Negli ultimi anni, le reti neurali profonde hanno dominato la scena dell’intelligenza artificiale grazie alla loro capacità di apprendere pattern complessi da grandi quantità di dati. Tuttavia, il loro funzionamento interno rimane spesso opaco, creando il problema della “black box”: è difficile capire perché una rete prende certe decisioni. Per rispondere a questa esigenza sono nati i sistemi di XAI, eXplainable AI, che consentono di analizzare e rendere almeno parzialmente spiegabile una rete neurale.
Un’altra strategia per migliorare la spiegabilità consiste nel progettare reti più piccole, più semplici da interpretare, o nel combinare reti neurali con sistemi simbolici in pipeline ibride. In questo modo, un compito complesso viene suddiviso in sottoproblemi più gestibili, affrontati da reti più leggere, con un grado di interpretabilità maggiore. Questo approccio è cruciale in settori come la difesa o il farmaceutico, dove l’affidabilità e la tracciabilità delle decisioni sono imprescindibili.
Il ruolo degli LLM e i loro limiti
L’avvento degli LLM ha cambiato radicalmente le aspettative sull’AI. La loro capacità di affrontare compiti complessi e diversificati ha aperto la prospettiva di delegare interi flussi di lavoro agli LLM, compresi compiti analitici tradizionalmente svolti da team umani.
Tuttavia, ben presto sono emersi limiti concreti. I modelli generativi sono costosi da eseguire, consumano risorse significative e presentano problemi noti di “allucinazioni”, ossia risposte errate o inventate, oltre a rischi di leakage di dati sensibili o di know-how aziendale. Tentare di affidare a un LLM generativo un task analitico strutturato o la gestione di grandi volumi di documenti interni si è dimostrato inefficiente e spesso poco affidabile.
Agenti specializzati e RPA 2.0
Per aggirare questi limiti, oggi si ricorre a piccoli agenti ibridi, combinazioni di codice e LLM progettate per eseguire un singolo task in modo ripetitivo e ottimizzato. Questa strategia è, in effetti, una rivisitazione moderna dell’RPA (Robotic Process Automation), resa oggi più accessibile e intelligente grazie all’integrazione con modelli di linguaggio.
Gli agenti possono automatizzare flussi di lavoro specifici, come l’estrazione di informazioni da database strutturati, senza dover delegare all’LLM l’intero processo. In questo modo, si riducono costi, complessità e rischio di errori, pur sfruttando le capacità di interpretazione semantica dei modelli generativi.
Scopri come i nostri software basati su Intelligenza Artificiale possono aiutarti nella Ricerca Brevettuale.
Sistemi AI interpretabili per l’industria
Un ulteriore vantaggio degli LLM è stato permettere di immaginare un collegamento tra dati strutturati, come quelli presenti nei database aziendali (ERP, MES, CMMS, CRM, ecc), e il testo libero contenuto in documenti tecnici o PLM. Sebbene per i database esistano pratiche consolidate di estrazione, merge e storage, il testo tecnico è un terreno più complesso: contiene gergo ingegneristico, formule, parametri, tabelle e riferimenti legali.
Per affrontare questo tipo di dati non bastano i modelli linguistici tradizionali, serve un AI neurosimbolica, ossia costruita su regole, logica, rappresentazioni esplicite dalla conoscenza, per fornirle una vera comprensione ingegneristica, rendendola in grado di pensare come un ingegnere. Questo è il punto in cui le ontologie diventano fondamentali: come visto in precedenti articoli, le ontologie formalizzano le classi di concetti (entità) e le relazioni tra di esse, consentendo di organizzare la conoscenza in modo strutturato e indipendente dalla forma con cui è descritta.
Agenti intelligenti basati su ontologie di dominio
Grazie alle ontologie, un agente può interrogare database diversi e comprendere che, ad esempio, la classe [utente] rappresenta lo stesso concetto nel CRM, nell’ERP o nel MES, pur con proprietà differenti. L’agente, quindi, non andrà a cercare, come si faceva un tempo, per “parola” (pochi risultati), né attraverso una ricerca semantica (molta sporcizia), né attraverso un LLM (costosi e imprecisi) ma piuttosto accedendo ad un metatesto etichettato dove saranno presenti dei tag di [entità] e tag di [relazione].
Il metatesto è il frutto dell’elaborazione effettuata da parte di un motore di sintesi ovvero a sua volta da un agente (immaginiamoci un piccolo LLM) ottimizzato per cercare, catturare, estrarre e catalogare entità e relazioni. Il motore ontologico “mastica” la documentazione una sola volta ed estrae [entità] e [relazioni], codifica i testi con riferimenti espliciti alle entità e relazioni identificate e poi rilascia un indice al quale possono accedere tutti gli altri agenti. Una volta che il motore ha individuato, etichettato ed indicizzato tutti i nostri [utenti], gli agenti interrogheranno l’indice rilasciato per fare ciascuno il suo task.
Ogni nuovo documento, scritto da tecnici, marketing o ufficio legale, verrà quindi processato e aggiunto alla base di conoscenza aziendale, rendendo le informazioni sempre aggiornate e immediatamente accessibili per diversi flussi di lavoro. Questo approccio unisce capacità di automazione, intelligenza semantica e gestione centralizzata della conoscenza, garantendo efficienza, precisione e scalabilità.
L’intelligenza artificiale simbolica
La riscoperta dei modelli ontologici o sistemi neurosimbolici non è una moda, ma una risposta concreta ad un bisogno: superare i limiti dei modelli generativi e delle reti neurali profonde. Combinando agenti specializzati, ontologie e database aziendali, le aziende possono creare flussi di lavoro intelligenti, spiegabili e affidabili. Le ontologie, in particolare, permettono di formalizzare concetti e relazioni in modo universale, rendendo possibile un accesso coerente e strutturato a informazioni eterogenee. In un’epoca di LLM potenti ma costosi e talvolta inaffidabili per compiti analitici complessi, integrare ontologie e LLM rappresenta la chiave per una gestione più efficace e sicura della conoscenza aziendale.
Richiedi una demo dei nostri tools AI.
