Tutti i servizi

AI, dati e automazione

Automazione dove il dato esiste e il processo la regge.

03
AI, dati e automazione

Modelli di machine learning, pipeline dati e automazioni che tolgono lavoro ripetitivo e restituiscono informazioni al momento giusto. Misuriamo prima di mettere in produzione.

Partiamo da cosa nel vostro processo vale la pena automatizzare. Usiamo i dati che avete, misuriamo i risultati e mettiamo in produzione modelli che qualcuno presidia. Un esempio reale: grandi volumi di fatture in formati diversi, letti senza intervento umano.

Cosa comprende

  • 01Estrazione e classificazione di documenti
  • 02Machine learning applicato ai processi
  • 03Pipeline dati e reporting
  • 04Agenti e automazioni con supervisione

Quando l'automazione ha senso

Due condizioni, tutte e due necessarie: il dato esiste già in una forma che una macchina può leggere, e il processo regge un risultato sbagliato ogni tanto senza danni gravi. Se manca la prima, prima si costruisce il dato. Se manca la seconda, l'automazione propone e una persona decide.

Per questo cominciamo misurando: quanti documenti al mese, quanti formati, quanto costa oggi un errore, quanto tempo ci mette una persona. Senza questa base non si può dire se il sistema funziona, e un modello che sembra bravo in demo può costare più del processo manuale che sostituisce.

Partire da zero o automatizzare un processo che esiste già

Un processo che esiste già ha una cosa preziosa: lo storico. Fatture già classificate, pratiche già lavorate, email già smistate. Da lì si costruisce il set di valutazione, e da lì si sa quando il sistema è pronto. È così che abbiamo affrontato la lettura automatica di fatture in ogni formato per un grande operatore di infrastrutture.

Un processo nuovo, come una pipeline commerciale che cerca le aziende giuste, va costruito con l'umano dentro fin dal primo giorno: il sistema raccoglie segnali, calcola un punteggio e prepara una bozza; la decisione finale e ogni invio restano a una persona. L'autonomia si allarga solo quando la misura lo giustifica.

Come lavoriamo dentro un sistema in produzione

L'automazione entra accanto al processo, all'inizio in ombra: produce il suo risultato, una persona produce il suo, e confrontiamo. Solo quando la differenza è entro la soglia concordata il sistema prende il volante, e anche allora con un interruttore per tornare indietro e con i casi dubbi indirizzati a una persona.

I modelli vanno trattati come dipendenze che cambiano. Registriamo prompt, versioni e valutazioni, così che un aggiornamento del fornitore non cambi il comportamento in silenzio. Dove ha senso, i modelli restano intercambiabili e i dati non escono dal vostro perimetro.

Cosa consegniamo davvero

La pipeline nel vostro repository, con i test e il set di valutazione. Un cruscotto con le metriche che avete scelto all'inizio: precisione, casi passati a una persona, tempo per documento, costo per esecuzione. Le integrazioni con i sistemi che già usate. E un documento che dice cosa il sistema sa fare, cosa no, e come si spegne.

Cosa costruiamo anche per noi

Usiamo gli stessi strumenti sui nostri prodotti: agenti che generano e revisionano contenuti, un motore che trasforma materiale didattico in verifiche, pipeline di scoring commerciale. È il modo più onesto che abbiamo per sapere cosa regge in produzione e cosa funziona solo in demo, prima di proporlo a un cliente.

Domande

Prima di scriverci

Quando ha senso usare un modello linguistico e quando no?+

Ha senso dove l'input è testo o documenti eterogenei e un errore è recuperabile. Dove esiste una regola chiara e verificabile, usiamo la regola. Scegliamo partendo dal costo dell'errore.

Come si misura l'accuratezza prima di andare in produzione?+

Su un campione reale dei vostri dati, con un criterio di successo concordato prima. Solo con numeri sul vostro caso decidiamo cosa automatizzare del tutto e cosa passa da una persona.

Quali dati non si devono dare a ChatGPT in azienda?+

Nessun dato che non potreste pubblicare: dati personali di clienti e dipendenti, dati sanitari, password e chiavi di accesso, contratti e offerte con i numeri veri, bilanci non pubblici, codice e progetti riservati. Con un account personale quei dati escono dal perimetro dell'azienda senza che nessuno lo sappia. Un piano aziendale con un accordo sul trattamento dei dati riduce il rischio, e restano comunque necessarie regole scritte su cosa si carica e dove. Nei sistemi che costruiamo, perimetro dei dati e fornitore del modello si decidono con voi prima di scrivere codice.

Cos'è la shadow AI e come si gestisce in azienda?+

È l'uso di ChatGPT, Gemini o altri assistenti da account personali, per lavoro, senza che l'azienda lo sappia. Un divieto da solo di solito sposta l'uso sul telefono personale. Funziona meglio dare uno strumento aziendale approvato, dividere i dati in tre gruppi (pubblici, interni, riservati o personali) e scrivere in una pagina cosa si può caricare, con quale strumento, e chi rilegge i risultati prima che escano.

Descrivici il sistema. Ti diciamo cosa vediamo.

Dieci minuti, una domanda alla volta. Alla fine, la nostra lettura onesta del caso. È il filtro, prima ancora della call.