Amsafis Wiki

Machine Learning · Generative AI (RAG-LLM) · Expert Systems

Come differiscono, come interagiscono e perché tutte e tre sono essenziali nel supporto decisionale ad alto impatto.

L’IA moderna non è una singola tecnologia.

In amsafis, i sistemi di supporto decisionale combinano tre forme distinte di Intelligenza Artificiale, ciascuna con una logica diversa, punti di forza diversi e requisiti operativi differenti:

1. Machine Learning (ML) — apprende modelli predittivi dai dati.
2. Generative AI con RAG (Retrieval-Augmented Generation) — interpreta documenti non strutturati e fornisce ragionamenti in linguaggio naturale basati su prove.
3. Expert Systems (ES) — implementano regole trasparenti e verificabili per logiche critiche o regolamentate.

Ognuna di queste è un’IA a sé stante. Nessuna sostituisce le altre.

Insieme formano un ciclo chiuso:

dati → previsione → regole → evidenza → decisione

Il Machine Learning estrae pattern, interazioni e segnali da dataset strutturati — tipicamente tabelle tipo foglio di calcolo, non immagini, audio o video.

amsafis è specializzata esattamente in questo dominio: variabili numeriche o ben codificate, eventualmente sparse, rumorose o eterogenee.

Il ML richiede un dataset da cui apprendere. In pratica:

• righe = casi (pazienti, asset, eventi, transazioni)
• colonne = variabili (numeriche, ordinali, categoriche codificate)
• dimensione temporale opzionale = dati funzionali o longitudinali

In amsafis, il ML non include:

• apprendimento su immagini
• apprendimento audio
• computer vision
• incorporazione di testo grezzo senza struttura

(Questi domini appartengono al deep learning, fuori dall’ambito della consulenza.)

Molti flussi ML includono test statistici classici:

• chi-quadrato
• t-test, F-test
• test esatto di Fisher
• test del rapporto di verosimiglianza

Sono utili per la validazione scientifica, ma non strettamente necessari per integrare nuova conoscenza in:

• sistemi di Generative AI (RAG-LLM)
• Expert Systems

Per questi due pilastri, spesso bastano statistiche descrittive:

• frequenze e tabelle incrociate
• medie, SD, quantili
• associazioni semplici

Se un’organizzazione possiede già strumenti BI (Power BI, Tableau, analitiche SQL, report ERP), questi risultati descrittivi possono essere utilizzati subito per alimentare:

• un modello basato su regole, oppure
• un archivio RAG

senza richiedere un progetto inferenziale completo.

Ciò evita ritardi inutili e rende praticabile l’adozione dell’IA anche con risorse analitiche interne modeste.

Possono essere calcolati non solo da dataset completi, ma talvolta da statistiche riassuntive (SSD):

• numero di casi
• medie e deviazioni standard
• correlazioni
• matrice di covarianza

Questo permette:

• regressione lineare
• mediazione
• SEM (modelli ad equazioni strutturali)
• PLS (partial least squares)

Consente di modellare senza condividere dataset grezzi.

Ma le SSD possono codificare solo relazioni lineari — tutto è condensato. Le SSD non possono conservare:

• interazioni non lineari
• eterogeneità
• soglie
• effetti locali
• cluster latenti

Per rilevare questi fenomeni è necessario usare il dataset completo.

Qui il ML moderno eccelle:

• modelli additivi
• modelli basati su alberi
• metodi kernel
• analisi di dati funzionali
• modelli ibridi meccanicistico-statistici

Le SSD non possono esprimere non-linearità. Di conseguenza:

• lineare ≠ sufficiente
• lineare ≠ realistico per dati biologici, operativi o industriali
• lineare ≠ a prova di futuro

I risultati ML sono ingressi per altri componenti:

• Expert Systems

Le regole possono incorporare soglie, cluster o categorie di rischio derivate dal ML.

• RAG-LLM

I risultati ML possono essere documentati e inseriti nell’archivio delle evidenze.

• Ottimizzazione (non IA)

Se necessario, le uscite ML possono alimentare procedure di ottimizzazione (es. programmazione lineare). Un Expert System può anche richiamare internamente logiche di ottimizzazione.

La Generative AI è il paradigma più recente, diventato noto con l’uscita di ChatGPT. A differenza del ML e degli ES, usa la modellazione del linguaggio invece di dati strutturati o regole esplicite.

Ma gli LLM non sono intrinsecamente affidabili. Necessitano di fondamento.

Per questo amsafis utilizza RAG come architettura obbligatoria:

• recupero di documenti o frammenti
• fornitura al modello
• generazione di risposte legate esplicitamente alle evidenze

• Usa LLM cloud (OpenAI, Anthropic, ecc.)
• Basso costo
• Infrastruttura minima
• Adeguata per chatbot informativi pubblici, manuali, informazioni di prodotto, ecc.

Richiesta quando i documenti non possono lasciare la sede (sanità, industria regolamentata, R&D).

Richiede:

• hardware locale (GPU)
• modello LLM locale (Mistral-7B, Llama-3 8B…)
• indice di recupero locale
• base di conoscenza locale

Il modello:

• non necessita conoscenza universale
• non contatta server esterni
• può funzionare offline
• richiede solo capacità sufficiente per interpretare i documenti dell’azienda

Se un’azienda non opera nell’aerospaziale, il modello non deve sapere nulla sul sistema solare. Il suo valore sta nel RAG, non nella conoscenza enciclopedica.

Un buon sistema RAG dipende da due componenti delicate:

1. Prompt dell’utente — come l’utente formula la domanda
2. Conoscenza scritta — come l’organizzazione redige e struttura i documenti

Questi devono *combaciare*.

In amsafis, la base di conoscenza è revisionata manualmente prima dell’indicizzazione per prevenire:

• definizioni ambigue
• regole sovrapposte
• interpretazioni indesiderate
• trappole lessicali che generano allucinazioni

Ciò equivale a una *prompt engineering dal lato dei dati*.

Gli Expert Systems sono il primo ramo dell’IA formalizzato come tale e rimangono insostituibili negli ambienti critici per la sicurezza.

Eseguono logica esplicita, non inferenza statistica e non ragionamento linguistico neurale.

Possono gestire:

• centinaia di regole
• logica multi-step
• eccezioni
• condizioni di sicurezza
• enforcement di protocolli
• ragionamenti troppo complessi per l’umano

Un clinico, ingegnere o operatore può sospettare un percorso inferenziale specifico. Un Expert System può essere programmato per fornire:

• conferme
• controesempi
• spiegazioni tracciabili

Questo genera una tracciabilità che i RAG-LLM non possono garantire.

Gli Expert Systems possono:

• leggere grandi dataset (migliaia di righe)
• applicare regole a ciascun caso
• generare segnali, allerte, categorie

Questi record non sono regole. Sono valutati dalle regole.

• Il ML produce pattern quantitativi → l’ES può incorporarli come soglie o nodi decisionali.
• Il RAG produce conoscenza narrativa → l’ES può usarla come descrizioni di dominio o vincoli contestuali.
• L’ES produce logica sistematizzata → il RAG può citarla; il ML può essere usato per testarla.

Questo chiude il ciclo fra le tre IA.

Amsafis ha sviluppato un livello di conoscenza eseguibile che consente di consultare modelli esperti in modo diretto e operativo.

Non è un chatbot né un’applicazione di IA generativa. È un servizio che espone conoscenza formalizzata affinché possa essere utilizzata da:

• persone (uso manuale)
• script e integrazioni
• software aziendale
• futuri sistemi di automazione o agenti

L’obiettivo è trasformare la conoscenza esperta in uno strumento eseguibile, tracciabile e riutilizzabile.

Oltre all’uso manuale disponibile tramite il sito web, il servizio può essere testato eseguendo comandi da strumenti gratuiti come:

• Git Bash
• Visual Studio Code (terminale integrato)

(Altre console possono funzionare, ma la sintassi può variare.)

Questi strumenti permettono di inviare richieste dirette al motore di conoscenza.

curl -X POST https://diseases-non-interactive.amsafis.com/mcp/dispatch \
 -H "Content-Type: application/json" \
 -d "{\"task\":\"diagnose\",\"payload\":{\"symptoms\":[\"Myopia\"]}}"

curl -X POST https://diseases-non-interactive.amsafis.com/mcp/dispatch \
 -H "Content-Type: application/json" \
 -d "{\"task\":\"intersect\",\"payload\":{\"disease_a\":\"biotinidase_deficiency\",\"disease_b\":\"holocarboxylase_synthetase_deficiency\"}}"

curl -X POST https://diseases-non-interactive.amsafis.com/mcp/dispatch \
 -H "Content-Type: application/json" \
 -d "{\"task\":\"review\",\"payload\":{\"disease\":\"biotinidase_deficiency\"}}"

La seguente query chiede se un indirizzo IP è un dato personale ai sensi del GDPR e se si applicano obblighi di compliance:

curl -s -X POST https://agent-gdpr.amsafis.com/mcp/dispatch \
  -H "Content-Type: application/json" \
  -d "{\"connector\": \"gdpr_check\", \"params\": {\"data\": \"ip_address\"}}"

La base di conoscenza codifica le regole di classificazione dei dati personali tratte dalla CNIL Developer's Guide, Sheet 1, fonte autorevole per l'identificazione dei dati personali in Europa.

Cinque connettori disponibili:

• gdpr_check — questo tipo di dato è un dato personale? Si applica il GDPR?
• gdpr_consent — richiede il consenso esplicito?
• gdpr_anonymous — è veramente anonimo?
• gdpr_pseudonym — è pseudonimizzato e quali sono le implicazioni?
• gdpr_query — avanzato: invia qualsiasi query Prolog direttamente

Elenco completo dei connettori e schema dei parametri:

curl https://agent-gdpr.amsafis.com/mcp/connectors

Questo ambiente costituisce un Knowledge Tool Provider: un componente riutilizzabile che può essere integrato in architetture più complesse senza perdere la trasparenza del modello né la governance della conoscenza.

La sezione precedente mostra come un servizio di conoscenza possa essere accessibile programmaticamente tramite una semplice chiamata curl basata sul Model Context Protocol (MCP).

Questo non è solo un dettaglio tecnico. Definisce come diversi componenti di IA possano essere connessi ed eseguiti come servizi interoperabili.

Un Agente si basa su questa capacità.

Invece di chiamare un singolo servizio, un Agente:

• interpreta una richiesta,
• seleziona i componenti appropriati,
• e coordina la loro esecuzione tramite interazioni strutturate come le chiamate MCP.

In questo contesto, il Model Context Protocol (MCP) fornisce un modo standardizzato per scambiare input e output strutturati tra componenti, consentendo:

• esecuzione riproducibile,
• interazioni tracciabili,
• e integrazione tra sistemi eterogenei.

Un Agente può combinare:

• sistemi esperti (ragionamento basato su regole),
• modelli di apprendimento automatico (previsione),
• e LLM (interpretazione e generazione),

utilizzando MCP come livello di comunicazione tra di essi.

Questo trasforma capacità isolate in un flusso di esecuzione coerente, in cui ogni componente contribuisce al risultato finale.

Per esempio:

• un LLM può interpretare una descrizione clinica,
• mapparla in concetti strutturati,
• attivare un servizio di conoscenza tramite una chiamata MCP,
• e integrare la risposta in un risultato finale.

Questo non è un nuovo pilastro dell’IA.

È un modo per operazionalizzare l’integrazione descritta nelle sezioni precedenti.

Nella pratica, ogni Agente è progettato per un caso d’uso specifico, con diversi livelli di complessità:

• pipeline semplici con orchestrazione minima,
• oppure processi multi-step che combinano ragionamento, previsione e recupero della conoscenza.

Questo approccio consente la transizione da:

• strumenti isolati

a

• sistemi decisionali integrati ed eseguibili.