contribuirà all’avanzamento delle conoscenze nella modellistica degli incendi e nell’elaborazione dei dati satellitari, creando una piattaforma innovativa che potrà essere commercializzata a livello nazionale e internazionale. Dal punto di vista sociale e ambientale, permetterà di ridurre i danni causati dagli incendi, migliorare la sicurezza degli interventi e aumentare la consapevolezza della popolazione sui rischi e le buone pratiche.

Il progetto PRIMA è un esempio concreto di come l’integrazione di tecnologie avanzate, l’analisi dei Big Data e l’Intelligenza Artificiale possano essere applicate per affrontare una delle sfide ambientali più complesse del nostro tempo, offrendo strumenti concreti per una gestione più efficace del territorio e una risposta più rapida ed efficiente agli eventi critici.

Autore: Luigi Granata

L'articolo La prevenzione e gestione degli incendi boschivi con PRIMA proviene da Revelis.

In questo articolo, esploreremo quindi come le nostre soluzioni basate sull’AI stiano rivoluzionando le previsioni meteorologiche, offrendo alle aziende o ai comuni strumenti potenti per prendere decisioni più informate, ottimizzare le risorse e mitigare i rischi legati agli eventi atmosferici.

Il contesto calabrese

L’aumento della frequenza e dell’intensità degli eventi meteorologici estremi, come alluvioni e frane, ha reso essenziale l’uso di soluzioni ai per le previsioni metereologiche in grado di monitorare e la offrire una previsione delle precipitazioni. Questi fenomeni non solo minacciano la vita umana, ma hanno anche un impatto devastante sull’infrastruttura, sull’agricoltura e sull’economia. Un esempio tragico di tale impatto si è verificato il 20 agosto 2018, quando una forte pioggia causò il cedimento di una diga, travolgendo un gruppo di escursionisti che stavano attraversando le Gole del Raganello, in provincia di Cosenza, Calabria. Questo incidente ha evidenziato l’urgenza di sistemi di previsione più precisi e tempestivi per prevenire tragedie simili e disastri ambientali.

La Calabria, con la sua particolare orografia e la presenza di bacini idrografici piccoli e vulnerabili, è una regione particolarmente esposta a eventi estremi come frane e alluvioni improvvise. Per affrontare queste sfide, è fondamentale sviluppare strumenti più sofisticati per il monitoraggio delle precipitazioni, considerando le limitazioni delle tecnologie esistenti. Sebbene i pluviometri, i radar meteorologici e i satelliti geostazionari forniscano dati utili, presentano difficoltà legate alla precisione e affidabilità. Ad esempio, i radar possono stimare l’intensità delle precipitazioni in tempo reale, ma la loro efficacia è ridotta dalla presenza di ostacoli fisici e dalla variabilità atmosferica. Inoltre, i pluviometri offrono misurazioni puntuali che potrebbero non riflettere la distribuzione spaziale delle precipitazioni su vaste aree.

In questo scenario, l’intelligenza artificiale si sta affermando come una soluzione innovativa per potenziare la precisione delle previsioni meteorologiche. Grazie all’uso di algoritmi sofisticati in grado di analizzare ampi volumi di dati provenienti da diverse fonti, è possibile ottenere previsioni più precise e affidabili.

ADELE4RAIN: ecco come funziona l’ai per le previsioni metereologiche

Il progetto ADELE4RAIN (A DEep LEarning-based framework for RAINfall estimation and forecasting) come soluzione ai per le previsioni metereologiche, mira a realizzare una piattaforma integrata e completa per il monitoraggio e la previsione delle precipitazioni, combinando moduli che sfruttano tecnologie avanzate. 

Un caso studio in Calabria, con la sua variabilità climatica e vulnerabilità alle alluvioni, offre l’opportunità di testare e ottimizzare questo sistema innovativo, contribuendo così a una gestione più efficace del rischio idrogeologico nella regione.

Il framework che è stato deciso di adottare e proposto in [Guarascio et al., 2020], è il seguente:

È composto da tre macro-componenti, illustrate in Figura 1, che mostra l’intero flusso di lavoro, evidenziando i risultati intermedi ottenuti da ciascun componente.

Il macro-modulo Information Retrieval è dedicato all’estrazione e all’integrazione di differenti tipi di informazioni. Nello specifico le principali fonti di dati utilizzate includono:

• Reti di Stazioni Meteorologiche: misurano direttamente la quantità di pioggia attraverso pluviometri (rain gauges), che registrano l’acqua che cade in un’area definita durante un determinato periodo di tempo.
• Sistemi di Radar Meteorologico: utilizzando onde radio per rilevare le particelle d’acqua sospese nell’atmosfera, il radar consente di ottenere una visione dinamica e ad alta risoluzione spaziale delle piogge in corso, superando le limitazioni della rete di stazioni di superficie.

I dati pluviometrici sono stati recuperati tramite la piattaforma AllertaCAL, sviluppata dal Centro Funzionale Meteorologico, Idrografico e Mareografico della Regione Calabria. AllertaCAL raccoglie ed espone pubblicamente i dati di circa 260 stazioni meteorologiche sparse per il territorio regionale. Le stazioni sono fornite di sensori quali pluviometri, termometri, idrometri, barometri, igrometri, ecc. I dati raccolti vengono resi disponibili sia in forma aggregata che puntuale. Il sistema informativo mette a disposizione servizi REST che consentono l’accesso ai dati raccolti, nonché alla lista delle stazioni meteorologiche e dei sensori presenti in ciascuna di esse

Nell’ambito dei dati radar è stata utilizzata la piattaforma Radar-DPC del Dipartimento di Protezione Civile (DPC) della Presidenza del Consiglio dei Ministri. La Piattaforma adotta approccio molto flessibile ed è stata disegnata per poter gestire, anche in maniera incrementale, prodotti geo-riferiti di diversa natura e diversa semantica. La piattaforma Radar-DPC integra uno stack di servizi REST (Representational State Transfer), utilizzati sia dal back-end degli applicativi sia come API (Application Programming Interface) per il download dei dati radar. Questi servizi permettono anche l’interazione con applicazioni di terze parti, facilitando l’accesso e l’elaborazione delle informazioni fornite. Tutti i servizi sono raggiungibili da questo URL.

Il componente di acquisizione dati è stato realizzato tramite la piattaforma PlugAIn, sviluppata da Revelis. 

Il modulo Data Analytics include i seguenti tre moduli: 

• Data Preprocessing;
• Data Sampling;
• Model Building.  

Il modulo Data Preprocessing offre metodi di pulizia per gestire problematiche nei dati, come valori mancanti, outlier e rumore, con diverse strategie per ciascuna di esse.

Il framework include un modulo Sampler che affronta lo sbilanciamento tra le classi mediante under-sampling, creando un dataset preprocessato per il modulo REM (Rainfall Estimation Model) Builder. Questo modulo utilizza algoritmi di machine learning, deep learning e deep ensemble learning per sviluppare modelli in grado di identificare schemi complessi nei dati delle precipitazioni. In particolare, è stato proposto un classificatore ensemble ibrido probabilistico (HPEC), basato su Random Forest e Stacking, insieme a modelli di deep learning come reti neurali feed-forward e un approccio deep ensemble learning per ottimizzare le previsioni.

La combinazione del modulo di estrazione e integrazione dei dati con i metodi di stima assicura un funzionamento fluido e ben coordinato del framework, creando le condizioni per i successivi processi di valutazione e validazione. In queste fasi, i risultati ottenuti sono cruciali per perfezionare la soluzione, ottimizzare le sue performance e prepararla per l’applicazione nel mondo reale.

ADELE4RAIN: gli obiettivi

Dopo aver esplorato i dettagli tecnici riguardanti la progettazione della piattaforma e le metodologie utilizzate per integrare dati provenienti da fonti eterogenee, è evidente che questa soluzione rappresenta un avanzamento significativo nel monitoraggio e nella previsione delle precipitazioni. La combinazione di algoritmi avanzati di machine learning e deep learning, l’elaborazione dei dati in tempo reale e l’uso di tecnologie innovative permette di ottenere previsioni sempre più precise e tempestive. 

Tuttavia, i benefici di tale piattaforma vanno ben oltre l’aspetto tecnico, con un impatto diretto sulla: 

• gestione dei fenomeni meteorologici estremi;
• protezione delle risorse naturali;
• miglioramento della resilienza delle comunità;
• prevenzione dei disastri ambientali. 

A questo punto, è utile riflettere sui potenziali impatti e sugli sviluppi futuri che questa piattaforma potrebbe abilitare. Fornendo previsioni accurate e tempestive, il progetto vuole consentire ai responsabili delle infrastrutture e ai decisori di adottare misure proattive per:

• proteggere i beni infrastrutturali;
• ridurre le vulnerabilità;
• migliorare la resilienza ai rischi legati al clima. 

Il progetto mira a migliorare la gestione agricola ottimizzando l’uso delle risorse. Fornendo agli agricoltori informazioni precise sui modelli e le tendenze delle precipitazioni, si intende migliorare la programmazione dell’irrigazione, la gestione delle coltivazioni e le strategie per le risorse idriche, aumentando la produttività e promuovendo pratiche agricole sostenibili.

Il progetto ha l’obiettivo di potenziare i sistemi di allerta precoce, i piani di evacuazione e gli interventi di emergenza, con l’intento di ridurre i rischi per le persone, le proprietà e l’economia durante eventi climatici estremi.

Conclusioni

In conclusione, la creazione di una piattaforma avanzata per stimare e prevedere le piogge è fondamentale per affrontare le sfide derivanti dai cambiamenti climatici e dagli eventi meteorologici estremi per la prevenzione dei disastri ambientali. Guardando al futuro, l’adozione di soluzioni come questa, risulta quindi essenziale per costruire una società più resiliente e pronta a fronteggiare le sfide legate al clima, promuovendo un adattamento sostenibile e proattivo alle condizioni meteorologiche in continua evoluzione.

Autore Emanuela Tarantino

L'articolo AI per le previsioni meteorologiche: il progetto ADELE4RAIN proviene da Revelis.

Oggi, grazie all’intelligenza artificiale, è possibile implementare soluzioni aziendali avanzate in grado di monitorare in tempo reale diversi parametri legati al benessere dei dipendenti.

Revelis offre soluzioni mirate per raggiungere diversi scopi come anche il benessere dei dipendenti grazie al monitoraggio reso possibile dalle soluzioni AI.

In questo articolo parleremo quindi di InCoP, una piattaforma per l’Industria 5.0, utilizzata con questo scopo e validata nel contesto di Target S.p.A., in un’azienda che produce prodotti da forno. Analizzeremo dunque il contesto di riferimento per comprendere le necessità dell’impresa destinataria e gli obiettivi da raggiungere, fino a vedere le attività previste e il funzionamento della soluzione AI implementata da Revelis.

InCoP: la soluzione aziendale per le aziende manifatturiere

Nell’ambito del bando pubblico “Future Artificial Intelligence Research – FAIR” Revelis è stata selezionata per la sua proposta progettuale “Industry 5.0 Collaborative Platform – InCoP”. Tale proposta rappresenta una soluzione aziendale per le aziende manifatturiere. Il progetto prevede la realizzazione di una piattaforma (che sfrutta il framework descritto nel WP9.6 del bando) per l’Industria 5.0, validata in un’azienda che produce prodotti da forno.

Per questa soluzione saranno usate metodologie basate su AI, Internet of Everything (IoE) e automazione industriale intelligente.

Il progetto propone diversi aspetti di innovazione:

●  Paradigma IoE per trattare persone, processi e dati;

●  Modulo per l’esecuzione intelligente dei task, a supporto dei lavoratori e della loro sicurezza;

●  Modulo di personalizzazione di massa, per il beneficio del cliente e per la riduzione di sprechi di risorse.

InCoP e Target S.p.A.: il contesto di riferimento

Sarà realizzata una piattaforma Industria 5.0 come soluzione aziendale personalizzata per Target S.p.A., un’azienda che opera nell’area di Catanzaro e specializzata nella produzione di prodotti panificati quali pane, pizza, focacce e snack che ha investito molto negli ultimi anni in macchinari innovativi, allo scopo di rendere efficiente ed automatico il processo produttivo.

Revelis ha varie esperienze nelle soluzioni dell’Industria 4.0, sia con Target S.p.a. che con altri importanti clienti industriali, e dunque dispone delle giuste competenze per abilitare la transizione di Target S.p.A. verso l’Industria 5.0.

Le tecniche allo Stato dell’Arte utilizzate nel progetto ricadono nelle aree:

●  Internet of Everything, evoluzione dell’IoT, con l’obiettivo di connettere persone, processi, informazioni e oggetti in un ecosistema unico e interoperante. La complessità e l’eterogeneità delle risorse nell’IoE richiedono architetture in grado di gestire l’interoperabilità a livello tecnico, sintattico, semantico e strutturale. I repository dei dati, basati su tecnologie NoSQL, memorizzano dati eterogenei in un formato comune e accessibile. Tali architetture supportano anche l’analisi e l’estrazione di informazioni utili per il processo decisionale;

●  Machine Learning e Deep Learning. Tramite algoritmi descrittivi e predittivi per la personalizzazione di massa, Target riceverà un supporto decisionale nella creazione di prodotti e servizi su misura per ogni cliente;

●  Ragionamento automatico. L’uso di programmi logici e di tecniche di Answer Set Programming supporterà il personale di Target S.p.a. nell’esecuzione dei task, tramite indicazioni e suggerimenti personalizzati per ottimizzare l’esecuzione dei suoi compiti, riducendo i tempi di lavoro, migliorando l’efficienza operativa e diminuendo i costi di produzione nonché il rischio di infortuni sul lavoro.

Obiettivi del progetto

Gli obiettivi generali del progetto in cui vengono applicate soluzioni aziendali personalizzate si articolano in una visione più ampia che mira ad ottenere diversi scopi quali:

1. Sviluppare una piattaforma innovativa per l’Industria 5.0: si mira a creare una piattaforma tecnologica versatile e scalabile, in grado di supportare l’implementazione dei principi dell’Industria 5.0 in diversi settori industriali. La piattaforma sarà progettata per essere modulare e adattabile, consentendo l’integrazione di nuove funzionalità e tecnologie in base alle esigenze specifiche di ciascun contesto applicativo;
2. Validare la piattaforma in un contesto reale: l’azienda produttrice di prodotti da forno servirà come banco di prova iniziale per testare l’efficacia e l’applicabilità della piattaforma in un ambiente industriale concreto. Tuttavia, l’obiettivo a lungo termine è quello di estendere la validazione ad altri settori e contesti produttivi, dimostrando la versatilità e il potenziale di impatto della piattaforma in diversi ambiti;
3. Migliorare l’efficienza e la flessibilità del processo produttivo: attraverso l’analisi dettagliata del processo produttivo e delle attività manuali, si identificheranno le aree di miglioramento e si progetteranno soluzioni aziendali basate su tecniche di Machine Learning (ML), Deep Learning (DL) e Reasoning per ottimizzare le operazioni e aumentare la capacità di adattamento alle esigenze del mercato. L’obiettivo è quello di creare un sistema produttivo più intelligente, in grado di apprendere dai dati e migliorare continuamente le proprie prestazioni;
4. Abilitare la personalizzazione di massa dei prodotti: la piattaforma sarà dotata di un modulo specifico per consentire la produzione di prodotti personalizzati su larga scala, rispondendo alle richieste individuali dei clienti e creando nuove opportunità di business. Questo obiettivo mira a rivoluzionare il modo con cui i prodotti vengono concepiti e realizzati, passando da un modello di produzione standardizzato a uno basato sulla personalizzazione e la soddisfazione del cliente;
5. Dimostrare l’impatto potenziale dell’Industria 5.0: attraverso la definizione di metriche e la valutazione dei risultati ottenuti nell’azienda pilota e in altri contesti applicativi, si quantificheranno i benefici tangibili apportati dalla piattaforma in termini di efficienza, qualità, flessibilità, sostenibilità e soddisfazione del cliente;
6. Creare un ecosistema di innovazione: il progetto mira a favorire la collaborazione tra aziende, fornitori di tecnologia, istituti di ricerca e università, creando un ecosistema di innovazione aperto e dinamico. Tale ecosistema permetterà di condividere conoscenze, esperienze e risorse, accelerando lo sviluppo e l’adozione di soluzioni aziendali innovative per l’Industria 5.0.

Le attività previste

Le attività previste nel progetto sono raggruppate in tre macro-fasi:

1. Analisi di Fattibilità. Prevede le seguenti attività:

○  Analisi del processo produttivo e delle attività manuali;

○  Verifica dell’applicabilità del framework del WP9.6 rispetto al processo produttivo analizzato;

2. Specifica del caso d’uso. Prevede le seguenti attività:

○  Definizione dei risultati attesi, delle metriche per valutarli e quantificazione dell’impatto potenziale;

○  Progettazione delle tecniche di ML per la mass-personalization, e delle tecniche di (Stream) Reasoning per supportare il personale nell’esecuzione dei task;

○  Progettazione della piattaforma per il caso d’uso;

3. Sviluppo e validazione della piattaforma. Prevede le seguenti attività:

○  Modulo per l’esecuzione intelligente dei task, sulla base dell’analisi dei comportamenti dei dipendenti;

○  Modulo per la personalizzazione massiva di prodotti, per garantire l’efficienza organizzativa.

Il funzionamento della soluzione applicativa

Per quanto riguarda il tema Industria 5.0, sarà definito un Componente Software per il supporto ai lavoratori. Questo componente riceverà informazioni dal sistema IoE (Internet of Everything) per monitorare:

• i parametri psicofisici dei lavoratori;
• i parametri ambientali;
• i parametri legati alla produzione. 

Elaborerà tutte queste informazioni per decidere quali mansioni associare ai lavoratori, con il duplice obiettivo: ottimizzare la produzione senza sovraccaricare i lavoratori. Lo schema di riferimento di ciò che si vuole realizzare è schematizzato nella seguente figura.

In particolare, il sistema di IoE sarà costituito da:

1. Smartwatch, indossati dai lavoratori, che misurano: il livello di stress; la pressione sanguigna; la frequenza cardiaca; il livello di ossigeno nel sangue e la temperatura corporea;
2. Sensori ambientali di temperatura e umidità installati nei vari reparti;

Questi dati saranno storicizzati su un database Elasticsearch. Su Elasticsearch verranno convogliati anche i dati provenienti da un opportuno algoritmo di previsione dello stress dei lavoratori. Questi dati saranno poi utilizzati da opportuni algoritmi di Reasoning che calcoleranno lo scheduling ottimale delle risorse.

Per calcolare lo scheduling ottimale si terrà conto del fatto che il panificio lavora 24 ore al giorno dal lunedì al venerdì e i lavoratori coprono turni divisi in: mattina, pomeriggio e notte. I lavoratori devono rispettare una rotazione settimanale dei turni per far si che: chi lavora di notte per una settimana, in quella successiva lavori di mattina e poi di pomeriggio.

I reparti (in cui svolgere le mansioni) del panificio sono i seguenti: forni, produzione e confezionamento. Lo schema seguente mostra la struttura della produzione di Target S.p.a.

Per quanto riguarda il tema della personalizzazione di massa, si terrà conto che il panificio produce diverse tipologie di prodotti e, ogni giorno, viene creato un ordine di produzione che indica ai lavoratori quali tipi di prodotti produrre e in che quantità.

L’analisi storica dei dati relativi agli ordini di produzione consentirà la definizione di algoritmi di ML che supporteranno Target S.p.a. nella creazione di nuovi prodotti personalizzati per ogni singolo cliente.

Conclusioni

Oggi in un mondo del lavoro che è sempre più competitivo e in continua evoluzione, il benessere dei dipendenti non è più un optional: è una priorità strategica. Le aziende che investono in ambienti di lavoro sani e positivi ottengono infatti risultati migliori in termini di produttività, engagement e fidelizzazione del personale. Per questo affidarsi ad aziende come Revelis, specializzate in soluzioni aziendali realizzate grazie all’intelligenza artificiale grazie a cui consentono di raccogliere dati in tempo reale e analizzare diversi dati per intervenire tempestivamente con azioni mirate è una scelta sempre più essenziale da compiere per le imprese che puntano ad un successo nel lungo termine.

Autore Massimiliano Ruffolo

L'articolo Soluzioni aziendali per il benessere dei dipendenti: InCop proviene da Revelis.

Questo articolo esplorerà le potenzialità di tale sistema come soluzione di intelligenza artificiale per l’energy management, prendendo come esempio il progetto Ei-TWIN e le sue applicazioni pratiche in due contesti distinti: un impianto industriale di una PMI farmaceutica e una comunità energetica.

Perché un energy management system è fondamentale

La crisi energetica globale, con l’aumento dei prezzi del gas e dell’elettricità, rende evidente la necessità di una gestione più efficiente delle risorse energetiche. L’Italia, come molti altri paesi europei, è fortemente dipendente dalle importazioni di gas, il che rende il tema dell’efficienza energetica una priorità nazionale.

In questo contesto, il progetto di energy management system Ei-TWIN si pone l’obiettivo di sviluppare una piattaforma per l’applicazione di un Digital Twin nel settore dell’energia. 

Un Digital Twin è una rappresentazione virtuale di un oggetto o di un sistema, collegata ad esso durante tutto il suo ciclo di vita. Questa tecnologia permette di monitorare le prestazioni, prevedere i consumi e ottimizzare l’uso dell’energia, contribuendo così a ridurre gli sprechi e migliorare l’efficienza complessiva.

Il progetto ei-twin: un approccio innovativo all’energy management system

Il progetto Ei-TWIN si articola in 12 Obiettivi Realizzativi (OR) ripartiti tra ricerca industriale e sviluppo sperimentale, con l’obiettivo di creare una piattaforma software per l’applicazione di un Energy Digital Twin in due scenari d’uso:

1. Un impianto industriale di una PMI farmaceutica: Questo caso d’uso si concentra sull’ottimizzazione dell’efficienza energetica in un contesto produttivo, analizzando i consumi e i processi per identificare aree di miglioramento;
2. Una comunità energetica: In questo scenario, l’obiettivo è gestire in modo ottimale i flussi di energia tra gli edifici, massimizzando l’autoconsumo e riducendo gli scambi con la rete elettrica.

Il progetto mira a superare i limiti degli approcci tradizionali, integrando il trattamento di Big Data e tecniche di AI per fornire funzionalità avanzate come l’ottimizzazione di processo e la manutenzione predittiva.

I componenti chiave della piattaforma ei-twin

La piattaforma Ei-TWIN è composta da diversi layer, ognuno con una funzione specifica:

• Layer di campo: Questo layer è responsabile della raccolta dei dati dai sensori IoT e dai sistemi di gestione degli edifici (Building Management System), utilizzando protocolli come Modbus e BACNet;
• Layer di ingestion: Questo layer acquisisce i dati dal layer di campo e li invia al Data Lake, effettuando una prima elaborazione per la validazione del formato;
• Data Lake: Il Data Lake è il cuore della piattaforma, dove i dati grezzi vengono archiviati e strutturati in base alle necessità di analisi. Si tratta di un’architettura “schema-on-read”, che permette di interrogare i dati in modo flessibile. I dati vengono acquisiti in tempo reale, grazie all’utilizzo di Apache Kafka, e archiviati in Elasticsearch;
• Layer di analisi: Questo layer utilizza tecniche di AI e Machine Learning per analizzare i dati e fornire previsioni, ottimizzare i processi e individuare anomalie;
• Layer di presentazione: Questo layer fornisce dashboard e reportistica per visualizzare i risultati delle analisi e monitorare lo stato del sistema.

Il data model del progetto ei-twin

Il progetto Ei-TWIN prevede l’utilizzo di un data model flessibile e completo che comprende dati provenienti da diverse fonti, interne ed esterne:

• Sorgenti interne: Dati provenienti dai macchinari (stati di accensione/spegnimento, tempo di utilizzo), dati energetici (energia attiva, reattiva, potenza attiva, tensione, corrente) e dati di produzione (fasi di produzione, quantità prodotte);
• Sorgenti esterne: Dati meteorologici (temperatura, umidità, irraggiamento solare) che influenzano i consumi energetici.

Il data model è strutturato in due formati principali:

1. Modello JSON: Utilizzato per i dati assimilabili a serie temporali, con una struttura gerarchica che include timestamp, telemetrie, diagnostiche e metadati;
2. Modello Relazionale: Utilizzato per informazioni strutturate come i lotti di produzione e le fasi del processo, organizzato in tabelle con relazioni.

Le tecnologie e gli strumenti utilizzati

Il progetto Ei-TWIN fa ampio uso delle tecnologie e dell’architettura della piattaforma PlugAIn per l’elaborazione dei Big Data. Infatti il Data Lake si basa su una versione ridotta della piattaforma PlugAIn come mostrato nell’immagine seguente.

Tra le tecnologie utilizzate, si segnalano:

• Kubernetes: utilizzato per creare il private cloud che ospita il Data Lake di Ei-TWIN;
• Apache Kafka: utilizzato per lo scambio di messaggi tra le varie componenti e per l’ingestione dei dati;
• Elasticsearch: utilizzato per la memorizzazione dei dati provenienti dai sensori;
• Spring Boot: utilizzato per la realizzazione dei connettori verso le sorgenti dati.

Casi d’uso: applicazioni pratiche del digital twin

Il progetto di energy management system Ei-TWIN prevede l’implementazione della piattaforma in due casi d’uso specifici, che permettono di testare e validare le funzionalità sviluppate:

1. Impianto industriale: In questo scenario, l’obiettivo è ottimizzare l’efficienza energetica di un’azienda farmaceutica, analizzando i consumi delle macchine e dei processi produttivi. Si prevede di utilizzare il Digital Twin per identificare le fasi più energivore, prevedere i consumi e ottimizzare l’uso dell’energia;
2. Comunità energetica: In questo caso d’uso, la piattaforma sarà utilizzata per gestire i flussi di energia tra gli edifici di una comunità energetica, massimizzando l’autoconsumo e riducendo gli scambi con la rete elettrica. Il Digital Twin permetterà di monitorare i consumi, prevedere la produzione di energia da fonti rinnovabili e ottimizzare la distribuzione tra gli utenti.

Vantaggi e benefici del progetto ei-twin

Il progetto di energy management system Ei-TWIN mira a fornire diversi vantaggi e benefici:

• Efficienza energetica: Riduzione dei consumi e degli sprechi di energia, grazie all’ottimizzazione dei processi e all’uso di modelli predittivi;
• Sostenibilità: Riduzione dell’impatto ambientale, grazie alla diminuzione delle emissioni di gas serra;
• Ottimizzazione dei costi: Riduzione dei costi energetici, grazie all’uso più efficiente delle risorse;
• Manutenzione predittiva: Previsione di guasti e malfunzionamenti, per una manutenzione più efficace e tempestiva;
• Flessibilità: Adattamento della gestione dell’energia alle diverse condizioni operative e alle esigenze specifiche degli utenti;
• Interoperabilità: Integrazione con diverse sorgenti informative e sistemi di gestione.

Conclusione

Nell’ambito delle soluzioni di energy management system il progetto Ei-TWIN rappresenta un esempio concreto di come la tecnologia del Digital Twin e l’Intelligenza Artificiale possano essere applicate per migliorare l’efficienza energetica e promuovere la sostenibilità. 

La piattaforma sviluppata nel progetto offre una soluzione innovativa e flessibile per la gestione dell’energia in diversi contesti, contribuendo a ridurre i consumi, ottimizzare i costi e migliorare la competitività delle imprese. 

L’adozione di un energy management system come quello proposto da Ei-TWIN è fondamentale per affrontare le sfide del presente e costruire un futuro più sostenibile.

Autori: Massimiliano Ruffolo e Simone Vizza

L'articolo Energy management system: esempi di potenzialità in un caso d’uso proviene da Revelis.

Nella forma classica, gli algoritmi di Process Mining vengono utilizzati per costruire un modello del processo a partire dai dati estratti. Questo modello visualizza il flusso delle attività, rappresentando le sequenze di eventi e i vari percorsi seguiti all’interno del processo. L’output può essere una mappa grafica che mostra tutte le possibili varianti del processo, incluse le eccezioni o deviazioni dai flussi standard. I modelli appartenenti a questa categoria vengono denominati imperativi e, in caso di processi ben definiti e standardizzati, riescono a descrivere in maniera corretta e completa i processi analizzati.

Per i processi che non hanno queste caratteristiche, i modelli imperativi spesso non si rivelano adatti perché rischiano di perdere di generalità, escludendo varianti lecite, o di diventare illeggibili ed inutilizzabili, i famosi “spaghetti model”.

In Figura 2 viene mostrata una rappresentazione di un processo reale come l’area verde sulla sinistra. Un modello imperativo può essere rappresentato come l’ellisse blu al centro della figura, esso può rappresentare una parte del processo reale eventualmente andando ad includere varianti e percorsi non presenti nella realtà. Un modello dichiarativo è basato su regole e vincoli che possono essere utilizzati non per definire tutti i possibili percorsi del processo ma per delimitare la regione in cui le tracce del processo possono trovarsi. In maniera grafica questo è mostrato nella parte destra della figura.

Revelis crede fortemente nelle attività di ricerca e sviluppo e, negli scorsi mesi, ha partecipato allo sviluppo di tecniche di process intelligence spiegabile e consapevole, basate sull’uso di linguaggi e tecniche dichiarative per rappresentare processi flessibili.

Il lavoro svolto da Revelis ha avuto l’obiettivo di implementare un prototipo dimostratore delle tecniche applicando queste ultime ad un caso di studio industriale. 

Declarative Process Mining

Il Process Mining Dichiarativo rappresenta un’evoluzione innovativa nell’ambito dell’analisi dei processi. A differenza del Process Mining tradizionale, che si basa principalmente sull’estrazione di modelli di processo da log di eventi, il Process Mining dichiarativo introduce un livello di astrazione superiore. Declare è un linguaggio dichiarativo per la modellazione dei processi che consiste in un insieme di template che esprimono le proprietà temporali delle tracce di esecuzione dei processi.

I modelli (o template) Declare possono essere classificati in quattro categorie distinte, ognuna delle quali affronta aspetti diversi del comportamento dei processi: 

• modelli di esistenza, che specificano la necessità o il divieto di eseguire una particolare attività potenzialmente con vincoli sul numero di occorrenze;
• modelli di scelta, incentrati sul concetto di scelte di esecuzione, in quanto modellano scenari in cui esiste un’opzione relativa a quali attività possono essere eseguite;
• modelli di relazione, che stabiliscono una dipendenza tra le attività in quanto stabiliscono che l’esecuzione di un’attività richiede l’esecuzione di un’altra, spesso in base a condizioni o requisiti specifici;
• modelli di negazione, modellando l’esclusività reciproca o le condizioni proibitive nell’esecuzione delle attività.

Ad esempio il modello Existence(A) indica che in una traccia del log deve essere presente l’attività A. Il modello Exclusive Choice(A, B) stabilisce che le attività A e B possono apparire in una traccia ma non contemporaneamente. Per il modello ChainResponse(A, B) ogni volta che A appare nell’istanza di processo allora B è l’attività immediatamente seguente.

Answer Set Programming

La Answer Set Programming (ASP) è una forma di programmazione logica non monotona che si concentra sulla risoluzione di problemi rappresentandoli come insiemi di regole logiche. Invece di fornire un singolo risultato, l’ASP fornisce un insieme di modelli (o insiemi di risposte) che soddisfano tutte le regole del programma. Questo la rende particolarmente adatta per affrontare problemi complessi e incerti, dove possono esistere molteplici soluzioni valide.

Codifica dei modelli Declare in ASP

All’interno del progetto è stata messa a punto una tecnica di traduzione automatica dei modelli Declare e dei log di processo in programmi logici ASP. Ciò permette di utilizzare la ASP per effettuare dei task di Conformance Checking e Query Checking. Nel primo caso si vuole verificare l’aderenza di un log di eventi ad un insieme di template Declare. Nel secondo caso, si vuole individuare tutte le possibili soluzioni di un’interrogazione fatta specificando un template Declare, un’attività del processo ed una o più variabili.

Esempio:

ChainResponse(‘A’, X) con supporto minimo 0.8

Sia A un’attività del processo e X una variabile, il risultato della query è dato da tutte quelle attività che seguono immediatamente l’attività A rendendo il modello vero almeno nel 80% dei casi.

Caso di Studio

Le tecniche presentate finora sono state applicate utilizzando i dati sulla gestione delle pratiche presentate per l’ottenimento di Contratti di Sviluppo (CdS) con un’importante agenzia nazionale per lo sviluppo. Il processo preso in considerazione è suddiviso in due macro-fasi indipendenti (Istruttoria e Verifica Tecnica) che sono state analizzate separatamente. Utilizzando il prototipo appositamente implementato, la prima attività è stata quella di ricavare un modello Declare per le due fasi. Un estratto del modello per la fase di Verifica Tecnica è qui riportato.

Ogni riga rappresenta una regola che risulta valida per le tracce del log analizzate dall’algoritmo. Ad esempio le righe 0 e 6 indicano l’esistenza di un’unica istanza attività “VT merito in lavorazione” Utilizzando questo modello, opportunamente rivisto, è possibile effettuare l’analisi di Conformance Checking che stabilisce se delle istanze di processo violino o meno i vincoli specificati. Questa tecnica è stata applicata su un insieme di tracce fornito dal cliente e non utilizzato per la creazione del modello. Tra le istanze analizzate, le seguenti due hanno riportato delle violazioni di vincoli che sono mostrate nella seguente tabella:

Andando a verificare i vincoli violati nelle tracce si può vedere che:

• Nella traccia 0, le violazioni dei vincoli 15 e 16 sono dovute all’assenza di almeno una tra le attività “VT merito in lavorazione” e “VT Merito da assegnare”;
• Nella traccia 1 vengono violati i vincoli 23 e 24 che indicano che l’attività “VT merito in lavorazione” non è preceduta dall’attività “VT Merito da assegnare”.

Nel modello Declare mostrato in precedenza, è possibile vedere che l’attività di “Merito da Assegnare” è marcata come init alla riga 14 della tabella del flusso di Verifica Tecnica. Per verificare quali siano le attività eseguite nel caso essa sia presente nel log è possibile utilizzare la tecnica del Query Checking sottoponendo un’interrogazione al prototipo formata dal template Precedence, primo parametro “Merito da Assegnare” e secondo parametro la variabile X. I risultati sono:

• X: VT merito conclusa – support: 1
• X: VT merito in lavorazione – support: 1
• X: VT Merito da assegnare – support: 1

Ciò indica che le tre attività sopra menzionate vengono eseguite solo nel caso in cui “Merito da Assegnare” è eseguita.

Per verificare l’esistenza di percorsi alternativi a quello che inizia con “Merito da Assegnare”, è possibile utilizzare una query di “Exclusive Choice” con primo parametro “Merito da Assegnare” e secondo la variabile X. I risultati sono:

• X: VT merito conclusa – support: 0.7272727272727273
• X: VT Fast Track da assegnare – support: 0.7727272727272727
• X: VT Fast Track in lavorazione – support: 0.7727272727272727
• X: VT fast Track conclusa – support: 0.7272727272727273

Come si può facilmente vedere esiste un ramo di Valutazione Tecnica delle istanze alternativo a quello principale e denominato “Fast Track”. 

Conclusioni

Le tecniche e gli algoritmi qui descritti permettono un nuovo approccio al Process Mining che consente un’analisi più flessibile. In particolar modo è possibile descrivere le proprietà di un processo utilizzando dei vincoli noti a priori o scoperti automaticamente. Questi vincoli possono essere utilizzati per identificare anomalie nell’esecuzione del processo tramite un’analisi di Conformance Checking. Inoltre è possibile esplorare le caratteristiche del processo ponendo delle interrogazioni utilizzando delle tecniche di Query Checking.

Autore: Luigi Granata

L'articolo Process mining: cos’è e i vantaggi in un caso reale proviene da Revelis.

La soluzione di Regtech di Revelis usa un approccio al monitoraggio dei rischi operativi che combina:

• una metodologia standard per l’analisi dei dati;
• una piattaforma tecnologica che integra una serie di funzionalità che rientrano nei trend di innovazione tecnologica descritti nell’articolo su citato.

Metodologia di analisi: CRISP-DM

L’erogazione dei servizi di analisi dei dati e di addestramento dei modelli di Machine Learning avverrà secondo la metodologia Cross-Industry Standard Process for Data Mining; si tratta di un metodo standard per l’esecuzione interattiva ed iterativa di processi di data mining e analysis caratterizzato da 3 fasi e 6 attività come illustrato nella figura seguente. 

Fase 1

La fase di valutazione preliminare delle esigenze ha l’obiettivo di affiancare il cliente nella stima, valutazione e progettazione della soluzione di analisi dei dati. Nell’ambito di questa fase rientrano le seguenti attività:

• Business Understanding. È finalizzata all’analisi degli obiettivi applicativi da parte del cliente, sulla base dei seguenti task: (i) analisi dello scenario “as-is; (ii) definizione dei risultati attesi, definiti dai decision maker del cliente; (iii) definizione dei criteri utilizzati per determinare l’esito del processo di analisi dei dati;
• Data Understanding. È finalizzata alla comprensione dei dati ed è fondamentale per evitare problemi imprevisti durante la fase di Data Preparation. Nell’ambito di questa attività sono eseguiti i seguenti task: (i) individuazione delle sorgenti interne/esterne; (ii) individuazione delle entità e degli attributi significativi per l’analisi; (iii) analisi descrittiva dei dati messi a disposizione, tramite valutazione di funzioni statistiche di base e/o l’utilizzo di grafici ed aggregazioni; (iv) valutazione della qualità dei dati, individuando eventuali problemi collegati ad errori di formato e/o di rappresentazione delle informazioni.

Fase 2

La fase 2 prevede l’attività di “Data Acquisition and Preparation” ed è funzionale alla connessione alle sorgenti informative individuate nella fase 1, nonché alla preparazione e cleaning dei dati acquisiti. In questa fase sono eseguiti i seguenti task:

• Filtraggio dei dati. Questo task ha l’obiettivo di selezionare i dati pertinenti al raggiungimento degli obiettivi del cliente. A tal fine si procede al “filtraggio” dei dati e degli attributi tramite tecniche di campionamento e/o rimozione dei dati “sporchi”;
• Cleaning. Nell’ambito di questo task sono applicate tecniche statistiche per ricostruire i dati mancanti, gestire gli errori sui dati, sistemare gli errori di misurazione, gestire i dati sparsi; 
• Creazione di dati sintetici. Spesso i dati grezzi non sono sufficienti per effettuare in maniera efficace l’analisi prefissata. In questi casi si può procedere alla creazione di nuovi dati “verosimili” a partire da quelli esistenti, tramite tecniche per derivazione la di attributi o per la generazione di record;
• Integrazione dei dati. I dati provenienti da sorgenti diverse e che sono riferiti alle medesime entità possono essere integrati per “merge” (ovvero arricchimento dell’entità tramite un maggior numero di attributi) o “unione” (arricchimento del numero di entità disponibili).

Fase 3

La Fase 3 prevede due distinti macro-step di processo:

• Formulazione e implementazione del modello di analisi. Tale fase ha l’obiettivo di definire (tramite tecniche statistiche induttive) e valutare (tramite metriche standard) uno o più modelli di data mining, e prevede le seguenti attività:

1. Sviluppo di connettori. I connettori sono interfacce software che permettono l’import dai sistemi esterni dei dati da sottoporre agli algoritmi di Data-Mining o l’export dei risultati verso sistemi/piattaforme esterne.
2. Modeling. Consiste nell’applicazione di algoritmi ad un opportuno subset dei dati disponibili detto training set. I dati del training set verranno sottoposti ad opportune attività di preprocessing per consentire l’elaborazione da parte degli algoritmi statistici. Il risultato è un modello di supporto alle decisioni, che può essere finalizzato a scopi di: Classificazione; Regressione; Segmentazione; Sommarizzazione; Analisi dei legami o associazione; Analisi delle sequenze. Gli algoritmi sono basati su tecniche di machine learning e deep learning. 
3. Evaluation. Questa attività verte sulla misurazione delle performance del modello tramite opportune metriche tra quelle definite nella letteratura scientifica. In tal modo è possibile valutare in maniera oggettiva la bontà dei modelli indotti, e conseguentemente verificare il soddisfacimento degli obiettivi di business definiti. La valutazione delle performance avviene su un opportuno subset dei dati disponibili detto test set, disgiunto rispetto al training set usato nella fase di addestramento del modello.

• Conduzione della soluzione di analisi. Tale prevede l’attività di “Deployment”, ovvero di implementazione di una versione eseguibile del modello indotto, che possa essere utilizzata presso l’infrastruttura applicativa del cliente.

Framework tecnologico di riferimento: la piattaforma Moneying™

Moneying™ è la soluzione di Regtech sviluppata da Revelis e consiste in una piattaforma che applica tecniche di Intelligenza Artificiale per l’analisi dei dati funzionali ai controlli operativi, come ad esempio le transazioni finanziarie e le comunicazioni da parte dei clienti.

La combinazione di tecniche di Machine Learning e Deep Learning consente di ottimizzare le attività di verifica nell’ambito dei controlli. L’uso di tecniche di Text Analytics consente l’elaborazione automatica dei testi in linguaggio naturale, abilitando in tal modo l’automazione della gestione documentale, sia relativa ai documenti interni che a quelli provenienti dall’esterno o dai clienti.

Le caratteristiche principali della piattaforma Moneying™, ovvero la soluzione di Regtech, sono le seguenti:

• Scalabilità. Moneying™ è una piattaforma altamente scalabile che integra tecnologie per l’analisi dei Big Data, e può essere distribuita sia on-premises che as-a-service tramite erogazione in cloud.
• Big Data Analytics. Moneying™ mette a disposizione oltre 100 algoritmi per l’elaborazione dei dati e la previsione dei comportamenti. Gli algoritmi possono essere variamente combinati tra loro definendo dei processi di elaborazione flessibili ed altamente personalizzabili.
• Sicurezza. Moneying™ dispone di un sistema di autenticazione e profiling degli utenti che consente di profilare l’accesso alle analisi dei dati ed alle informazioni, garantendo in tal modo elevati standard di sicurezza nei contesti operativi dei clienti.
• Interfaccia Web. L’analisi dei casi sospetti avviene tramite un’interfaccia web potente e di facile utilizzo. Gli utenti possono estrarre dei report personalizzati ed hanno a disposizione cruscotti informativi relativi alle attività effettuate.

L’architettura funzionale della piattaforma Moneying™, ovvero la soluzione per il RegTech, è rappresentata nella figura seguente.

Sul lato sinistro (Area 1) viene rappresentato l’insieme delle possibili tipologie di sorgenti informative che possono interessare i processi di analisi. In particolare, la piattaforma supporta:

• Dati provenienti da sorgenti informative interne ed esterne. In entrambi i casi l’acquisizione avviene tramite l’uso di appositi connettori alle sorgenti informative.
• Dati di diversa tipologia: strutturati/semi-strutturati (database, CSV, XML); non strutturati (testi); dati relativi ai processi (log); dati multimediali (video, immagini, audio); dati geospaziali; dati in streaming (provenienti da sorgenti continue o da sensori); dati da web e social media. 
• Dati che, con riferimento ai clienti su cui effettuare i controlli, possono essere di tipo:
  • Soggettivo, ovvero direttamente riferibili al soggetto in analisi. Rientrano in questa categoria i dati anagrafici, la professione, la residenza.
  • Oggettivo, ovvero riconducibili all’operatività del soggetto rispetto ai rapporti in essere con la banca. Rientrano in questo ambito le transazioni finanziarie, le informazioni relative ad eventuali segnalazioni per operazioni sospette, o qualunque altro tipo di segnalazione effettuata.

Le sorgenti informative elencate sono sottoposte a processi di memorizzazione e/o analisi nella parte di architettura relativa alla Cloud Infrastructure (Area 2). Tale area è suddivisa, dal punto di vista logico, in 2 sotto-aree distinte, la prima riguardante la memorizzazione dei dati (Big Data Storage) e la seconda relativa all’analisi degli stessi (AI/Big Data Analytics).

I processi di memorizzazione e di analisi possono essere realizzati in maniera del tutto distinta e separata sia in cloud che “on-premises”. In maniera trasversale alle due sotto-aree, trovano collocazione i vari servizi di sicurezza, monitoraggio, audit e backup e disaster recovery.

La sezione di AI/Big Data Analytics è suddivisa logicamente in una sezione di Core Capabilities ed un’altra di AI Capabilities. La prima sezione menzionata contiene meccanismi di calcolo distribuito, accesso a File System (locale o distribuito), accesso ai dati In-Memory, gestione del Workload, accesso a dati SQL e NO SQL. 

La parte di AI Capabilities mette a disposizione una serie di funzionalità coerenti con la metodologia CRISP-DM, al fine di abilitare le fasi di acquisizione dei dati, preparazione delle informazioni, addestramento dei modelli e visualizzazione dei risultati. Con riferimento ai modelli, in particolare, si evidenzia che la piattaforma offre sia algoritmi di Machine Learning e Deep Learning, che meccanismi per abilitare il ragionamento automatico. 

In tal modo è possibile realizzare soluzioni di AI che siano in grado di combinare la conoscenza che deriva dai dati (approcci sub-simbolici, ovvero Machine e Deep Learning) con la conoscenza degli esperti di dominio (approcci simbolici, ovvero ragionamento automatico). Questa caratteristica della piattaforma, se da un lato rende possibile l’automazione di processi decisionali anche nei casi in cui i dataset disponibili siano troppo piccoli per l’addestramento dei modelli di Machine/Deep Learning (poiché è possibile automatizzare le logiche adottate dall’uomo tramite sistemi esperti), dall’altro consente di intervenire sulle problematiche degli approcci sub-simbolici, come ad esempio le “allucinazioni” dei modelli GPT, che possono essere corrette grazie alla realizzazione di sistemi di controllo basati su ragionamento automatico.

Infine, sul lato destro della figura (Area 3) vengono rappresentati i servizi applicativi relativi ai controlli in ambito bancario, un cui elenco, non esaustivo, è rappresentato di seguito:

• KYC
• Adeguata Verifica Rafforzata
• Controlli apertura conto
• Valutazione dei profili di rischio (di credito, inadempienza, relativo agli investimenti, ecc.)
• AML tramite Transaction Monitoring
• Monitoraggi (autorizzazioni e limiti di spesa, limiti di esposizione)
• Profiling (merito creditizio, adeguatezza dei prodotti, …)

Esperienze (usecases) realizzate

AML – Transaction Monitoring, Risk Management, Gestione dei rapporti con gli enti inquirenti

La soluzione per il Regtech Moneying™ applica tecniche di Machine Learning e Reasoning per analizzare le transazioni finanziarie a scopi di AML e Risk Management.

Tramite tecniche di pattern recognition e profiling è possibile individuare comportamenti fraudolenti o illeciti, ed abilitare la valutazione del profilo di rischio dei clienti (KYC). 
Le funzionalità messe a disposizione dalla piattaforma sono le seguenti:

• Profilo di Rischio. Moneying abilita la profilazione dei clienti in base ad un «Profilo di Rischio», calcolato sulla base di caratteristiche oggettive e soggettive dei clienti. Tutte le informazioni dei clienti sono integrate in modo da mettere a disposizione un “fascicolo cliente” che contiene tutte le informazioni peculiari dei clienti B2C e B2B.
• Anti Money-Laundering. Moneying offre funzionalità per l’elaborazione di Big Data relativi alle transazioni finanziarie, allo scopo di individuare anomalie nell’uso degli strumenti finanziari da parte di uno o più soggetti. La piattaforma offre un modulo per la generazione di segnalazioni di operazioni sospette verso UIF.
• Risk Management. La piattaforma consente l’esecuzione di analisi per la valutazione del rischio; gli utenti possono personalizzare i processi di analisi dei dati volti al calcolo di opportuni Key Risk Indicators.
• Monitoraggio dei clienti B2C e B2B. Moneying mette a disposizione un modulo per gestire il sanzionamento di clienti B2C o B2B che violano gli accordi contrattuali nell’uso degli strumenti di pagamento.
• Gestione dei rapporti con gli Enti Inquirenti. Moneying consente di ottimizzare le interazioni con gli enti inquirenti, velocizzando la produzione di risposte per le richieste che giungono da autorità giudiziarie, forze di polizia e tribunali.

Analisi automatica di comunicazioni dei clienti relativi a reclami e lamentele 

Oggi, in ambito bancario, l’assistenza ai clienti si basa sulla gestione di grandi quantità di e-mail, che richiede un’enorme quantità di tempo e risorse da parte degli operatori umani. Utilizzando tecniche di Intelligenza Artificiale e Machine Learning, è possibile automatizzare il processo di lettura e classificazione delle e-mail, riducendo notevolmente il carico di lavoro degli operatori, evitando loro compiti ripetitivi, così da dedicare più tempo ad attività diverse e migliorando così il rendimento complessivo.

La verticalizzazione denominata “AIOM” della piattaforma Moneying usa tecniche di Text Intelligence per leggere e classificare automaticamente le e-mail inviate all’Ufficio Reclami ed all’Ufficio Legale di una Banca di primaria importanza internazionale, tramite l’analisi del contenuto (corpo della mail e allegati), in modo da indirizzare la lavorazione dei reclami e delle lamentele e, quando possibile, rispondere al cliente in modo automatico. 

I vantaggi di Moneying_AIOM

L’uso della piattaforma come la soluzione per il Regtech Moneying_AIOM ha determinato i seguenti impatti:

• Riduzione del carico di lavoro degli operatori: il modello di Text Analytics è in grado di gestire automaticamente la lettura e la classificazione delle e-mail, riducendo significativamente il carico di lavoro degli operatori umani;
• Maggiore efficienza: la classificazione automatica delle e-mail avviene in un tempo drasticamente più breve rispetto alla classificazione manuale, consentendo una risposta più rapida e un flusso di lavoro più fluido;
• Scalabilità e flessibilità: il sistema di classificazione automatica delle e-mail può essere facilmente adattato per gestire un volume elevato di e-mail, senza richiedere un aumento proporzionale delle risorse umane. Inoltre, il modello di machine learning può essere adattato e migliorato nel tempo, a seconda delle nuove esigenze e dei cambiamenti nel contenuto delle e-mail;
• Risparmio sui costi: riducendo la dipendenza dagli operatori umani per leggere e classificare le e-mail, sono stati ridotti del 65% i costi associati alla gestione di grandi volumi di comunicazioni aziendali.

L’implementazione di un sistema di questo tipo richiede una particolare attenzione al rispetto delle normative, quindi norme come il Regolamento generale sulla protezione dei dati (GDPR) e alla tutela della privacy. Le e-mail, infatti, contengono informazioni personali o riservate che devono essere protette. Una volta letti dalla piattaforma Moneying_AIOM, i testi delle e-mail, degli allegati esaminati e del mittente, vengono archiviati in maniera crittografata. 

Adeguata Verifica Rafforzata

L’adeguata verifica rafforzata (AVR) è un processo volto a mitigare il rischio di riciclaggio e finanziamento del terrorismo. L’esecuzione manuale del processo di AVR prevede le seguenti fasi:

1. Acquisizione di informazioni. Gli operatori si collegano manualmente a diversi sistemi, interni ed esterni alla banca, al fine di acquisire le informazioni necessarie all’analisi, come ad esempio:
   1. la verifica dell’esistenza del codice fiscale e della partita IVA (informazioni desumibili pubblicamente dal sito dell’Agenzia delle Entrate);
   2. l’elenco delle transazioni effettuate;
   3. il profilo di rischio del soggetto;
   4. l’appartenenza del soggetto agli elenchi PEP o antiterrorismo;
2. Analisi e valutazione del rischio. Gli operatori esaminano le informazioni acquisite per identificare eventuali fattori di rischio, e procedono alla valutazione del rischio complessivo del cliente, considerando:

• Il profilo di rischio intrinseco (attività svolta, PEP, paesi coinvolti);
• Il comportamento del cliente (transazioni sospette, coerenza con le informazioni fornite);
• Il livello di rischio associato al prodotto o servizio monitorato;

3. Misure di verifica rafforzate. Per i soggetti rischiosi, si procede alla predisposizione di un questionario tramite il quale si richiede al soggetto in esame di giustificare una serie di operazioni, ed eventualmente di fornire documentazione supplementare (es. visure camerali, estratti conto). In questa fase è anche possibile, talvolta, richiedere informazioni a fonti terze (es. banche dati, autorità competenti).
4. Aggiornamento e monitoraggio. Gli operatori procedono all’invio dei questionari ed al monitoraggio della risposta del soggetto analizzato. In caso di mancata risposta, è possibile proporre la chiusura dei rapporti in essere.

L’esecuzione manuale dell’AVR richiede:

• Personale qualificato: Addetti formati sulle procedure antiriciclaggio e in grado di valutare il rischio.
• Procedure interne definite: Documentazione dettagliata delle procedure di AVR e dei criteri di valutazione del rischio.
• Supervisione e controllo: Sistema di supervisione per garantire l’adeguata applicazione delle procedure.

L’automazione delle operazioni di AVR avviene tramite un sistema informatico, la cui architettura funzionale è rappresentata nella figura che segue.

In particolare, tramite opportune procedure RPA, è possibile acquisire tutte le informazioni necessarie all’analisi, che si sostanziano in una serie di file PDF o excel che vengono memorizzati in un apposito folder.

A partire da questi dati, la piattaforma utilizzerà la piattaforma Moneying™ di Revelis per:

• Effettuare automaticamente l’estrazione delle informazioni dai file, tenendo conto della tipologia (PDF, CSV, …) e della struttura degli stessi;
• Implementare le logiche decisionali relative all’AVR, a partire da una serie di “Golden rules” indicate dagli operatori e che sono rappresentate attraverso opportuni formalismi dell’Answer Set Programming.

Il processo realizzato tramite Moneying ™ produce, per ogni posizione da analizzare, un esito per indicare se il soggetto debba essere o meno sottoposto al questionario AVR, e, in alcuni casi, la struttura del questionario da somministrare.

Altre possibili applicazioni dell’AI nell’ambito dei controlli a presidio dei rischi operativi

Automatizzare KYC con l’intelligenza artificiale

L’intelligenza artificiale (AI) offre un enorme potenziale per automatizzare il processo di Verifica dell’Identità del Cliente (KYC) nel settore bancario e finanziario. Di seguito si elencano alcune applicazioni che utilizzano tecniche di AI per migliorare l’efficienza e l’efficacia di queste procedure:

1. Riconoscimento facciale e biometria. Tramite tecniche di computer vision è possibile analizzare i volti e le impronte digitali dei clienti per verificarne l’identità in tempo reale, a partire da un video in streaming. In tal modo, non c’è necessità di documenti cartacei, ed è possibile eseguire da remoto il controllo.
2. Analisi del linguaggio naturale (NLP). Come è stato già analizzato per il caso di analisi delle comunicazioni dei clienti e per il caso dell’AVR, le tecniche di Text Analytics possono essere utilizzate per analizzare le informazioni fornite dai clienti nei moduli KYC e AML per identificare potenziali rischi. In particolare, l’uso del Natural Language Processing consente di estrarre dati da documenti come fatture e bonifici bancari per identificare eventuali transazioni sospette.

Automatizzare i controlli dei requisiti di apertura del conto con AI

L’intelligenza artificiale (AI) può essere utilizzata per automatizzare i controlli dei requisiti di apertura del conto in diversi modi:

1. Analisi del rischio. È possibile utilizzare sistemi esperti (approcci “simbolici”) al fine di applicare regole di valutazione delle informazioni fornite dai clienti nei moduli di richiesta di apertura del conto, identificando potenziali rischi. Gli approcci “simbolici” possono essere combinati con quelli “sub-simbolici”, correlati al Machine Learning ed alle Reti Neurali, in modo da profilare i clienti in base al rischio di frode, finanziamento del terrorismo e altri rischi finanziari.
2. Verifica dell’identità. Come è già stato descritto per il caso del KYC, l’AI può essere utilizzata per verificare l’identità dei clienti mediante il riconoscimento facciale, l’analisi del documento d’identità e la verifica biometrica, prevenendo frodi e furti d’identità.
3. Controllo dei precedenti. L’AI può essere utilizzata per controllare i precedenti dei clienti per identificare eventuali precedenti penali o sanzioni finanziarie. In tal modo è possibile proteggere la banca da rischi reputazionali e legali.

Autore: Francesco Cupello

L'articolo La soluzione  di Regtech di Revelis Moneying e alcuni use cases proviene da Revelis.