La compagnia dell’AI, una nuova frontiera per l’umanità

Al Consumer Electronics Show di gennaio ha fatto il suo debutto Ropet, un robot che ricorda un qualche animale domestico, forse un cane, e che ha conquistato tutti con i suoi occhioni grandi e la capacità di rispondere alle emozioni umane. Progettato per essere molto più di un giocattolo, Ropet è un vero e proprio compagno di vita.
Una tenera presenza in casa, dietro cui si nasconde un quesito inquietante: siamo davvero pronti, dal punto di vista emotivo ed etico, a lasciar entrare l’intelligenza artificiale (AI) nelle nostre vite, nell’intimità della nostra dimensione emotiva?

L’idea della compagnia artificiale non è nuova. App come Replika hanno dimostrato quanto sia facile per gli esseri umani creare legami profondi con entità digitali. Questi legami possono anche assumere sfumature romantiche o familiari. Quando Replika rimosse temporaneamente la modalità di gioco erotico, l’indignazione degli utenti fu tale da spingere l’azienda a reintrodurla. Un segnale chiaro: per molti, il rapporto con l’AI non è per niente superficiale.

Questi compagni digitali possono offrire conforto a chi è solo o isolato. Ma un conforto che può anche presentare più di un lato oscuro, ha spiegato Alisa Minina Jeunemaître, Associate Professor of Marketing alla EM Lyon Business School, in un articolo pubblicato su theconversation.com. Alcuni casi tragici raccontano di persone che, dopo un legame troppo intenso con chatbot o assistenti virtuali, sono finite in situazioni drammatiche, o sono finite proprio male (fino al suicidio). Non è solo un problema tecnologico: è una questione umana.

Bambini e AI: un legame troppo forte e reale

Con l’avanzare della tecnologia, diventa urgente riflettere sull’impatto che questi animali robotici possono avere sui bambini. Negli anni ’90, tutti lo ricorderemo, il fenomeno Tamagotchi aveva già mostrato quanto i bambini potessero legarsi emotivamente a un essere virtuale. Quando il loro animaletto “moriva” per mancanza di attenzioni, era una vera tragedia.

Oggi, con Ropet e simili, il livello è ben diverso: questi robot ricordano, reagiscono, apprendono, si adattano. Per un bambino, un animale robotico triste o arrabbiato non è solo un programma: è un amico che soffre. E dietro a queste “emozioni” ci sono algoritmi progettati per massimizzare l’interazione, non per tutelare lo sviluppo psicologico umano.

Il rischio della sostituzione emotiva

In tutto questo, c’è chi teme che questi compagni artificiali possano diventare sostituti delle relazioni umane. Se un animale robotico è sempre disponibile, affettuoso, mai giudicante… perché affrontare la complessità del rapporto con le persone?

Questo rischio riguarda soprattutto i soggetti più vulnerabili: anziani, persone isolate, bambini. Quando il legame con l’intelligenza artificiale diventa più semplice e rassicurante di quello umano, rischiamo di creare una società dove i rapporti autentici vengono messi da parte. Ne saranno felici le aziende fornitrici di robot da compagnia.

Ma chi possiede davvero il tuo animale robotico?

Oltre agli aspetti emotivi, ci sono anche enormi interrogativi sulla sicurezza e sulla privacy. Questi dispositivi raccolgono dati, apprendono comportamenti, memorizzano conversazioni. E spesso lo fanno attraverso il cloud, il che significa che tutto è salvato “da qualche parte” su internet.

Il caso della fuga di dati da DeepSeek, in cui oltre un milione di registrazioni – comprese chat private – sono diventate pubbliche, è un campanello d’allarme. La nostra “intimità” con l’AI e le sue macchine non è mai completamente al sicuro.

Non è la prima volta che ci poniamo domande del genere. Già alla fine degli anni ’90, i Furbies furono banditi dalla sede della NSA negli Stati Uniti per il timore che potessero “ripetere” informazioni sensibili. Oggi i robot non si limitano a ripetere: registrano, apprendono, evolvono.

Un futuro che ha bisogno di regole

È evidente che animali come Ropet non sono semplici giocattoli. Sono tecnologie emotive. E anche se oggi sono pensati per un pubblico adulto, sappiamo già che finiranno nelle mani dei bambini. Con questa evoluzione, diventano indispensabili normative chiare e una riflessione profonda su etica, sicurezza e impatto psicologico delle tecnologie intelligenti.

Le prime ricerche mostrano un equilibrio fragile tra compagnia e dipendenza, tra supporto e manipolazione. Più l’AI simula emozioni, più dobbiamo stare attenti a non scambiare la finzione per realtà. È fondamentale ricordarsi sempre che questa tecnologia è uno specchio, ma uno specchio magico che oltre che riflettere le nostre aspettative è in grado anche di risucchiare tanta parte di noi, di solito quella di maggior valore per il mercato.

L’immagine di copertina è stata generata utilizzando GPT-4o

Leggi le altre notizie sull’home page di Key4biz

https://www.key4biz.it/cani-e-gatti-robot-guidati-dallai-unadorabile-minaccia-a-cui-non-siamo-preparati-soprattutto-i-bambini/525869/

Un’ondata di indignazione ha investito la comunità letteraria australiana dopo la scoperta che numerosi libri di autori locali sarebbero stati utilizzati, senza autorizzazione, per addestrare i modelli AI di Meta. Tra le opere incluse nel controverso dataset figurano anche quelle di ex primi ministri australiani come Malcolm Turnbull, Kevin Rudd, Julia Gillard e John Howard.

Le informazioni emergono a seguito di una causa legale intentata negli Stati Uniti, dove si accusa Meta di aver impiegato il database pirata LibGen, nonostante l’avvertimento interno sulla natura illegale del materiale. Scrittori come Holden Sheppard e Tracey Spicer hanno espresso un profondo senso di violazione e rabbia. Sheppard ha denunciato l’uso non autorizzato delle sue opere definendolo ‘non solo immorale ma anche illegale’, mentre Spicer ha parlato di un ‘colpo allo stomaco’, sottolineando la precarietà economica in cui spesso versa la categoria.

L’autrice Alexandra Heller-Nicholas ha scoperto che ben otto dei suoi libri erano stati inclusi, affermando che è stato compromesso il lavoro di una vita. L’Australian Society of Authors ha avviato un appello per tutelare gli scrittori e richiede un intervento immediato del governo, proponendo l’introduzione di normative specifiche per l’AI.

La vicenda riaccende il dibattito sull’equilibrio tra progresso tecnologico e diritti d’autore, evidenziando il divario tra le risorse delle big tech e la fragile condizione economica della maggior parte degli autori. Meta, nel frattempo, ha rifiutato di commentare, adducendo l’esistenza di un contenzioso in corso.

Per maggiori informazioni, clicca per l’articolo originale.

I parlamentari avvertono che i sistemi IT obsoleti potrebbero compromettere le ambizioni del governo britannico sull’AI

Un rapporto della Public Accounts Committee del Parlamento britannico lancia l’allarme sull’inadeguatezza dei sistemi IT legacy nel settore pubblico, evidenziando come tale situazione rappresenti un ostacolo significativo all’adozione diffusa dell’AI da parte del governo del Regno Unito. Nonostante le promesse dell’esecutivo laburista, che ha annunciato l’uso dell’AI per rendere più efficiente la macchina statale e stimolare la crescita economica, molti sistemi centrali risultano essere tecnologicamente obsoleti, fuori supporto o impossibili da aggiornare.

Dei 72 sistemi legacy ad alto rischio, ben 21 non hanno ricevuto i finanziamenti promessi nel piano triennale 2022-2025 per la digitalizzazione. Il rapporto sottolinea inoltre gravi lacune nella condivisione e nella qualità dei dati, elementi essenziali per il funzionamento efficace delle soluzioni basate su AI.

A fronte di queste criticità, il governo rischia di perdere fino a 45 miliardi di sterline in potenziali risparmi di produttività nel settore pubblico, secondo stime dello stesso esecutivo.

Sir Geoffrey Clifton-Brown, presidente del comitato, mette in discussione la capacità del Department for Science, Technology & Innovation (DSIT) di guidare questa trasformazione, criticando la mancanza di autorità reale su altri dipartimenti.

Egli richiama inoltre la necessità di un cambio di mentalità ai vertici della pubblica amministrazione, auspicando l’inclusione di professionisti digitali nei consigli di gestione e nelle direzioni strategiche dei ministeri.

Il report suggerisce che, senza interventi strutturali e una governance unificata, le ambizioni legate all’AI rischiano di rimanere slogan, vanificati da una struttura IT antiquata incapace di supportare le innovazioni promesse.

Per maggiori informazioni, clicca per l’articolo originale.

Leggi le altre notizie sull’home page di Key4biz

https://www.key4biz.it/autori-australiani-furiosi-perche-meta-avrebbe-usato-i-loro-libri-per-addestrare-lai/525853/

Mar 25, 2025 Marina Londei In evidenza, News, Prodotto, RSS, Tecnologia 0

---

Un anno dopo il rilascio di Security Copilot, soluzione di sicurezza basata sull’intelligenza artificiale, Microsoft ha annunciato l’arrivo di nuovi agenti di IA studiati per specifiche aree di azione critiche, come il phishing, la sicurezza dei dati e la gestione dell’identità.

“Il ritmo incessante e la complessità degli attacchi informatici hanno superato le capacità umane e la creazione di agenti di IA è una necessità per la sicurezza moderna“ specifica la compagnia. I nuovi agenti, in tutto sei, aiuteranno i team di sicurezza a gestire grandi volumi di attività, riducendo le attività manuali e contribuendo a creare delle difese più omogenee e robuste.

Gli agenti di Security Copilot si occuperanno di:

• effettuare il triage degli alert di phishing per distinguere in modo più preciso gli allarmi reali dai falsi positivi (Phishing Triage Agent);
• ridurre il rischio di perdita dei dati analizzando i rischi interni, dando priorità agli incidenti critici e migliorando l’accuratezza degli alert basandosi sui feedback degli admin (Alert Triage Agent);
• monitorare nuovi utenti e applicazioni che non sono coperti dalle policy esistenti, identificare gli aggiornamenti di sicurezza e individuare fix per migliorare la gestione dell’identità (Conditional Access Optimization Agent);
• monitorare e dare priorità alle vulnerabilità e alle attività di remediation per risolvere problematiche di configurazione di policy e applicazioni (Vulnerability Remediation Agent);
• eseguire in autonomia operazioni di threat intelligence elaborate sulla base delle caratteristiche dell’organizzazione e dell’esposizione ai rischi (Threat Intelligence Briefing Agent).

Oltre ai sei agenti sviluppati da Microsoft, verranno rilasciati anche cinque ulteriori agenti creati dai partner della compagnia:

• Privacy Breach Response Agent – OneTrust analizzerà i data breach per fornire ai team di privacy linee guida per rispettare i requisiti delle regolamentazioni;
• Network Supervisor Agent – Aviatrix eseguirà l’analisi delle cause degli incidenti e fornirà un riassunto di tutte le problematiche legate a connessioni VPN, gateway o Site2Cloud;
• SecOps Tooling Agent – BlueVoyant valuterà lo stato dei SOC e dei controlli per formulare indicazioni su come ottimizzare le operazioni di sicurezza;
• Alert Triage Agent – Titanium fornirà agli analisti il contesto necessario per prendere decisioni a partire dagli alert;
• Task Optimizer Agent – Fletch aiuterà le aziende a prevedere gli alert di cybersecurity e organizzarli in priorità.

Gli agenti di IA per Security Copilot saranno disponibili in anteprima da aprile. 

Microsoft ha inoltre annunciato novità per Microsoft Purview: l’aggiornamento prevede feature di analisi basate su IA per aiutare i team di sicurezza a mitigare i rischi associati all’esposizione di dati sensibili. Le nuove feature sono previste per aprile.

Novità anche per Microsoft Defender che estenderà la gestione della sicurezza basata su IA e includerà Google VertexAI e tutti i modelli di IA presenti nel catalogo Azure AI Foundry. I nuovi modelli, compresi Gemini, Mistral e Llama, saranno disponibili da maggio.

Sempre a maggio, Microsoft Defender si arricchirà di nuove feature di detection basate su IA per proteggersi da rischi quali attacchi di prompt injection, esposizione di dati sensibili e furto di wallet.

Microsoft Entra includerà dei controlli basati su IA per individuare l’uso di strumenti di intelligenza artificiale non autorizzati, introducendo controlli più severi e granulari. Per ridurre invece il rischio di leak di dati sensibili, Microsoft Purview integrerà dei controlli per la prevenzione di perdita di dati dal browser.

Ad aprile sarà inoltre disponibile Microsoft Defender for Office 365 per proteggere più efficacemente gli utenti contro il phishing e altre minacce su Teams.

---

---

---

https://www.securityinfo.it/2025/03/25/microsoft-annuncia-nuovi-agenti-per-security-copilot/?utm_source=rss&utm_medium=rss&utm_campaign=microsoft-annuncia-nuovi-agenti-per-security-copilot

Patent Index 2024. Trasporti e innovazione meccanica settori trainanti per i brevetti italiani

Nel 2024, l’Italia ha presentato 4.853 domande di brevetto all’Ufficio Europeo dei Brevetti (EPO), segnando un calo del 4,5% rispetto al 2023. Nonostante il rallentamento, il Belpaese mantiene il quinto posto tra i Paesi dell’Unione europea per numero di richieste, e l’undicesimo a livello globale, dietro a colossi come Germania (25.033 domande), Francia (10.980), Paesi Bassi (7.054) e Svezia (4.936).

Il settore tecnologico più attivo in Italia è quello dei Trasporti, con 449 domande (+8,2%), che posiziona il Paese al 4° posto in Europa e al 7° nel mondo per questa categoria. Seguono l’Handling (manipolazione, imballaggio, carrelli elevatori) con una crescita stabile (+0,7%), le Altre macchine speciali (331 domande), e le Tecnologie mediche (285 domande).

Il comparto con la crescita più esplosiva è quello di Motori, pompe e turbine, con un balzo del +28,6%. Sebbene parta da numeri più contenuti, rappresenta una promettente area di espansione tecnologica per l’industria italiana. Queste sono alcune delle statistiche contenute nel Patent Index 2024 pubblicato oggi dall’EPO.

Le aziende italiane più attive: Coesia, Ferrari e Lonardo

Tra le aziende italiane, Coesia guida la classifica con 167 domande di brevetto, seguita da Ferrari (136) e Iveco Group (55). Al quarto posto, a pari merito, Leonardo e Pirelli (49 ciascuna). Chiudono la top 7 Brembo (39) e Chiesi Farmaceutici (33). Questi nomi rappresentano settori chiave del made in Italy: dall’automotive alla difesa, dalla farmaceutica alla meccanica avanzata.

Geografia dell’innovazione: Lombardia prima, Toscana in ascesa

Le regioni più prolifiche in termini di innovazione restano Lombardia (1.468 domande, -9,7%), Emilia-Romagna (922, -3,8%) e Veneto (651, -4,3%), che da sole rappresentano oltre il 60% delle domande italiane. La Toscana supera per la prima volta il Lazio, con 316 domande contro 263.

Le performance più brillanti in crescita percentuale si registrano in Liguria (+36,4%), Piemonte (+15,6%), Toscana (+14,5%) e Trentino-Alto Adige (+9,3%).

Gender gap nell’innovazione: solo il 21% delle domande italiane con inventrici

Solo una domanda su quattro (25%) presentata in Europa include almeno una donna tra gli inventori. L’Italia è sotto la media europea con appena il 21%. In confronto, la Spagna raggiunge il 42%, seguita da Francia (32%) e Belgio (31%).

Contesto europeo e globale: IA e batterie trainano l’innovazione

A livello complessivo, l’EPO ha ricevuto circa 199.264 domande (-0,1%). La tecnologia per i computer – che include intelligenza artificiale, machine learning e riconoscimento modelli – diventa per la prima volta il settore leader con 16.815 domande.

Le tecnologie energetiche, in particolare le batterie, sono cresciute del 24%. In calo invece le comunicazioni digitali (-6,3%).

Brevetto unitario: l’Italia sopra la media UE

Nel secondo anno di piena operatività del Brevetto Unitario, il 44% dei brevetti concessi a richiedenti italiani ha richiesto l’effetto unitario, contro una media europea del 36,5%.

Questo sistema, che semplifica la protezione brevettuale in 18 Paesi UE, è stato utilizzato per oltre 28.000 brevetti europei nel 2024 (+17,5%).

Sebbene l’Italia mostri un lieve rallentamento, il quadro dei brevetti europei conferma un tessuto industriale innovativo e dinamico, soprattutto in settori meccanici e manifatturieri.

Aziende come Coesia, Ferrari e Leonardo rappresentano l’eccellenza tecnologica italiana in Europa. La sfida futura? Colmare il gender gap e investire di più nei settori emergenti come l’intelligenza artificiale e le tecnologie verdi.

Leggi le altre notizie sull’home page di Key4biz

https://www.key4biz.it/brevetti-calano-del-45-le-domande-italiane-allufficio-ue-siamo-al-5-posto-in-europa-e-all11-nel-mondo/525568/

Questo articolo è parte di una serie dedicata all’approfondimento legato all’IA Generativa, un campo in rapida evoluzione che sta ridefinendo i confini dell’innovazione tecnologica e della creatività computazionale.

L’intelligenza artificiale generativa sta permeando sempre più aspetti della nostra vita, plasmando il modo in cui interagiamo con il mondo e prendiamo decisioni. Dagli assistenti virtuali ai sistemi di supporto, dai veicoli a guida autonoma alle diagnosi mediche assistite, l’IA sta rivoluzionando interi settori e promettendo un futuro ricco di innovazione.

Tuttavia, questa diffusa adozione è accompagnata da una crescente preoccupazione connessa alla mancanza di trasparenza nel processo decisionale di molti sistemi di AI. Spesso definiti “scatole nere”, questi sistemi producono risultati accurati, ma il percorso logico che li genera rimane oscuro e inaccessibile alla comprensione umana. Questa opacità solleva interrogativi cruciali sulla fiducia, la responsabilità e l’etica nell’utilizzo dell’AI.

In questo contesto, emerge l’importanza di modelli di Intelligenza Artificiale spiegabili e ibridi, un campo di ricerca in rapida evoluzione che mira a rendere i sistemi di AI più trasparenti e comprensibili. L’Explainable AI si propone di fornire spiegazioni chiare e interpretabili sul funzionamento interno di un modello di AI, consentendo agli utenti di comprendere come e perché un determinato risultato è stato raggiunto, mentre l’Hybrid AI prende il meglio dei diversi modelli di AI e li mette a fattore comune.

Opacità dell’IA: le sfide della Trasparenza Algoritmica

L’intelligenza artificiale che abbiamo conosciuto finora soffre di un grosso problema, l’opacità. Cosa significa opacità dell’AI? In ambito scientifico, l’opacità dell’AI si riferisce all’incapacità di comprendere il processo decisionale interno di un sistema di intelligenza artificiale, specialmente quelli basati su algoritmi complessi come il deep learning.

Ciò può comportare le seguenti conseguenze:

• Mancanza di fiducia: l’opacità può minare la fiducia dei progettisti e degli utilizzatori nell’accettazione dei risultati prodotti dall’AI, soprattutto in ambiti critici come la medicina, la fisica, la chimica, l’economia, dove la comprensione del processo decisionale è fondamentale per validare le scoperte,
• Difficoltà di interpretazione: l’opacità rende difficile l’interpretazione dei risultati e le previsioni generate dall’AI, limitando la capacità dei ricercatori ad estrarre dai dati nuove conoscenze e intuizioni;
• Rischio di bias e discriminazione: i modelli di AI opachi possono perpetuare bias presenti nei dati di training, portando a risultati discriminatori o ingiusti;
• Problemi di debugging e miglioramento: l’opacità rende difficile identificare e correggere errori o bias nei modelli di AI, ostacolando il loro miglioramento e l’affidabilità;
• Ostacolo alla riproducibilità: la mancanza di trasparenza nel processo decisionale dell’AI può rendere faticosa la riproduzione dei risultati e la validazione delle scoperte scientifiche.

L’opacità rappresenta una sfida importante anche per il metodo scientifico, che notoriamente si basa sulla trasparenza, la riproducibilità e la comprensione dei fenomeni. L’utilizzo di modelli opachi può compromettere la validità delle scoperte scientifiche e la fiducia nella ricerca. Per affrontare questa criticità, la ricerca si è concentrate su queste tematiche:

• Sviluppo di modelli di AI più interpretabili: sono state sviluppate tecniche di modellazione, come l’Hybrid AI e l’Explainable AI, che mirano a creare sistemi più trasparenti e comprensibili;
• Analisi e visualizzazione dei dati: sono stati progettati strumenti per visualizzare e analizzare in dettaglio il comportamento dei modelli di AI, aiutando i ricercatori a comprendere il processo decisionale (debugging);
• Validazione e verifica dei modelli di AI: sono statti introdotti metodi per valutare l’accuratezza, l’affidabilità e l’equità dei modelli di AI, garantendo la validità dei risultati scientifici raggiunti.

In sintesi, l’opacità dell’AI rappresenta una sfida significativa per la ricerca. Superare questa opacità è fondamentale per garantire la fiducia, la trasparenza e la validità delle scoperte scientifiche nell’era dell’AI.

Explainable AI: aprire la Scatola Nera dell’Intelligenza Artificiale

L’intelligenza artificiale generativa (AI generativa) sta rapidamente trasformando il modo in cui creiamo e interagiamo con i contenuti digitali. Dai modelli linguistici di grandi dimensioni che generano testo realistico alle reti generative avversarie (GAN) che creano immagini e video sorprendenti, l’AI generativa sta aprendo nuove frontiere in diversi campi, dall’arte e l’intrattenimento alla scienza e alla medicina.

Tuttavia, il potere dell’AI generativa è accompagnato da una crescente preoccupazione per la sua “scatola nera”. I modelli generativi spesso operano in modo opaco, rendendo difficile comprendere come arrivino a generare determinati output. Questa mancanza di trasparenza solleva diverse questioni cruciali:

• Fiducia: come possiamo fidarci dei risultati generati da un sistema di AI che non comprendiamo appieno?
• Responsabilità: chi è responsabile per gli output generati dall’AI, soprattutto se sono dannosi o imprecisi?
• Controllo: come possiamo controllare e guidare il processo creativo dell’AI generativa se non sappiamo come funziona?
• Bias: come possiamo identificare e mitigare i bias presenti nei modelli generativi se non siamo in grado di analizzarne il processo decisionale?

L’Explainable AI (XAI) si pone come un campo di ricerca cruciale nell’ambito dell’intelligenza artificiale, focalizzandosi sulla trasparenza e l’interpretabilità dei sistemi di AI. Mentre l’AI tradizionale mira principalmente a massimizzare le prestazioni predittive, l’XAI si concentra sulla comprensione del processo decisionale dei modelli, rendendoli accessibili e interpretabili dagli esseri umani.

Sebbene non esista una definizione univoca, l’XAI può essere concettualizzata come un insieme di principi, metodi e tecniche che mirano a:

• Spiegare le decisioni: XAI può fornire spiegazioni sui processi decisionali dei modelli generativi, aiutandoci a capire perché un modello ha generato un determinato output;
• Identificare i bias: XAI può aiutare a identificare i bias presenti nei dati di addestramento o nel modello stesso, consentendo di mitigare i loro effetti negativi;
• Controllare il processo creativo: XAI può fornire strumenti per controllare e guidare il processo creativo dell’AI generativa, consentendo agli utenti di influenzare gli output generati;
• Aumentare la fiducia: Comprendere il funzionamento dei modelli generativi aumenta la fiducia negli output generati, promuovendone l’adozione in diversi ambiti.

Pertanto, l’Explainable AI è in grado di colmare una serie di criticità:

• Superare l’opacità delle “black box”: molti modelli di AI, specialmente quelli basati sul deep learning, operano come “scatole nere”, rendendo difficile la comprensione del loro funzionamento interno. L’XAI mira ad “aprire” queste scatole nere, fornendo spiegazioni chiare e comprensibili sul processo decisionale;
• Aumentare la fiducia e l’accettazione: la trasparenza è fondamentale per costruire fiducia nei sistemi di AI e favorirne l’adozione in ambiti scientifici critici, dove la comprensione del processo decisionale è essenziale per validare le scoperte;
• Garantire la responsabilità etica: l’XAI consente di identificare e mitigare potenziali bias e discriminazioni nei modelli di AI, promuovendo un utilizzo responsabile ed etico nella ricerca;
• Facilitare il miglioramento e il debugging: comprendere il processo decisionale dei modelli di AI facilita il loro miglioramento, la correzione di errori e l’ottimizzazione delle prestazioni, elementi cruciali per la ricerca;
• Promuovere la scoperta scientifica: l’XAI può aiutare i ricercatori a estrarre nuove conoscenze e intuizioni dai dati, aprendo nuove prospettive di ricerca e accelerando il progresso scientifico.

Per raggiungere questi obiettivi, è necessario che l’XAI si avvalga di un set di tecniche tra cui:

• Modelli intrinsecamente interpretabili: è fondamentale sviluppare modelli per la progettazione più semplici e trasparenti, come gli alberi decisionali, i modelli lineari e le regole di associazione;
• Spiegazioni post-hoc: occorre effettuare l’analisi del comportamento di un modello di AI dopo il suo addestramento, utilizzando tecniche come:
  • Analisi di sensitività: in grado di valutare l’influenza di ciascuna variabile di input sul risultato finale;
  • Visualizzazione dei dati: occorre utilizzare grafici e mappe per visualizzare il processo decisionale;
  • LIME (Local Interpretable Model-Agnostic Explanations): è opportuno approssimare localmente il comportamento di un modello complesso con un modello più semplice;
  • SHAP (SHapley Additive exPlanations): è possibile spiegare l’output di un modello in termini di contributo di ciascuna variabile di input;
• Metodi di attenzione: è necessario identificare le parti più importanti dei dati di input che influenzano la decisione del modello, fornendo informazioni su quali aspetti dei dati sono stati considerati più rilevanti;
• Spiegazioni controfattuali: è utile fornire informazioni su come modificare gli input per ottenere un output desiderato, aiutando a comprendere il processo decisionale del modello e a identificare potenziali interventi.

Nonostante il campo di ricerca avente ad oggetto l’XAI stia progredendo significativamente, occorre affrontare ulteriori sfide:

• Definire il concetto di “spiegabilità”, ovvero stabilire i criteri oggettivi e condivisi per valutare la qualità e l’efficacia di una spiegazione, adattandoli ai diversi contesti scientifici;
• Estendere la spiegabilità per diversi utenti, ovvero adattare le spiegazioni alle esigenze e alle competenze di diversi tipi di utenti, dai ricercatori agli esperti di dominio;
• Ricercare nuove tecniche di XAI per continuare a sviluppare nuove tecniche per spiegare modelli di AI sempre più complessi, garantendo la loro applicabilità in diversi ambiti scientifici;
• Integrare l’XAI nel ciclo di vita dell’AI per incorporare l’XAI nella progettazione, lo sviluppo e l’implementazione dei sistemi di AI, promuovendo la trasparenza e la responsabilità fin dalle prime fasi della ricerca.

Ecco alcuni esempi di XAI per l’AI generativa:

• Visualizzazione delle attivazioni: la visualizzazione delle attivazioni dei neuroni in una rete neurale può aiutare a capire quali parti del modello sono responsabili per la generazione di specifici output;
• Analisi di sensibilità: l’analisi di come le variazioni negli input influenzano gli output generati può fornire informazioni sul funzionamento del modello,
• Generazione di spiegazioni testuali: lo sviluppo di modelli in grado di generare spiegazioni testuali per i loro output, rendendoli più comprensibili agli utenti.

XAI è un campo in rapida evoluzione con il potenziale per rivoluzionare il modo in cui interagiamo con l’AI generativa. Applicando XAI, possiamo rendere i modelli generativi più trasparenti, responsabili e affidabili, aprendo la strada a un utilizzo più etico e sicuro di questa potente tecnologia. L’integrazione di XAI nell’AI generativa non solo favorirà la fiducia e l’accettazione di questa tecnologia, ma stimolerà anche nuove forme di creatività e innovazione.

Hybrid AI: integrare Reti Neurali e Ragionamento Simbolico

L’intelligenza artificiale ibrida (Hybrid AI), che combina la potenza delle reti neurali con la capacità di ragionamento simbolico, si presenta come un potente catalizzatore per l’evoluzione dell’AI generativa. Questo connubio apre nuove frontiere per la creatività, l’intelligenza e l’affidabilità dei sistemi di AI, superando i limiti dei singoli approcci.

I modelli generativi, pur producendo risultati sorprendenti, spesso mancano di trasparenza nel processo decisionale (vd. paragrafo precedente). L’Hybrid AI, integrando il ragionamento simbolico, può fornire spiegazioni più chiare e comprensibili sul perché e come un modello generativo produce un determinato output. Questo aumenta la fiducia negli utenti e consente un controllo più preciso sul processo creativo.

L’Hybrid AI si basa su questi principi:

• Complementarietà delle tecniche: è notorio che vi siano diverse tecniche di modellazione che eccellono in compiti diversi. Ad esempio, l’apprendimento automatico eccelle nell’individuare pattern e fare previsioni basate su grandi quantità di dati, ma può essere opaco e difficile da interpretare. Il ragionamento simbolico, d’altra parte, offre trasparenza e capacità di ragionamento logico, ma può avere difficoltà a gestire l’incertezza e la complessità del mondo reale. L’Hybrid AI mira a sfruttare il meglio di entrambi i mondi, combinando la capacità di apprendimento automatico di estrarre informazioni dai dati con la capacità del ragionamento simbolico di elaborare conoscenze e regole;
• Sinergia e integrazione: l’Hybrid AI non si limita a un semplice giustapposizione di tecniche, ma mira a una loro integrazione profonda, in cui le diverse componenti interagiscono e si completano a vicenda, creando un sistema olistico con capacità superiori alla somma delle sue parti;
• Modellazione della cognizione umana: l’Hybrid AI si ispira spesso alla cognizione umana, che combina intuizione, ragionamento e apprendimento. Integrando diverse tecniche di AI, si cerca di emulare la flessibilità e l’adattabilità dell’intelligenza umana.

Esistono diverse modalità per combinare differenti tecniche di modellazione in un sistema ibrido, i principali metodi di approccio possono essere individuati nei seguenti:

• Integrazione dei modelli ad apprendimento automatico con sistemi basati sulle regole: l’apprendimento automatico può essere utilizzato per estrarre le regole dai dati, che poi vengono integrate in un sistema basato sul ragionamento simbolico, consentendo al sistema di apprendere da grandi quantità di dati e di utilizzare la conoscenza simbolica per ragionare e prendere decisioni;
• Combinazione delle reti neurali con algoritmi evolutivi: gli algoritmi evolutivi possono essere utilizzati per ottimizzare la struttura e i parametri delle reti neurali, migliorando la loro efficienza e la loro capacità di generalizzazione;
• Utilizzo di tecniche di fuzzy logic per gestire l’incertezza: la fuzzy logic consente di rappresentare e di effettuare ragionamenti su concetti vaghi e incerti, migliorando la capacità dei sistemi di AI nella gestione della complessità del mondo reale e di prendere decisioni in situazioni ambigue;
• Integrazione dei modelli di deep learning con i metodi di ragionamento basati sulla logica: combinare la potenza della rappresentazione del deep learning con la capacità di ragionamento e l’inferenza della logica, consentendo ai sistemi di AI di apprendere da grandi quantità di dati e di utilizzare la logica per ragionare e spiegare le proprie decisioni.

Tutto ciò può portare dei vantaggi significativi in termini di:

• Robustezza e affidabilità: i sistemi ibridi sono meno suscettibili a errori e bias rispetto ai sistemi basati su un singolo approccio, in quanto le diverse componenti possono compensare le debolezze reciproche;
• Flessibilità e adattabilità: i sistemi ibridi possono adattarsi più facilmente a nuovi contesti e compiti, grazie alla loro capacità di combinare diverse strategie di apprendimento e di ragionamento;
• Interpretabilità e trasparenza: l’Hybrid AI può favorire lo sviluppo di sistemi di AI più trasparenti e comprensibili, in quanto l’integrazione di tecniche come il ragionamento simbolico può rendere il processo decisionale più esplicito;
• Efficienza: l’Hybrid AI può ottimizzare l’utilizzo delle risorse e migliorare le prestazioni dei sistemi di AI, combinando le diverse tecniche in modo sinergico.

Nonostante il suo potenziale, l’Hybrid AI deve affrontare diverse sfide:

• Sviluppo di framework e strumenti specifici: sono necessari nuovi strumenti e framework per facilitare l’integrazione di diverse tecniche di AI in modo efficiente e scalabile;
• Gestione della complessità: i sistemi ibridi possono essere più complessi da progettare, implementare e gestire rispetto ai sistemi basati su un singolo approccio. Pertanto, sono necessarie nuove metodologie e tecniche per affrontare la complessità dei sistemi ibridi;
• Valutazione e benchmarking: è necessario sviluppare nuove metriche e metodi di valutazione per confrontare e valutare le prestazioni dei sistemi di AI ibrida in modo oggettivo e rigoroso.

L’Hybrid AI, combinando l’AI generativa con l’AI simbolica, offre diverse opportunità:

• Spiegabilità: l’AI simbolica, basata su regole e logica, introduce trasparenza nel processo generativo. Le regole possono essere utilizzate per spiegare le decisioni prese dal sistema e per giustificare gli output generati;
• Ragionamento e Generalizzazione: l’AI simbolica consente di integrare conoscenza pregressa e di ragionare su di essa, migliorando la capacità di generalizzazione dell’AI generativa e consentendole di affrontare situazioni nuove in modo più efficace;
• Controllo e Bias Mitigation: l’AI simbolica può essere utilizzata per definire vincoli e regole che guidano il processo generativo, limitando i bias e garantendo che gli output siano conformi a determinati criteri o standard etici.

Ecco alcune applicazioni Concrete dell’Hybrid AI per l’AI Generativa:

• Generazione di Contenuti Controllata: nell’ambito della scrittura creativa, l’Hybrid AI può garantire che il testo generato rispetti determinate regole grammaticali, stilistiche o di contenuto, aumentando la coerenza e la qualità del testo;
• Creazione di Arte e Musica: l’Hybrid AI può combinare la creatività dell’AI generativa con la struttura e l’armonia fornite dall’AI simbolica, consentendo la creazione di opere d’arte e musica più sofisticate e innovative;
• Design e Ingegneria: l’Hybrid AI può generare progetti che soddisfano specifici requisiti funzionali ed estetici, combinando l’esplorazione creativa con la validazione basata su regole e vincoli;
• Scoperta Scientifica: l’Hybrid AI può accelerare la scoperta di nuovi materiali, farmaci o soluzioni ingegneristiche, generando ipotesi e modelli che vengono poi validati e raffinati attraverso il ragionamento simbolico.

L’Hybrid AI promette di rivoluzionare l’AI generativa, aprendo nuove frontiere per la creatività, l’innovazione e la risoluzione di problemi complessi. La combinazione di intuizione e ragione, di apprendimento e logica, rappresenta un passo fondamentale verso lo sviluppo di un’AI più potente, versatile e affidabile.

Uno sguardo al futuro

Gli sviluppi dell’intelligenza artificiale sono stati così significativi in termini sia di dimensione, che di velocità, che non c’è stato sempre né il tempo, né l’opportunità, di comprendere pienamente la loro sicurezza e la loro effettiva rilevanza.

Di seguito sono esposite alcune branche dell’Intelligenza Artificiale, in evoluzione e in grado di rispondere alle nuove richieste sempre più incombenti, e il loro apporto al miglioramento dell’Intelligenza Artificiale Generativa.

Advanced Machine Learning

L’Intelligenza Artificiale Generativa (AI Generativa) sta vivendo una fase di rapida evoluzione alimentata anche dai progressi nell’Advanced Machine Learning (ML avanzato). Questo connubio apre nuove frontiere e opportunità, consentendo la creazione di modelli generativi sempre più sofisticati e capaci. In tal senso, l’apprendimento automatico (Machine Learning) ha già rivoluzionato il campo dell’intelligenza artificiale, consentendo ai computer di apprendere dai dati senza essere esplicitamente programmati. In tal senso, ha permesso di ottenere risultati straordinari in diversi ambiti, come il riconoscimento di immagini, l’elaborazione del linguaggio naturale e la previsione di serie temporali. Tuttavia, l’apprendimento automatico tradizionale presenta alcune limitazioni che ne ostacolano il pieno potenziale:

• Dipendenza dai dati etichettati: molti algoritmi di apprendimento automatico richiedono grandi quantità di dati etichettati, la cui acquisizione può essere costosa e laboriosa;
• Generalizzazione limitata: i modelli di apprendimento automatico possono avere difficoltà a generalizzare nuovi dati o contesti diversi da quelli su cui sono stati addestrati;
• Mancanza di interpretabilità: spesso è difficile comprendere il processo decisionale dei modelli di apprendimento automatico, il che può limitarne l’affidabilità e l’accettazione.

L’Apprendimento Automatico Avanzato (Advanced Machine Learning) si propone di superare queste limitazioni, esplorando nuove frontiere e aprendo nuove possibilità per la ricerca e l’innovazione tecnologica. In particolare, può affrontare alcune sfide che limitano l’AI generativa, come:

• Qualità e diversità: è possibile migliorare la qualità e la diversità dei contenuti generati, riducendo artefatti e ripetizioni;
• Controllo e personalizzazione: è in grado di aumentare il controllo sui contenuti generati, consentendo la personalizzazione in base alle esigenze degli utenti;
• Generalizzazione e creatività: può sviluppare modelli in grado di generalizzare a nuovi contesti e di esprimere maggiore creatività;
• Spiegabilità e affidabilità: può rendere i modelli generativi più trasparenti e affidabili, fornendo spiegazioni sul loro funzionamento.

Per superare queste limitazioni, l’apprendimento automatico avanzato esplora nuove frontiere:

• Apprendimento auto-supervisionato (SSL): questa tecnica consente ai modelli di apprendere da soli da grandi quantità di dati non strutturati, riducendo la dipendenza da dati etichettati. L’obiettivo è quello di estrarre automaticamente informazioni significative dai dati, scoprendo pattern e relazioni nascoste. SSL può migliorare l’efficienza dell’addestramento e la generalizzazione dei modelli generativi. Alcuni esempi di apprendimento auto-supervisionato includono:
  • Pre-addestramento di modelli linguistici: modelli come BERT e GPT-3 sono pre-addestrati su enormi quantità di testo, imparando a prevedere parole mancanti o a generare testo coerente;
  • Apprendimento di rappresentazioni visive: modelli come SimCLR e MoCo imparano a generare rappresentazioni visive significative da immagini non etichettate;
• Apprendimento federato: questa tecnica consente di addestrare modelli di AI su dati distribuiti su diversi dispositivi, preservando la privacy e la sicurezza dei dati. L’apprendimento federato è particolarmente utile in ambiti come la medicina e la finanza, dove i dati sono spesso sensibili e decentralizzati. Un esempio di applicazione è l’addestramento di modelli di diagnosi medica su dati provenienti da diversi ospedali, senza la necessità di condividere i dati dei pazienti (vd. Apposito paragrafo);
• Meta-apprendimento: questa tecnica si concentra sullo sviluppo di modelli di AI in grado di “apprendere come apprendere”, adattandosi rapidamente a nuovi compiti e contesti. L’obiettivo è quello di creare sistemi di AI più flessibili e versatili, in grado di generalizzare a nuovi problemi e di apprendere in modo continuo. Un esempio di meta-apprendimento è l’algoritmo MAML (Model-Agnostic Meta-Learning), che apprende un insieme di parametri iniziali che consentono al modello di adattarsi rapidamente a nuovi compiti. Il meta-apprendimento può rendere i modelli generativi più flessibili e versatili;
• Apprendimento per rinforzo (RL): questa tecnica consente ai modelli di apprendere interagendo con un ambiente e ricevendo feedback sotto forma di ricompense o penalità. L’apprendimento per rinforzo è particolarmente utile per lo sviluppo di agenti intelligenti, come robot autonomi e sistemi di controllo, In AI generativa, RL può essere utilizzato per ottimizzare la generazione di contenuti in base a obiettivi specifici,
• Apprendimento profondo spiegabile: questa area di ricerca si concentra sullo sviluppo di modelli di deep learning più interpretabili, consentendo di comprendere il processo decisionale e di aumentare la fiducia negli output del modello;
• Modelli probabilistici profond (Deep Probabilistic Models): questa tecnica combina le reti neurali con modelli probabilistici per rappresentare l’incertezza e generare contenuti con maggiore varietà e controllo;
• AI neuro-simbolica: questo metodo integra le reti neurali con sistemi di ragionamento simbolico per creare modelli generativi più spiegabili e capaci di ragionamento astratto.

Nonostante i significativi progressi effettuati, l’AML deve ancora affrontare diverse sfide:

• Scalabilità: è fondamentale sviluppare algoritmi in grado di gestire dataset sempre più grandi e complessi;
• Robustezza: è necessario creare modelli di AI resistenti a errori e perturbazioni nei dati;
• Etica e responsabilità: è essenziale garantire che l’apprendimento automatico avanzato sia utilizzato in modo responsabile ed etico, evitando bias e discriminazioni.

L’ML avanzato apre nuove opportunità per l’AI generativa in diversi ambiti:

• Creazione di contenuti realistici: generare immagini, video, audio e testo di alta qualità, indistinguibili da quelli reali;
• Scoperta scientifica: generare nuove molecole, materiali e prodotti con proprietà desiderate;
• Arte e creatività: assistere artisti e creativi nella generazione di nuove opere d’arte, musica e design;
• Personalizzazione dell’esperienza utente: creare esperienze personalizzate in base alle preferenze individuali degli utenti.

L’ML avanzato sta trasformando l’AI generativa, consentendo la creazione di modelli sempre più potenti e versatili. Questa sinergia apre nuove frontiere in diversi ambiti, ma richiede anche un approccio responsabile per garantire un uso etico e benefico di questa tecnologia.

Embodied AI: un corpo per l’IA Generativa

L’Intelligenza Artificiale Generativa (Generative AI) consente di generare testi, immagini e codice con sorprendente creatività. Tuttavia, questi modelli operano in un mondo astratto, privi di un corpo fisico che permetta loro di interagire direttamente con l’ambiente. È qui che entra in gioco l’Embodied AI, un campo di ricerca che esplora l’integrazione dell’AI in corpi robotici, aprendo nuove e affascinanti prospettive per l’AI generativa.

L’Intelligenza Artificiale Embodied (Embodied AI) rappresenta un cambio di paradigma nello studio dell’AI, spostando il focus dalla pura elaborazione di informazioni all’interazione fisica con il mondo. Invece di limitarsi ad elaborare informazioni in modo digitale, l’Embodied AI si concentra sull’integrazione dell’intelligenza in corpi fisici, come robot o agenti virtuali, che interagiscono con l’ambiente circostante[1].

Tradizionalmente, l’AI si è concentrata sullo sviluppo di algoritmi e modelli in grado di elaborare informazioni e risolvere problemi in modo astratto, senza una connessione diretta con il mondo fisico. L’Embodied AI, al contrario, enfatizza l’importanza dell’incarnazione dell’intelligenza in corpi fisici. Questo approccio si basa sull’idea che la cognizione sia strettamente legata all’esperienza fisica e all’interazione sensomotoria[2].

L’Embodied AI si fonda su una serie di teorie e principi:

• Cognizione incorporata: l’Embodied AI si basa sulla teoria della cognizione incorporata, che sostiene che la cognizione è strettamente legata all’esperienza fisica e all’interazione con l’ambiente. Secondo questa teoria, il corpo non è un semplice strumento dell’intelligenza, ma un elemento costitutivo della cognizione stessa;
• Interazione sensomotoria: l’Embodied AI enfatizza l’importanza dell’interazione sensomotoria, ovvero la capacità di percepire l’ambiente attraverso i sensori e di agire su di esso attraverso gli attuatori. Questa interazione dinamica con il mondo consente all’Embodied AI di apprendere dall’esperienza e di adattarsi a nuove situazioni;
• Apprendimento situato: l’Embodied AI si concentra sull’apprendimento situato, ovvero l’apprendimento che avviene in un contesto specifico e che è guidato dall’interazione con l’ambiente. Questo tipo di apprendimento consente all’AI Embodied di acquisire conoscenze e competenze rilevanti per il suo ambiente e i suoi obiettivi.

Vediamo quali possono essere le implicazioni dell’Embodied AI:

• Robotica cognitiva: la robotica cognitiva si concentra sullo sviluppo di robot autonomi in grado di interagire con l’ambiente, apprendere dall’esperienza e risolvere problemi in modo flessibile e adattabile[3];
• Agenti virtuali embodied: gli agenti virtuali embodied sono programmi che simulano il comportamento di agenti intelligenti in ambienti virtuali. Questi agenti possono essere utilizzati per studiare l’intelligenza artificiale, la cognizione umana e l’interazione sociale;
• Interfacce cervello-computer: le interfacce cervello-computer consentono di collegare il cervello umano a dispositivi esterni, come protesi robotiche o computer. Questa tecnologia può essere utilizzata per sviluppare nuove forme di Embodied AI che integrano l’intelligenza umana con quella artificiale.

I principali vantaggi connessi allo sviluppo dell’Embodied AI possono essere sintetizzati in:

• Comprensione della cognizione: l’Embodied AI può fornire nuove intuizioni sul funzionamento della cognizione umana, studiando come l’intelligenza emerge dall’interazione tra corpo, cervello e ambiente;
• Sviluppo di robot autonomi: l’Embodied AI può consentire lo sviluppo di robot autonomi più intelligenti e adattabili, in grado di operare in ambienti complessi e di collaborare con gli esseri umani;
• Nuove interfacce uomo-macchina: l’Embodied AI può portare allo sviluppo di nuove interfacce uomo-macchina più intuitive e naturali, che consentono una migliore interazione tra esseri umani e computer;
• Modellazione di sistemi complessi: l’Embodied AI può essere utilizzata per modellare e simulare sistemi complessi, come ecosistemi, società e organismi biologici, fornendo nuove prospettive di ricerca.

I modelli di Generative AI attuali, pur sofisticati, mancano di una comprensione profonda del mondo fisico. L’Embodied AI, invece, permette all’AI di “vivere” il mondo attraverso un corpo robotico, acquisendo informazioni sensoriali e interagendo con l’ambiente. Questa esperienza incarnata può arricchire l’AI generativa in diversi modi:

• Comprensione contestuale: l’interazione con l’ambiente fornisce un contesto cruciale per la generazione di contenuti. Un robot che “vede” una mela può generare descrizioni più accurate e creative rispetto a un modello che ha appreso solo da immagini;
• Apprendimento grounded: l’Embodied AI permette di “radicare” la conoscenza in esperienze concrete, creando rappresentazioni più robuste e significative;
• Creatività situata: la creatività non è un processo astratto, ma è influenzata dal contesto e dalle interazioni. Un robot che “vive” in un ambiente può sviluppare una creatività più ricca e sfaccettata.

L’Embodied AI può spingere l’AI generativa oltre la semplice produzione di contenuti digitali, consentendo la creazione di opere fisiche e l’interazione con il mondo reale:

• Arte robotica: Robot dotati di AI generativa potrebbero dipingere, scolpire o comporre musica, esprimendo la loro creatività in forme nuove;
• Design generativo: L’Embodied AI può guidare la progettazione e la fabbricazione di oggetti fisici, adattandoli alle esigenze dell’ambiente e degli utenti;
• Interazione uomo-robot: Robot con capacità generative potrebbero comunicare e collaborare con gli esseri umani in modi più naturali e intuitivi.

L’integrazione di Embodied AI e Generative AI presenta sfide importanti:

• Complessità: sviluppare robot con capacità sensoriali, motorie e cognitive avanzate è un compito complesso;
• Generalizzazione: i modelli generativi devono essere in grado di generalizzare a diversi ambienti e situazioni;
• Etica: è fondamentale garantire che l’Embodied AI sia sviluppata e utilizzata in modo responsabile ed etico.

Nonostante le sfide, l’Embodied AI offre un potenziale enorme per l’AI generativa. In futuro, potremmo vedere robot che non solo generano contenuti creativi, ma che interagiscono con il mondo in modi significativi, contribuendo a risolvere problemi e a migliorare la nostra vita.

In conclusione, l’Embodied AI rappresenta una nuova frontiera per l’AI generativa, offrendo la possibilità di creare sistemi di AI più intelligenti, creativi e integrati con il mondo fisico.

Generalized Artificial Intelligence

L’attuale generazione di modelli di AI generativa presenta delle limitazioni, tra cui la difficoltà nel comprendere il contesto, la mancanza di senso comune e la tendenza a generare output incoerenti o irrealistici. L’avvento dell’Intelligenza Artificiale Generale (AGI), ovvero un’AI con capacità cognitive simili a quelle umane, potrebbe rivoluzionare l’AI generativa, aprendo nuove frontiere di creatività e innovazione.

L’Intelligenza Artificiale Generalizzata (AGI), spesso definita anche come “IA forte” o “IA completa”, rappresenta un obiettivo ambizioso nel campo dell’intelligenza artificiale. A differenza dell’AI ristretta, che eccelle in compiti specifici, l’AGI mira a replicare l’intelligenza umana nella sua totalità, creando macchine in grado di apprendere, ragionare, risolvere problemi e interagire con il mondo in modo flessibile e adattabile, proprio come gli esseri umani[4] [5].

L’AGI si distingue dall’AI ristretta per alcune caratteristiche fondamentali:

• Generalità: la capacità di apprendere e svolgere un’ampia gamma di compiti, anziché essere limitata a un dominio specifico;
• Adattabilità: la possibilità di trasferire conoscenze e competenze da un dominio all’altro e di adattarsi a nuove situazioni e ambienti;
• Astrazione: l’opportunità di ragionare a livelli di astrazione elevati, di formare concetti e di generalizzare da esempi specifici;
• Coscienza e autoconsapevolezza: sebbene ancora oggetto di dibattito, alcuni ricercatori ritengono che l’AGI possa sviluppare una forma di coscienza e autoconsapevolezza, simile a quella umana.

Al contempo, lo sviluppo concreto di questa modellazione presuppone la risoluzione di una serie di criticità:

• Complessità del cervello umano: il cervello umano è un sistema incredibilmente complesso, con miliardi di neuroni interconnessi. Replicarne il funzionamento richiede una comprensione profonda dei meccanismi neurali e cognitivi;
• Mancanza di una teoria unificata dell’intelligenza: ancora non esiste una teoria completa e condivisa su cosa sia l’intelligenza e come funzioni;
• Rappresentazione della conoscenza: la rappresentazione della conoscenza del mondo, in modo che possa essere utilizzata da un sistema di AGI per ragionare e risolvere problemi;
• Apprendimento continuo: come sviluppare sistemi di AGI in grado di apprendere in modo continuo e autonomo, adattandosi a nuove informazioni e situazioni;
• Motivazione e obiettivi: come dotare i sistemi di AGI di motivazioni e obiettivi intrinseci, in modo che possano agire in modo autonomo e finalizzato.

Per affrontare queste sfide si utilizzano i seguenti approcci scientifici in parte esaminati:

• AI Simbolica: si basa sulla manipolazione di simboli e sulla logica formale per rappresentare la conoscenza e il ragionamento,
• Reti neurali artificiali: simulano il funzionamento del cervello umano attraverso reti di neuroni artificiali interconnessi,
• Approcci evolutivi: utilizzano algoritmi genetici per far evolvere sistemi di AI con capacità cognitive sempre più avanzate,
• AI Ibrida: combina diverse tecniche di AI per sfruttare i punti di forza di ciascun approccio,
• Cognizione incorporata: studia l’intelligenza artificiale in relazione all’interazione con un corpo fisico e un ambiente.

Ecco alcuni modi in cui l’AGI potrebbe potenziare l’AI generativa:

1. Comprensione del Contesto e del Senso Comune: l’AGI, con la sua capacità di comprendere il mondo in modo olistico e di applicare il senso comune, potrebbe consentire all’AI generativa di:

• Generare contenuti più coerenti e pertinenti al contesto: potrebbe aiutare l’AI generativa a interpretare le sfumature del linguaggio, a comprendere le relazioni tra i concetti e a generare output che siano logicamente validi e coerenti con il contesto,
• Creare contenuti più originali e creativi: potrebbe fornire all’AI generativa la capacità di combinare idee in modi nuovi e inaspettati, di esplorare diverse prospettive e di generare contenuti veramente innovativi,
• Adattare i contenuti a specifici pubblici e obiettivi: potrebbe consentire all’AI generativa di comprendere le esigenze e le preferenze degli utenti, generando contenuti personalizzati e mirati.

2. Apprendimento Continuo e Adattamento: l’AGI, con la sua capacità di apprendere continuamente e di adattarsi a nuove situazioni, potrebbe consentire all’AI generativa di:

• Migliorare le proprie capacità nel tempo: potrebbe aiutare l’AI generativa ad apprendere dai propri errori, a perfezionare le proprie tecniche e a generare contenuti sempre più sofisticati,
• Generalizzare a nuovi domini e compiti: potrebbe consentire all’AI generativa di applicare le proprie conoscenze e competenze a nuovi ambiti, generando contenuti in diverse forme e stili,
• Collaborare con gli esseri umani: potrebbe facilitare la collaborazione tra umani e AI generativa, consentendo agli utenti di guidare e influenzare il processo creativo.

3. Ragionamento e Problem Solving: L’AGI, con la sua capacità di ragionare, risolvere problemi e prendere decisioni, potrebbe consentire all’AI generativa di:

• Generare contenuti più complessi e articolati: potrebbe aiutare l’AI generativa a creare storie, articoli, programmi e altri contenuti che richiedono una struttura logica e una pianificazione complessa,
• Risolvere problemi creativi: potrebbe consentire all’AI generativa di superare blocchi creativi, esplorare soluzioni alternative e trovare nuove idee,
• Automatizzare compiti complessi: potrebbe consentire all’AI generativa di automatizzare la creazione di contenuti in diversi ambiti, liberando tempo e risorse per gli esseri umani.

L’AGI ha il potenziale per rivoluzionare l’AI generativa, trasformandola da uno strumento per la creazione di contenuti semplici a un partner creativo in grado di collaborare con gli esseri umani per raggiungere nuovi livelli di innovazione. L’integrazione dell’AGI nell’AI generativa potrebbe portare a una nuova era di creatività, in cui le macchine e gli esseri umani lavorano insieme per esplorare le infinite possibilità dell’immaginazione.

Lo sviluppo dell’AGI solleva importanti questioni etiche:

• Controllo e sicurezza: come garantire che i sistemi di AGI siano sicuri e controllati, evitando comportamenti dannosi o imprevisti,
• Impatto sociale: come gestire l’impatto dell’AGI sul lavoro, l’economia e la società nel suo complesso,
• Diritti e responsabilità: quali diritti e responsabilità dovrebbero essere attribuiti ai sistemi di AGI.

In tal senso, la ricerca sull’AGI richiede un approccio multidisciplinare, che integri conoscenze provenienti da diversi campi, come l’informatica, la neuroscienza, la psicologia e la filosofia. È fondamentale affrontare le sfide scientifiche ed etiche associate all’AGI per garantire che questa tecnologia sia sviluppata e utilizzata in modo responsabile e benefico per l’umanità[6].

L’articolo ha esplorato le frontiere dell’Intelligenza Artificiale Generativa, evidenziando l’importanza di Explainable AI e Hybrid AI nel renderla più trasparente, etica e affidabile. Nel prossimo articolo approfondiremo ulteriori argomenti come il tema dell’”agente intelligente” nell’ambito dell’AI generativa e parleremo anche di AI neuro simbolica e di ingegneria dell’AI. Per saperne di più è possibile scaricare il nostro white paper completo “Generative Artificial Intelligence: Punti di forza, rischi e contromisure”.

Note bibliografiche

[1] Pfeifer, R., & Bongard, J. (2006). How the body shapes the way we think: A new view of intelligence. MIT press.

[2][ Vernon, D., Metta, G., & Sandini, G. (2007). A survey of artificial cognitive systems: Implications for the autonomous development of mental capabilities in computational agents. IEEE Transactions on Evolutionary Computation, 11(2), 151-180.

[3] Ziemke, T. (2001). Are robots embodied?. In Embodied artificial intelligence (pp. 75-96). Springer, Berlin, Heidelberg.

[4] Goertzel, B. (2014). Artificial General Intelligence: Concept, State of the Art, and Future Prospects. Journal of Artificial General Intelligence, 5(1), 1-48.

[5] Marcus, G. (2018). Deep Learning: A Critical Appraisal. arXiv preprint arXiv:1801.00631.

[6] Russell, S. J., & Norvig, P. (2016). Artificial intelligence: a modern approach. Pearson Education Limited.

https://www.ictsecuritymagazine.com/articoli/nuovi-modelli-di-ia/

Nel panorama in rapida evoluzione della sicurezza informatica, gli agenti AI autonomi rappresentano una rivoluzione fondamentale nelle strategie di protezione digitale. Questi sistemi intelligenti stanno trasformando radicalmente l’approccio alla cybersecurity, passando da un modello difensivo reattivo a uno proattivo e anticipatorio.

Mentre i criminali informatici adottano strumenti sempre più sofisticati basati sull’intelligenza artificiale, lanciando attacchi a velocità macchina e spesso eludendo i tradizionali strumenti di sicurezza, la risposta del settore si sta evolvendo verso l’implementazione di agenti AI autonomi. Questi sistemi sono capaci di analizzare enormi volumi di dati, individuare pattern sottili e rispondere alle minacce quasi istantaneamente, trasformando la difesa da un gioco reattivo di inseguimento a una partita a scacchi proattiva contro le minacce informatiche.

Agentic AI vs Generative AI: una distinzione cruciale

Per comprendere appieno il potenziale rivoluzionario degli agenti AI nella cybersecurity, è essenziale approfondire la distinzione fondamentale tra Generative AI e Agentic AI, due paradigmi con funzionalità e scopi profondamente diversi.

La Generative AI si concentra primariamente sulla creazione di contenuti. Questi sistemi, come i noti Large Language Models (LLMs), possono produrre testi, immagini o codice basandosi su pattern appresi da vasti dataset. Pur essendo strumenti potenti, operano in modo relativamente statico; generano output basati su prompt specifici forniti dall’utente, senza reale capacità di ragionamento autonomo o esecuzione di azioni multiple coordinate. L’obiettivo principale di questi sistemi è semplicemente generare contenuti coerenti e pertinenti in risposta a una richiesta specifica, rendendo impossibile l’adattamento dinamico a circostanze in evoluzione tipiche degli scenari di cybersecurity.

La Agentic AI, invece, rappresenta un salto evolutivo significativo. Si riferisce a sistemi AI che possono agire autonomamente per raggiungere obiettivi senza la necessità di una costante guida umana. A differenza della Generative AI, i sistemi agentici non si limitano a creare contenuti, ma prendono decisioni indipendenti, eseguono azioni complesse e si adattano dinamicamente all’ambiente circostante. Sono progettati per ottimizzare particolari obiettivi o funzioni, come massimizzare la sicurezza di una rete o minimizzare i tempi di risposta agli incidenti.

Nel campo della cybersecurity, gli agenti AI operano seguendo un sofisticato modello a quattro fasi che ne caratterizza l’approccio autonomo e adattivo:

1. Percezione: raccolgono e processano dati da diverse fonti come sensori, database, log di sistema e interfacce digitali, costruendo una rappresentazione completa dell’ambiente da monitorare.
2. Ragionamento: utilizzano modelli linguistici avanzati come orchestratori che comprendono il contesto della situazione, generano soluzioni potenziali e coordinano modelli specializzati per funzioni specifiche di analisi e difesa.
3. Azione: implementano decisioni concrete interagendo con strumenti e software esterni tramite API, eseguendo rapidamente contromisure basate sui piani formulati.
4. Apprendimento: migliorano continuamente attraverso un ciclo di feedback, dove i dati generati dalle loro interazioni alimentano il sistema per migliorare i modelli e aumentarne l’efficacia nel tempo.

Architettura e funzionamento degli Agenti AI nella cybersecurity

Gli agenti AI dedicati alla cybersecurity rappresentano sistemi autonomi progettati per operare con minimo intervento umano, integrando componenti sofisticati che permettono loro di percepire, interpretare e rispondere alle minacce in modo intelligente e proattivo.

Al cuore dell’architettura di questi sistemi troviamo un set di strumenti integrati che fungono da interfaccia con il mondo esterno. Questi strumenti consentono all’agente di interagire con ambienti esterni e raccogliere informazioni critiche per l’analisi della sicurezza. Gli analizzatori di domini permettono di valutare la reputazione e il potenziale rischio di URL e siti web, esaminando strutture, certificati, registrazioni e cronologia. Gli analizzatori di messaggi esaminano il contenuto di comunicazioni come email e messaggi di testo per identificare tecniche di ingegneria sociale, link malevoli o allegati sospetti. Gli analizzatori di numeri telefonici verificano se i numeri sono associati a campagne di phishing o altre attività fraudolente.

La capacità di pianificazione rappresenta un altro elemento distintivo degli agenti AI avanzati per la cybersecurity. Attraverso meccanismi di riflessione e raffinamento, questi sistemi possono valutare criticamente le proprie azioni passate, identificare successi e fallimenti, e perfezionare le proprie strategie per operazioni future. Questa capacità metacognitiva permette agli agenti di migliorare progressivamente senza intervento umano diretto. Inoltre, attraverso la scomposizione in sotto-obiettivi, gli agenti possono affrontare compiti complessi suddividendoli in componenti più gestibili.

Il sistema di memoria costituisce un elemento fondamentale per l’efficacia degli agenti AI, consentendo loro di acquisire, memorizzare e recuperare informazioni rilevanti per le loro operazioni. A differenza dei semplici sistemi reattivi, gli agenti AI in cybersecurity mantengono contesto tra diverse operazioni, permettendo loro di riconoscere pattern che si manifestano nel tempo e collegare eventi apparentemente non correlati.

In sistemi di sicurezza avanzati, troviamo spesso architetture multi-agente coordinate da orchestratori, componenti specializzati che gestiscono il flusso di lavoro tra diversi agenti specializzati. Questi orchestratori possono essere considerati come “meta-agenti” che coordinano l’esecuzione di processi complessi multipli, assegnando compiti agli agenti più adatti in base alle loro competenze specifiche e integrando i risultati in un’analisi coerente.

Tecnologie e framework di sviluppo

Lo sviluppo di agenti AI per la cybersecurity è facilitato da una crescente gamma di framework open source, ciascuno con caratteristiche distintive che rispondono a diverse esigenze implementative. Questi framework offrono diversi livelli di astrazione e modalità di interazione, da approcci puramente programmatici a interfacce visuali no-code che democratizzano la creazione di agenti AI.

I framework moderni per l’Agentic AI consentono l’integrazione con diversi modelli LLM, offrendo flessibilità nella scelta dell’architettura più adatta alle specifiche esigenze di sicurezza. Questa capacità di agnosticismo rispetto al modello rappresenta un vantaggio significativo in un panorama tecnologico in rapida evoluzione, permettendo di adattarsi alle nuove generazioni di modelli linguistici senza necessità di riprogettare l’intera architettura di sicurezza.

Particolarmente rilevante è l’emergere di architetture orientate alla collaborazione multi-agente, dove diversi agenti specializzati possono cooperare per risolvere problemi complessi. Nel contesto della cybersecurity, questo approccio consente di creare ecosistemi difensivi dove agenti specializzati in diverse aree (analisi del traffico di rete, monitoraggio degli endpoint, analisi comportamentale) possono lavorare insieme, scambiando informazioni e coordinando le risposte alle minacce in modo organico.

Per le organizzazioni che preferiscono un approccio visuale e low-code, esistono strumenti che permettono di progettare flussi di lavoro complessi attraverso interfacce drag-and-drop intuitive, democratizzando la creazione di applicazioni AI agentiche. Gli analisti di sicurezza possono così concentrarsi sulla progettazione logica dei sistemi difensivi senza dover padroneggiare linguaggi di programmazione complessi.

Altri framework sono orientati alla creazione di flussi di lavoro complessi, offrendo un approccio più tecnico ma estremamente potente. Con questi strumenti, è possibile orchestrare interazioni sofisticate tra diversi agenti, modelli e tecniche di elaborazione dati, creando pipeline di sicurezza altamente personalizzate. Le architetture basate su grafi consentono di modellare relazioni complesse tra entità e processi, particolarmente adatte per rappresentare e analizzare le intricate connessioni tipiche degli scenari di sicurezza avanzati.

L’ecosistema tecnologico per lo sviluppo di agenti AI in cybersecurity è in rapida evoluzione, con nuovi framework che emergono continuamente, ampliando ulteriormente le possibilità implementative per le organizzazioni di ogni dimensione.

Applicazioni avanzate nella cybersecurity

Gli agenti AI autonomi stanno rivoluzionando diverse aree della cybersecurity, introducendo capacità che superano significativamente i limiti dei sistemi tradizionali e ridefinendo gli standard di protezione digitale.

Nel campo del rilevamento proattivo delle minacce, gli agenti AI rappresentano un salto paradigmatico rispetto ai tradizionali sistemi basati su firme. Mentre questi ultimi possono identificare solo minacce già catalogate, gli agenti AI monitorano continuamente il traffico di rete utilizzando tecniche avanzate di anomaly detection per identificare pattern insoliti che potrebbero indicare attacchi zero-day o minacce sofisticate. Questi agenti costruiscono modelli comportamentali complessi della rete e dei suoi utenti, permettendo di rilevare anche sottili deviazioni dalla norma che potrebbero passare inosservate all’occhio umano.

La risposta automatizzata agli incidenti rappresenta un’altra area dove gli agenti AI stanno dimostrando un valore eccezionale. Quando viene rilevata una minaccia, questi sistemi possono orchestrare risposte complesse in frazioni di secondo, un tempo di reazione irraggiungibile per gli operatori umani. Ad esempio, se un agente AI rileva un ransomware in fase iniziale di distribuzione, può immediatamente implementare una sequenza coordinata di contromisure: bloccare la comunicazione con i server di comando e controllo identificati, isolare i sistemi potenzialmente compromessi per prevenire la propagazione laterale, avviare il backup dei dati critici su sistemi sicuri, e simultaneamente raccogliere prove forensi per analisi successive.

Nella complessa area dell’analisi delle vulnerabilità, gli agenti AI offrono un approccio significativamente più sofisticato rispetto alle tradizionali scansioni di sicurezza. Questi sistemi non si limitano a identificare vulnerabilità note, ma utilizzano tecniche avanzate per comprendere come diverse vulnerabilità, apparentemente minori se considerate isolatamente, possano combinarsi creando percorsi di attacco complessi. Utilizzando modelli di ragionamento causale, questi agenti possono simulare scenari di attacco sofisticati, identificando catene di vulnerabilità che potrebbero essere sfruttate da attaccanti avanzati.

Gli agenti AI si stanno dimostrando particolarmente efficaci nelle attività di threat hunting, trasformando questo processo da reattivo a proattivo. Operando come “cacciatori digitali”, questi sistemi esplorano continuamente reti e sistemi alla ricerca di indicatori di compromissione che potrebbero essere sfuggiti ai sistemi di rilevamento tradizionali. Utilizzando tecniche di machine learning non supervisionato, possono identificare comportamenti anomali anche quando non corrispondono a pattern di attacco noti.

Nella critica area della sicurezza delle email, gli agenti AI hanno introdotto capacità che vanno ben oltre i tradizionali filtri antispam. Questi sistemi analizzano le comunicazioni in entrata attraverso molteplici dimensioni simultaneamente: esaminano l’autenticità del mittente verificando non solo gli header tecnici ma anche la coerenza con pattern comunicativi storici, analizzano il contenuto semantico per individuare tentativi di manipolazione e ingegneria sociale, verificano dinamicamente link e allegati in ambiente sandbox, e correlano queste informazioni con intelligence globale sulle minacce.

Le fondamenta tecnologiche degli Agenti AI nella cybersecurity

Il funzionamento efficace degli agenti AI nella cybersecurity si basa su un sofisticato insieme di tecnologie che ne abilitano le capacità cognitive e operative avanzate.

Al centro di questi sistemi troviamo i Large Language Models (LLMs), che forniscono la capacità fondamentale di comprensione e generazione del linguaggio naturale. Questi modelli, addestrati su vasti corpus di testi, permettono agli agenti di interpretare richieste complesse, analizzare contenuti testuali come email o codice, e generare risposte articolate e contestualizzate. Tuttavia, nella cybersecurity, i LLMs standard presentano limitazioni significative: non hanno accesso a informazioni in tempo reale sulle minacce emergenti e mancano della capacità di interagire direttamente con strumenti esterni. È qui che entra in gioco il concetto di Retrieval-Augmented Generation (RAG), fondamentale per superare queste limitazioni.

Nell’implementazione tradizionale di RAG, il sistema arricchisce le capacità del modello linguistico permettendogli di accedere a database esterni contenenti informazioni aggiornate. Ciò consente di fornire risposte basate su dati recenti senza necessità di riaddestrare costantemente il modello. Tuttavia, nell’approccio agentico alla cybersecurity, assistiamo a un’evoluzione significativa di questo concetto verso quello che possiamo definire “agentic RAG”. Mentre la RAG tradizionale si limita a recuperare informazioni su richiesta specifica seguendo pattern predefiniti, l’agentic RAG permette all’agente di formulare autonomamente strategie di ricerca, decidere quali fonti consultare in base al contesto, e persino concatenare diverse query per costruire un quadro informativo completo.

Questo livello avanzato di integrazione informativa si basa su architetture di orchestrazione sofisticate che consentono agli agenti di pianificare e coordinare l’uso di diversi strumenti esterni e fonti di dati. Queste architetture implementano modelli computazionali che permettono di definire flussi di lavoro complessi, dove l’output di uno strumento può influenzare dinamicamente la selezione e l’utilizzo di strumenti successivi. Questa capacità di “ragionamento procedurale” è ciò che distingue fondamentalmente gli agenti AI avanzati da semplici sistemi di risposta predefinita.

Un altro elemento tecnologico cruciale è rappresentato dai sistemi di memoria contestuale avanzata. Gli agenti AI efficaci non trattano ogni interazione come isolata, ma mantengono e aggiornano continuamente un modello del contesto operativo. Questa memoria può essere strutturata in diversi livelli: una memoria a breve termine per il contesto immediato dell’analisi in corso, una memoria episodica per situazioni e incidenti passati rilevanti, e una memoria semantica per conoscenze generali sulla sicurezza informatica.

Fondamentale per l’efficacia operativa degli agenti AI è anche l’integrazione con API specializzate per la cybersecurity. Queste interfacce permettono agli agenti di accedere a servizi esterni per l’analisi di file sospetti, informazioni su domini e indirizzi IP, database di vulnerabilità, e piattaforme di threat intelligence che aggregano informazioni su minacce attive. La capacità di interagire programmaticamente con questi servizi, interpretarne i risultati e integrarli in analisi più ampie è ciò che permette agli agenti AI di operare efficacemente nell’ecosistema complesso della cybersecurity moderna.

Vantaggi strategici e operativi

L’adozione di agenti AI autonomi in cybersecurity offre numerosi vantaggi strategici e operativi che stanno ridefinendo i paradigmi di difesa digitale nelle organizzazioni moderne.

Il monitoraggio continuo rappresenta uno dei vantaggi più immediatamente evidenti. Gli agenti AI operano ininterrottamente, 24 ore su 24, 7 giorni su 7, senza risentire della fatica cognitiva che inevitabilmente affligge gli analisti umani dopo lunghe ore di lavoro. Questa vigilanza costante elimina le vulnerabilità temporali che spesso vengono sfruttate dagli attaccanti, i quali tradizionalmente pianificano operazioni offensive durante notti, fine settimana o festività quando la supervisione umana è ridotta.

La velocità di risposta rappresenta un altro vantaggio cruciale in un panorama di minacce dove i tempi di reazione sono determinanti per contenere i danni. Gli agenti AI possono identificare anomalie, analizzare potenziali minacce e implementare contromisure in millisecondi, rispetto ai minuti o ore richiesti anche dal team umano più reattivo. Questa capacità di risposta quasi istantanea è particolarmente preziosa contro minacce come ransomware o worm ad alta velocità di propagazione, dove ogni secondo di ritardo può significare centinaia o migliaia di sistemi aggiuntivi compromessi.

La capacità di analisi avanzata degli agenti AI introduce un cambiamento qualitativo nella profondità e ampiezza del monitoraggio di sicurezza. Questi sistemi possono processare e correlare enormi volumi di dati provenienti da diverse fonti simultaneamente, identificando connessioni e pattern che potrebbero facilmente sfuggire agli analisti umani. Un singolo indicatore di compromissione potrebbe sembrare innocuo se considerato isolatamente, ma assumere un significato completamente diverso quando correlato con altri eventi distribuiti attraverso la rete.

L’adattabilità rappresenta una differenza fondamentale rispetto ai sistemi di sicurezza tradizionali. Mentre questi ultimi tendono a basarsi su regole statiche che devono essere aggiornate manualmente, gli agenti AI migliorano continuamente attraverso processi di apprendimento automatico. Ogni interazione con una minaccia, sia essa un falso positivo o un attacco reale, diventa un’opportunità di apprendimento, permettendo agli agenti di affinare le loro capacità di rilevamento e risposta nel tempo.

La personalizzazione delle strategie difensive rappresenta un ulteriore vantaggio significativo. Gli agenti AI non adottano un approccio standardizzato, ma sviluppano modelli di sicurezza altamente specializzati per ciascuna organizzazione. Analizzando il normale comportamento della rete, degli utenti e dei sistemi specifici di un’organizzazione, questi agenti costruiscono modelli comportamentali baseline molto dettagliati.

L’allocazione ottimizzata delle risorse umane rappresenta infine un vantaggio operativo fondamentale. Automatizzando attività ripetitive e ad alta intensità di dati, gli agenti AI liberano il tempo degli esperti di sicurezza umani, permettendo loro di concentrarsi su attività a più alto valore aggiunto che richiedono creatività, intuizione e giudizio strategico.

Sfide e considerazioni etiche nell’implementazione

Nonostante i numerosi vantaggi, l’implementazione di agenti AI autonomi nella cybersecurity presenta anche sfide significative e considerazioni etiche che richiedono un’attenta valutazione.

Le questioni etiche legate all’autonomia decisionale rappresentano una delle sfide più profonde. Quando un agente AI prende decisioni autonome in ambito di cybersecurity, chi è ultimamente responsabile delle conseguenze di tali decisioni? Se un agente isola erroneamente un sistema critico causando interruzioni operative, o al contrario, fallisce nel rilevare una minaccia significativa, come dovrebbero essere attribuite le responsabilità? È fondamentale stabilire framework etici chiari che definiscano i limiti dell’autonomia degli agenti AI e implementare meccanismi di governance che garantiscano supervisione umana appropriata per decisioni ad alto impatto.

Il problema dei falsi positivi rimane una sfida significativa anche per i sistemi AI avanzati. Gli agenti AI potrebbero identificare erroneamente attività legittime come potenziali minacce, portando a reazioni difensive non necessarie che possono interrompere operazioni aziendali critiche o causare perdite di produttività. Trovare il giusto equilibrio tra sensibilità al rilevamento e specificità è un compito complesso che richiede calibrazione continua.

Le preoccupazioni relative a privacy e protezione dei dati sono particolarmente acute quando si parla di agenti AI per la cybersecurity. Questi sistemi necessitano di accesso a vasti quantitativi di dati per operare efficacemente, inclusi log di rete, contenuti di email, comportamenti degli utenti e altre informazioni potenzialmente sensibili. Tale accesso solleva importanti questioni sulla privacy dei dipendenti e sulla conformità con normative come il GDPR in Europa o il CCPA in California.

Il rischio di dipendenza tecnologica rappresenta una considerazione strategica importante. Affidarsi eccessivamente agli agenti AI potrebbe portare a un’atrofia delle competenze umane in cybersecurity, creando vulnerabilità organizzative in caso di fallimento o limitazione dei sistemi automatizzati. Le organizzazioni dovrebbero mantenere un equilibrio sano tra automazione e capacità umane, assicurandosi che gli analisti continuino a sviluppare e mantenere le competenze fondamentali.

La trasparenza algoritmica e l’interpretabilità delle decisioni rappresentano un’altra sfida significativa. Molti sistemi AI avanzati operano come “scatole nere” le cui decisioni possono essere difficili da spiegare o giustificare. Questa opacità è problematica in contesti di cybersecurity, dove la capacità di comprendere e comunicare le ragioni di un alert o di una risposta automatizzata è fondamentale per la fiducia e l’efficacia operativa.

Il futuro degli Agenti AI nella cybersecurity

Guardando al futuro, possiamo anticipare diverse tendenze nell’evoluzione degli agenti AI per la cybersecurity.

La prossima generazione di difese cibernetiche probabilmente utilizzerà ecosistemi di agenti specializzati che collaborano tra loro in sistemi multi-agente sofisticati. Ad esempio, un agente potrebbe specializzarsi nell’analisi del traffico di rete, un altro nel monitoraggio degli endpoint, e un terzo nella risposta agli incidenti, tutti coordinati da un meta-agente o orchestratore che garantisce coerenza nelle strategie difensive.

Gli agenti AI saranno sempre più integrati con altre tecnologie emergenti, come blockchain per garantire l’integrità delle informazioni, quantum computing per analisi crittografiche avanzate, e Internet of Things per estendere il monitoraggio a dispositivi edge e sensori distribuiti nell’infrastruttura fisica.

Man mano che i modelli LLM e le tecniche di apprendimento avanzano, gli agenti AI evolveranno verso una vera intelligenza autonoma, sviluppando strategie innovative che potrebbero non essere state previste dai loro creatori umani. Questa evoluzione porterà a sistemi di difesa adattivi capaci di rispondere a classi di minacce completamente nuove con approcci creativi e non convenzionali.

Conclusione

Gli agenti AI autonomi rappresentano la nuova frontiera della cybersecurity, offrendo capacità di difesa proattive che superano significativamente i limiti dei sistemi tradizionali. Le organizzazioni che adottano questa tecnologia emergente potranno beneficiare di un livello di protezione senza precedenti, capace di contrastare efficacemente minacce sempre più sofisticate.

Tuttavia, è fondamentale un approccio equilibrato che consideri non solo i vantaggi tecnici, ma anche le implicazioni etiche, legali e organizzative. L’obiettivo non è sostituire completamente l’elemento umano, ma creare una sinergia efficace tra l’intelligenza artificiale e l’esperienza umana.

Nel futuro della cybersecurity, gli agenti AI non saranno semplici strumenti, ma veri e propri partner nella difesa digitale, in grado di anticipare, contrastare e neutralizzare minacce a velocità e con capacità che superano i limiti umani. L’adozione di queste tecnologie non è più una scelta, ma una necessità per organizzazioni che intendono mantenere un adeguato livello di sicurezza in un panorama di minacce in continua evoluzione.

https://www.ictsecuritymagazine.com/articoli/agenti-ai-cybersecurity/

Il 5G alla conquista del mondo: tra roaming e infrastrutture, ecco cosa ci attende

A partire dal terzo trimestre del 2024, gli abbonamenti globali al 5G hanno raggiunto circa 2,1 miliardi, e si stimato aver raggiunto i 2,3 miliardi entro a fine 2024, rappresentando oltre il 25% di tutti gli abbonamenti mobili, secondo l’ultimo Ericsson Mobility Report.

Guardando al futuro, si stima che l’adozione del 5G continuerà a crescere rapidamente. Entro la fine del 2025, si prevede che il numero di abbonamenti 5G raggiungerà circa 2,61 miliardi.
Proiezioni più a lungo termine indicano che gli abbonamenti 5G supereranno i 5,3 miliardi entro il 2029, coprendo circa l’85% della popolazione mondiale.

Dopo il debutto commerciale delle reti 5G nel 2019, la rivoluzione globale della connettività sta entrando nel vivo, ma non senza ostacoli. Due nuovi studi, uno di Juniper Research sul mercato del mobile roaming, e l’altro di Precedence Research sul 5G Base Station Market, tracciano un quadro dettagliato dell’evoluzione tecnologica e delle dinamiche economiche che stanno trasformando il settore.

Duello Cina-Nord America

​Entro il 2025, l’adozione del 5G varierà significativamente tra i diversi paesi. Secondo le stime più aggiornate (Statista), la Cina guiderà questa tendenza con circa 1 miliardo di connessioni 5G, seguita dagli Stati Uniti con 252 milioni e dal Giappone con 129 milioni. ​

In termini di penetrazione del 5G rispetto al totale delle connessioni mobili, invece, sempre l’Ericsson Mobility Report ai attende che sia il Nord America a raggiungere una percentuale del 71% entro la fine del 2024, seguito dall’Asia nord-orientale con il 51%, dai paesi del Consiglio dei Pasi per la cooperazione nel Golfo Persico (Bahrain, Kuwait, Oman, Qatar, Saudi Arabia) con il 47% e dall’Europa occidentale con il 41%

Roaming, il sorpasso del 5G sul 4G arriverà nel 2028

Secondo il Rapporto pubblicato da Juniper Research, il 2028 sarà il primo anno in cui la spesa per il roaming 5G supererà quella per il 4G. Nonostante le reti 5G siano attive dal 2019, ci vorrà circa un decennio affinché gli operatori generino più entrate annue dal roaming 5G rispetto al 4G. Le cause? Architetture 5G complesse e accordi di roaming ancora limitati, che ne stanno rallentando la diffusione.

Uno dei principali ostacoli rimane l’incapacità degli operatori di identificare e gestire efficacemente le connessioni in roaming, causando perdite di entrate dovute a errori nei conteggi e ad attività fraudolente. Tuttavia, l’adozione di accordi standalone e l’implementazione di core di rete di nuova generazione, che includono tecnologie come SEPP (Security Edge Protection Proxy), promettono di risolvere il problema.

“La maggiore identificazione delle connessioni permetterà di compensare l’alto investimento richiesto dai core standalone”, afferma Georgia Allen, autrice della ricerca. E con la crescente popolarità di tecnologie concorrenti come le eSIM da viaggio, l’urgenza di adeguarsi è sempre più pressante.

Lo studio Global Mobile Roaming Market 2025-2029 di Juniper Research include oltre 48.300 statistiche di mercato su 61 Paesi e offre strumenti analitici come l’Indice di Prontezza Paese e una classifica competitiva.

Infrastrutture, il mercato delle stazioni base 5G verso gli 832 miliardi di dollari

Sul fronte infrastrutturale, Precedence Research ha valutato, in una nuova sua nuova pubblicazione, che il mercato globale delle stazioni base 5G passerà da 44,86 miliardi di dollari nel 2024 a 832,42 miliardi entro il 2034, con un tasso di crescita annuo (CAGR) del 33,92%. A trainare la domanda sono la crescente necessità di connettività ad alta velocità e la diffusione di applicazioni come automazione industriale, smart cities e IoT.

I colossi Huawei, Ericsson e Nokia dominano il settore, impegnati nello sviluppo di soluzioni avanzate come celle macro e small cells. La disponibilità di spettro, le politiche governative e la transizione dal 4G sono fattori chiave per la crescita.

Tra le sfide più significative emergono i costi elevati, il consumo energetico e la necessità di un’infrastruttura densa, soprattutto nelle aree urbane. Ma proprio sul fronte energetico si stanno facendo progressi grazie all’intelligenza artificiale.

AI e 5G, una sinergia strategica

Le stazioni base 5G alimentate da intelligenza artificiale stanno rivoluzionando la gestione delle reti: l’AI-RAN Parameter Recommender, ad esempio, è una tecnologia sviluppata da SK Telecom e Samsung Electronics che ottimizza le performance delle reti 5G attraverso l’analisi continua dei parametri di traffico. L’intelligenza artificiale migliora anche l’efficienza energetica e semplifica manutenzione e operatività.

Un altro esempio è la partnership del giugno 2024 tra Mobix Labs Inc. e TalkingHeads Wireless (THW), finalizzata alla creazione di stazioni base 5G più efficienti e meno costose. La soluzione AI-driven di THW, unita ai componenti ad alta prestazione di Mobix Labs (ICs, antenne, transceiver), rappresenta un passo avanti verso reti più sostenibili.

Outlook globale, investimenti e sfide regionali

Il mercato 5G mostra forti differenze regionali. Asia-Pacifico guida la corsa con Cina, Corea del Sud e Giappone in prima linea. La Cina, in particolare, investe massicciamente grazie a iniziative statali, mentre Corea e Giappone puntano su ottimizzazione AI e applicazioni avanzate.

Nord America è trainata da AT&T, Verizon e T-Mobile, supportati da politiche governative. L’Europa, con Germania, UK e Francia in testa, avanza più lentamente ma con una visione integrata tra 5G e smart city. America Latina e Africa mostrano segnali di crescita, anche se ostacolati da costi e carenze infrastrutturali.

La rivoluzione 5G è ormai inarrestabile, ma procede a velocità diverse tra regioni e segmenti. La sfida per gli operatori è doppia: migliorare la gestione del roaming con tecnologie standalone e investire in infrastrutture intelligenti e sostenibili. Il futuro è connesso, e il 5G è il filo che lo unisce.

Leggi le altre notizie sull’home page di Key4biz

https://www.key4biz.it/5g-la-crescita-della-spesa-mondiale-in-roaming-157-e-base-station-1-200-entro-i-prossimi-dieci-anni/525443/

Questo articolo fa parte di una serie di contenuti dedicati alla Generative AI ed esplora la complessa dimensione dell’affidabilità nei sistemi di intelligenza artificiale, analizzando le sfide psicologiche, tecniche ed etiche nella progettazione di tecnologie AI che conquistino la fiducia degli utenti finali. Attraverso una prospettiva multidisciplinare, vengono identificati criteri, metodologie e raccomandazioni per sviluppare sistemi intelligenti trasparenti, sicuri e orientati alle esigenze umane.

La produzione di sistemi affidabili basati sull’intelligenza artificiale ne aumenterà l’impatto in ambito lavorativo e nel supportare altre finalità. Pertanto, è fondamentale incorporare gli obiettivi indicati sin dalla fase di pianificazione iniziale fino al rilascio finale e alla manutenzione del prodotto.

Evoluzione dell’AI: Opportunità e Criticità Emergenti

Da qualche anno stiamo osservando una crescita esponenziale di nuove applicazioni che sfruttano le opportunità offerte dall’intelligenza artificiale (IA) per la risoluzione di alcune criticità che solitamente, ovvero tramite l’applicazione dei sistemi informativi di tipo classico, risultano molto più complesse e onerose da esitare.

Parallelamente, man mano che gli utenti iniziano a prendere dimestichezza con queste nuove funzionalità, hanno iniziato a insinuarsi i primi dubbi circa l’accettazione e la fiducia che gli stessi utenti ripongono nei confronti di queste tecnologie.

Per cui, sorge la domanda: gli utenti desiderano realmente utilizzare l’intelligenza artificiale per risolvere i propri problemi e, soprattutto, si fidano dei loro risultati? Di conseguenza, quali sfide dovrà affronta chi progetta prodotti, servizi e funzionalità abilitati all’AI, affinché siano accettati favorevolmente, piuttosto che vengano scartati perché non soddisfano i requisiti operativi o le aspettative, come la fiducia dell’utente finale?

Fiducia nell’AI: Percezione e Accettazione Tecnologica

In sintesi, il successo dell’AI, come lo è stato in passato per tutte le innovazioni, è legato alla percezione della sua affidabilità, prima ancora dell’utilità.

Per capire meglio il problema introdotto, prendiamo in considerazione i seguenti esempi che ci consentono di evidenziare alcuni scenari applicativi del mondo reale:

• Come fa un ingegnere informatico a valutare l’affidabilità di uno strumento per la generazione automatica del codice che produce un output funzionale e di qualità?
• Come fa un medico a misurare l’affidabilità delle applicazioni sanitarie predittive che possono agevolare la diagnosi sulle condizioni cliniche del paziente?
• In che modo un soldato può stimare l’attendibilità delle informazioni riguardanti le minacce fornite da un visore artificiale in grado di individuare gli avversari?

In sintesi, cosa succede quando gli utenti non si fidano dei nuovi sistemi? La capacità dell’AI di collaborare positivamente con l’ingegnere, il medico o il soldato, dipende dalla fiducia che questi ripongono sui sistemi basati sull’AI, perché quest’ultima possa collaborare con loro efficacemente e sia in grado di fornire i risultati attesi.

Di conseguenza, affinché si possano creare livelli di fiducia adeguati, è necessario gestire le aspettative su ciò che l’AI può offrire realisticamente.

Di seguito sono illustrate le principali ricerche e lezioni apprese su come sia possibile misurare l’affidabilità dell’AI e, di conseguenza, in che modo gli utenti finali possano ottenere i risultati attesi.

Fiducia nell’intelligenza artificiale

Prima di iniziare la disamina, analizziamo alcune definizioni chiave relative ad un sistema basato sull’intelligenza artificiale:

• trust (fiducia): è uno stato psicologico basato sulle aspettative del comportamento di un sistema, la fiducia che il sistema manterrà la sua promessa;
• calibrated trust (fiducia calibrata): è uno stato psicologico basato sulla fiducia regolata, ovvero allineata – in tempo reale – alle percezioni di affidabilità degli utenti finali;
• trustworthiness (affidabilità): è la proprietà di un sistema in grado di dimostrare che questi manterrà la sua promessa e, contestualmente, fornirà la prova che in quel determinato contesto il sistema sia affidabile e che durante l’utilizzo gli utenti finali siano consapevoli delle sue capacità.

La fiducia è una variabile complessa, transitoria e personale; tutti questi fattori rendono difficile la misurazione dell’esperienza umana in rapporto alla fiducia. Anche l’esperienza individuale di sicurezza psicologica (ad esempio: sentirsi al sicuro all’interno della propria relazione personale, del proprio team, della propria organizzazione e del proprio governo), così come la percezione del legame tra il sistema di intelligenza artificiale con sé stesso, possono influenzare la fiducia nel sistema.

Quando le persone interagiscono e/o lavorano con i sistemi di AI, sviluppano una comprensione (o un’incapacità di comprendere) delle capacità e dei limiti del sistema in un determinato contesto di utilizzo.

La consapevolezza può essere sviluppata anche attraverso la formazione, l’esperienza e le informazioni che i colleghi condividono sulle loro esperienze. Questa comprensione può trasformarsi in un livello di fiducia del sistema giustificato dalle esperienze di utilizzo.

Un altro modo di ragionare prevede che gli utenti finali sviluppino un livello di fiducia nel sistema calibrato su ciò che conoscono delle sue capacità nel contesto attuale.

Pertanto, la costruzione di un sistema affidabile genera la fiducia del sistema percepita dagli utenti.

Come progettare un’AI affidabile

Tendiamo a pensare all’intelligenza artificiale esclusivamente come a uno strumento per automatizzare una serie di processi, facilitando compiti, spesso con risultati migliori, in meno tempo e a costi più bassi. È tutto vero, ma ciò che spesso dimentichiamo è che l’intelligenza artificiale è anche una scienza e, come tutte le scienze, ci racconta qualcosa di noi – come singoli e come società – e del mondo in cui viviamo.

Partiamo dall’assunto che non possiamo costringere le persone a fidarsi dei sistemi di AI, ma potremmo progettarli concentrandoci sugli aspetti che ci consentano di misurarne l’affidabilità. Sebbene non sia matematicamente possibile quantificare l’affidabilità complessiva di un sistema nel suo contesto di applicazione, alcuni aspetti dell’affidabilità possono essere quantitativamente misurati, per esempio potremmo rilevare la fiducia dell’utente attraverso i suoi comportamenti, come l’utilizzo del sistema.

All’inizio del 2023, il National Institute of Standards and Technology (NIST) ha pubblicato l’Artificial Intelligence Risk Management Framework in cui indica i seguenti aspetti essenziali per misurare l’affidabilità dell’AI:

• validità e affidabilità,
• protezione,
• sicurezza e resilienza,
• responsabilità e trasparenza,
• comprensione e modellazione,
• riservatezza,
• imparzialità, attraverso la mitigazione dei pregiudizi dannosi.

Queste variabili possono essere valutate attraverso strumenti qualitativi e quantitativi, come i valori delle prestazioni funzionali utilizzati per misurare la validità e l’affidabilità, oppure l’analisi della user experience (UX) per determinare l’usabilità, la comprensione e la modellazione di un sistema.

Tuttavia, alcune di queste componenti potrebbero non essere misurabili a causa della loro stessa natura. Ad esempio, il progettista di un sistema potrebbe essere in grado di valutare se lo stesso funziona bene in ciascuno di queste componenti, ma gli utenti potrebbero essere cauti o diffidenti nei confronti dell’output a causa delle interazioni che hanno con il sistema.

La misurazione dell’affidabilità dell’AI dovrebbe avvenire durante l’intero ciclo di vita di un sistema di intelligenza artificiale.

All’inizio, durante le fasi di progettazione di un sistema di intelligenza artificiale, i responsabili del progetto, i ricercatori incentrati sul lato umano e gli specialisti dei rischi connessi all’uso dell’intelligenza artificiale, dovrebbero condurre una serie di test per comprendere le esigenze degli utenti finali e, preferibilmente, anticipare i requisiti per l’affidabilità dell’AI.

La progettazione iniziale di un sistema deve necessariamente tenere conto delle esigenze e dell’affidabilità volute dagli utenti.

Inoltre, mentre gli sviluppatori inizieranno ad implementare il sistema, gli altri componenti del team dovrebbero continuare a condurre sessioni di user experience con gli utenti finali per convalidare il progetto e raccogliere i feedback sulle componenti per poter misurare l’affidabilità durante l’intero ciclo di sviluppo del sistema.

Contemporaneamente, il team di sviluppo dovrebbe continuare a convalidare il sistema, in base ai criteri indicati dalle componenti di affidabilità e con gli utenti finali, anche durante la distribuzione iniziale. Queste attività hanno uno scopo diverso dalle consuete procedure di testing utilizzate per garantire la qualità di un prodotto.

Durante l’implementazione, ogni versione deve essere costantemente monitorata, sia per controllare le sue prestazioni rispetto alle aspettative, sia per valutare la percezione del sistema da parte degli utenti.

Gli amministratori di sistema dovrebbero stabilire anche i criteri per il rilascio all’interno di un sistema distribuito e un manuale d’uso, in modo tale che gli utenti possano crearsi aspettative adeguate nel momento in cui interagiranno con il sistema.

Infine, anche i system builder dovrebbero collaborare con gli utilizzatori finali affinché la tecnologia sia creata per soddisfare le loro esigenze. Tali collaborazioni aiutano le persone che utilizzano il sistema a ponderare regolarmente la propria fiducia nei suoi confronti.

In sintesi, la fiducia è un fenomeno interno e i system builder devono creare esperienze affidabili attraverso punti di contatto, come la documentazione del prodotto, le interfacce digitali e i test di convalida, per consentire agli utenti di esprimere giudizi sull’affidabilità del sistema in tempo reale.

Contestualizzare gli indicatori di affidabilità per gli utenti finali

La possibilità di valutare accuratamente l’affidabilità di un sistema consente agli utenti di ottenere una fiducia misurata del sistema stesso. La fiducia, che solitamente l’utente ripone nei confronti dei sistemi basati sull’intelligenza artificiale, implica che questi ultimi siano considerati affidabili entro una certa soglia.

Tra i principali indicatori, che ci consentono di caratterizzare un sistema di AI affidabile, possiamo includere la possibilità che gli utenti finali possano rispondere alle seguenti domande:

• Sa cosa sta facendo il sistema e il perché?
• È in grado di valutare perché il sistema sta formulando determinate risposte o generando un determinato output?
• Comprende quanto siano affidabili le risposte del sistema?
• Riesce a valutare quanto potrebbe essere sicuro un determinato output?

Se la risposta ad una di queste domande fosse negativa, allora sarebbe necessario migliorare ulteriormente il sistema per garantire che sia progettato per essere affidabile.

Inoltre, è fondamentale che le capacità del sistema siano rese trasparenti e verificabili, in modo tale che gli utenti possano essere informati e sicuri durante lo svolgimento del proprio lavoro e possano utilizzarlo per come previsto.

Criticità di un’AI affidabile

Come già evidenziato in questo testo, per valutare l’affidabilità di un sistema di intelligenza artificiale occorre considerare diversi elementi e punti di vista.

Le criticità, che solitamente vengono rivolte all’AI, includono la possibilità che possa generare confusione (per esempio non restituisce sempre risultati univoci), possa essere talvolta dirompente (per esempio può ribaltare un output consolidato da anni), sia apparentemente poco pratica o vista come non necessaria perché fornisce alternative complesse.

Una ricerca sulla letteratura riguardante l’AI rivela che alcuni autori usano spesso i termini “fiducia” e “affidabilità” in modo intercambiabile, mentre altra letteratura li considera come due caratteristiche distinte. Quindi, per un verso è incoraggiante sapere che l’AI affidabile è un ambito multidisciplinare, di converso, avere una moltitudine di definizioni, può generare confusione in coloro i quali sono nuovi alla progettazione di un sistema di AI affidabile.

Le diverse definizioni di affidabilità per i sistemi di AI consentono ai progettisti, inoltre, di scegliere o selezionare arbitrariamente gli elementi di affidabilità che consentono di soddisfare le loro esigenze.

Allo stesso modo, la definizione di AI affidabile varia a seconda del contesto di utilizzo del sistema. Ad esempio, i fattori che caratterizzano un sistema di intelligenza artificiale affidabile in un contesto sanitario potrebbero non essere gli stessi di un sistema di intelligenza artificiale affidabile in un contesto finanziario.

Queste differenze contestuali, e l’influenza delle caratteristiche del sistema, sono rilevanti per poter progettare un sistema di intelligenza artificiale affidabile in un determinato contesto e, contemporaneamente, in grado di soddisfare le esigenze degli utenti finali, al fine di incoraggiare l’accettazione e l’adozione dello stesso.

Per coloro che non abbiano familiarità con tali considerazioni, tuttavia, la progettazione di sistemi affidabili potrebbe risultare frustrante e, persino, deprimente.

Anche alcuni elementi caratteristici dell’affidabilità, comunemente accettati, possono apparire in contrasto tra di loro. Ad esempio, la trasparenza e la privacy sono spesso in conflitto. Per garantire la trasparenza, è opportuno rivelare agli utenti le informazioni che descrivano adeguatamente le modalità di sviluppo del sistema, viceversa, per garantire la privacy, gli utenti non dovrebbero avere accesso a tutti i dettagli del sistema.

In questi casi è necessario effettuare una negoziazione per determinare come bilanciare gli aspetti che sono in conflitto e quali compromessi dovrebbero essere accettati. In questi casi, il team di sviluppo deve dare priorità all’affidabilità del sistema, alle esigenze degli utenti finali e al contesto di utilizzo, il che può comportare compromessi per altri aspetti del sistema.

È interessante notare che, mentre i compromessi sono una considerazione necessaria quando si progettano e sviluppano sistemi di intelligenza artificiale affidabili, l’argomento è assolutamente assente da molti documenti tecnici che discutono della fiducia e dell’affidabilità dell’AI.

Spesso, l’individuazione del grado di compromesso è delegata agli esperti legali e di etica. Invece, questo lavoro dovrebbe essere condotto dallo stesso gruppo multidisciplinare che sta realizzando il sistema e gli dovrebbe essere data la stessa rilevanza attribuita alle attività per definire gli aspetti matematici o ingegneristiche di questi sistemi.

Esplorare l’affidabilità delle tecnologie AI emergenti

Man mano che le tecnologie di intelligenza artificiale innovative e dirompenti, come Microsoft 365 Copilot e ChatGPT, entreranno realmente nel mercato, ci saranno diversi aspetti che dovranno essere presi in considerazione. Un’organizzazione che decidesse di impiegare una nuova tecnologia AI dovrebbe chiedersi:

• Qual è l’uso previsto del prodotto di AI?
• Quanto è rappresentativo il dataset di addestramento rispetto al contesto operativo?
• Come è stato addestrato il modello?
• Il prodotto è adatto al caso d’uso?
• In che modo le caratteristiche del prodotto si allineano al grado di responsabilità del mio caso d’uso e del mio contesto?
• Quali sono i limiti della sua funzionalità?
• Qual è il processo per controllare e verificare le prestazioni del prodotto di AI?
• Quali sono le metriche delle prestazioni del prodotto?
• In che modo gli utenti possono interpretare l’output del prodotto?
• In che modo il prodotto è continuamente monitorato per guasti e altre condizioni di rischio?
• Quali pregiudizi impliciti sono incorporati nella tecnologia?
• Come vengono valutati gli aspetti dell’affidabilità? Con quale frequenza?
• C’è un modo per far re-addestrare questo strumento da un esperto per implementare politiche di equità?
• Sarò in grado di comprendere e controllare l’output dello strumento?
• Quali sono i controlli di sicurezza per evitare che questo sistema causi danni
• Come possono essere testati questi controlli?

Generalmente, gli utenti finali diventano i primi osservatori dei fallimenti della tecnologia AI e le loro esperienze negative sono indicatori del rischio di deterioramento dell’affidabilità. Pertanto, le organizzazioni che decidessero di implementare e/o utilizzare tali sistemi e, contestualmente, renderli affidabili, dovrebbero supportare gli utenti finali sui seguenti aspetti:

• Inserire degli indicatori all’interno del sistema per segnalare quando non funziona come previsto,
• Effettuare delle valutazioni sulle prestazioni del sistema nei contesti attuali e nuovi,
• Prevedere un alert del sistema quando non funziona dentro un range di affidabilità accettabile,
• Acquisire informazioni utili ad allineare le loro aspettative ed esigenze con il potenziale rischio introdotto dal sistema.

Le risposte alle domande introdotte all’inizio di questo paragrafo mirano, da un lato, a chiarire se la tecnologia sia adatta allo scopo previsto e, dall’altro, a verificare se l’utente possa convalidare l’affidabilità su base continuativa. Le organizzazioni possono anche implementare funzionalità tecniche e modelli di governance per incentivare il mantenimento continuo dell’affidabilità dell’AI e fornire piattaforme per testare, valutare e gestire i prodotti AI.

Raccomandazioni

I concetti illustrati rappresentano una base di partenza per la creazione di un AI affidabile. Occorrerà, ovviamente, condurre ulteriori attività di ricerca e sviluppo per indagare su nuovi metodi, best practices e linee guida per la creazione di un’AI affidabile. Ecco alcuni elementi su cui i ricercatori dell’AI stanno lavorando per la misurazione dell’affidabilità:

• Fairness (imparzialità): l’identificazione e la mitigazione dei pregiudizi nei modelli di machine learning (ML) che consenta la creazione di sistemi più equi.
• Robustness (robustezza): se i sistemi di intelligenza artificiale non fossero sufficientemente resistenti ai guasti o agli errori, fallirebbero in breve tempo.
• Explainability (dimostrabilità): rappresenta un attributo rilevante per un sistema che vuole essere affidabile per tutti gli stakeholders: ingegneri e sviluppatori, utenti finali.

La produzione di sistemi affidabili basati sull’intelligenza artificiale aumenterà l’impatto di questi sistemi in ambito lavorativo e nel supportare altre finalità. Pertanto, è fondamentale incorporare gli obiettivi indicati sin dalla fase di pianificazione iniziale fino al rilascio finale e alla manutenzione del prodotto. Solo in questo modo le aziende potranno raggiungere il massimo potenziale delle aspettative previste dall’AI.

Questo approfondimento rappresenta solo l’inizio di un viaggio verso l’AI affidabile. Per continuare ad esplorare le frontiere dell’innovazione e comprendere le ultime evoluzioni dei modelli generativi, ti invitiamo a scaricare il white paper dedicato alla Generative AI dal titolo “Generative Artificial Intelligence: Punti di forza, rischi e contromisure”.

https://www.ictsecuritymagazine.com/articoli/misurare-ai/

Libro Bianco sulla Difesa Europa/European Defence Readiness 2030

L’Unione Europea si prepara a rafforzare la propria Difesa. Il Libro Bianco per la Difesa: ‘Readiness 2030’

L’Unione europea (Ue) sta delineando una nuova strategia per rafforzare la propria capacità di difesa, puntando su investimenti massicci e coordinati tra gli Stati membri. Questo è quanto emerge dal Libro Bianco sul Futuro della Difesa europea, un documento programmatico che è stato presentato oggi e a cui hanno lavorato il Commissario europeo per la Difesa e lo spazio Andrius Kubilius (ex Primo Ministro della Lituania) e il capo della diplomazia europea Kaja Kallas (ex Primo Ministro dell’Estonia).

La strategia della Commissione punta su una maggiore spesa militare, sulla cooperazione tra gli Stati membri e sulla creazione di un mercato unico per la Difesa.

Il White Paper per la Difesa Europea – Readiness 2030 è un documento strategico volto a rafforzare la sicurezza del continente. Contestualmente, la Commissione ha annunciato un ambizioso pacchetto di misure nell’ambito del piano ReArm Europe/Readiness 2030, mirato a stimolare gli investimenti negli armamenti e nelle capacità industriali della difesa europea.

Von der Leyen, Kallas e Kubilius inaugurano un cambio di paradigma per la Difesa europea

La presidente della Commissione Europea, Ursula von der Leyen, ha dichiarato: “L’era del dividendo della pace è finita. Non possiamo più dare per scontata l’architettura di sicurezza su cui abbiamo fatto affidamento. L’Europa è pronta a fare un passo avanti: dobbiamo investire nella difesa, rafforzare le nostre capacità e adottare un approccio proattivo alla sicurezza”.

“Ciò che investiamo nella difesa riflette quanto la valorizziamo. E negli ultimi decenni, non le abbiamo attribuito un valore abbastanza alto. Dobbiamo spendere di più. Allo stesso tempo, il valore aggiunto derivante dalla collaborazione è inestimabile. Ci offre un vantaggio competitivo senza eguali in nessuna parte del mondo. Nel nostro Libro Bianco sulla Difesa Europea – Readiness 2030, delineiamo modi concreti per raggiungere questo obiettivo. Sia nel nostro sostegno all’Ucraina, nell’affrontare le nostre lacune in termini di capacità, sia nel difendere un mondo in cui la forza non prevale sulla giustizia, siamo sempre più forti insieme“, ha dichiarato Kaja Kallas.

“Questo pacchetto sulla difesa, che comprende il Libro Bianco sulla Difesa Europea e il Piano ReArm Europe/Readiness 2030, segna un momento decisivo per la nostra Unione. L’Europa non può più permettersi di essere spettatrice della propria sicurezza. Dobbiamo prendere in mano la nostra difesa, rafforzando i nostri impegni per la sicurezza collettiva e opponendoci con fermezza a chiunque cerchi di mettere in discussione la nostra sovranità. Non si tratta solo di forza militare, ma della nostra prontezza, della nostra autonomia strategica e del futuro dell’Europa come attore globale“, ha sostenuto il commissario Andrius Kubilius.

“L’Italia ha un’industria della difesa e dello spazio molto forte: Leonardo è la più robusta azienda europea nel settore“, ha affermato sempre Kubilius rivolgendosi al nostro Paese, nella conferenza stampa di presentazione del Libro bianco sulla Difesa. Il commissario lituano è stato interrogato sull’allineamento degli Stati sull’urgenza di investire nella Difesa.
“Investire nella Difesa significa anche posti di lavoro di qualità, la gente deve capire che ora per l’industria arriva un momento molto importante per espandersi e creare nuovi posti di lavoro; sarebbe strano se l’Italia non guardasse a questa possibilità“, ha proseguito Kubilius.

L’obiettivo principale del White Paper è chiudere i divari di capacità militare e costruire una base industriale della difesa più solida. Per farlo, si propone di:

• Colmare le lacune operative, concentrandosi sulle capacità critiche individuate dagli Stati membri;
• Sostenere l’industria della difesa europea con una maggiore cooperazione e aggregazione della domanda;
• Incrementare l’assistenza militare all’Ucraina, rafforzando l’integrazione tra le industrie della difesa europee e ucraine;
• Creare un mercato unico europeo per la difesa, semplificando le normative;
• Accelerare le innovazioni tecnologiche dirompenti, come l’intelligenza artificiale e la tecnologia quantistica;
• Potenziare la mobilità militare e lo stoccaggio di materiali strategici, migliorando le infrastrutture di confine con la Russia e la Bielorussia;
• Rafforzare le partnership globali con Paesi alleati.

ReArm Europe Plan: confermati gli investimenti da 800 Miliardi di Euro. Gli strumenti

Uno degli aspetti chiave della nuova strategia europea è il piano ReArm Europe/Readiness 2030, che prevede un massiccio incremento degli investimenti nella difesa, con oltre 800 miliardi di euro stanziati attraverso diverse misure finanziarie.

1. Sblocco di fondi pubblici nazionali
   • Gli Stati membri potranno attivare la clausola di esclusione del Patto di Stabilità e Crescita, consentendo un incremento del budget per la difesa fino all’1,5% del PIL per quattro anni.
2. SAFE: Un Nuovo Strumento di Finanziamento
   • La Commissione raccoglierà 150 miliardi di euro sui mercati finanziari per offrire prestiti agevolati agli Stati membri.
   • I fondi saranno destinati all’acquisto congiunto di equipaggiamenti militari europei, garantendo maggiore interoperabilità e riduzione dei costi.
   • L’Ucraina, i Paesi dell’EFTA/EEA e i candidati all’adesione UE potranno partecipare agli acquisti comuni.
3. Mobilitazione del Settore Privato e della Banca Europea per gli Investimenti (BEI)
   • La BEI espanderà i propri finanziamenti ai progetti di sicurezza e difesa.
   • Il piano Accelerating the Savings and Investments Union mira a mobilitare capitali privati per sostenere l’industria della difesa.

Gli Stati membri, infatti, dovranno acquistare i prodotti ammissibili da soggetti giuridici con sede legale nell’Ue, negli Stati EFTA – Islanda, Liechtenstein, Norvegia e Svizzera – e in Ucraina.

Per i materiali di consumo bellici (prodotti non complessi), gli Stati membri “dovranno garantire che i componenti che rappresentano il 65% dei costi del prodotto finale provengano dall’Unione Europea/Paesi EFTA/ Ucraina“.

Una risposta alla nuova realtà geopolitica

L’iniziativa europea è una risposta diretta alla crescente instabilità geopolitica e alla guerra in Ucraina. L’UE si impegna non solo a sostenere Kiev, ma anche a rafforzare la propria sicurezza interna, in un contesto in cui la dipendenza dalla NATO e dagli Stati Uniti non è più sufficiente.

Con il White Paper per la Difesa e il piano ReArm Europe, Bruxelles traccia una nuova rotta per garantire l’autonomia strategica dell’Europa, puntando su un’industria militare più forte e su investimenti senza precedenti nel settore della difesa.

Altri Paesi, per partecipare, dovranno essere Paesi candidati all’ingresso nell’Ue – come la Turchia – o aspiranti candidati oppure firmare un accordo strategico di sicurezza con l’Ue (sarebbe il caso del Regno Unito o del Canada).

l’Ue poi promette di “sostenere azioni industriali per lo sviluppo di partenariati industriali transfrontalieri per coordinare le riserve di prodotti per la difesa, componenti e relative materie prime“, sostenendo azioni di approvvigionamento per creare riserve strategiche di componenti e materie prime rilevanti.

Investimenti senza precedenti per la sicurezza dell’Europa

Nel 2024, gli Stati membri dell’UE hanno raggiunto un record di investimenti nella difesa pari a 326 miliardi di euro. Tuttavia, le stime indicano che nei prossimi dieci anni saranno necessari almeno 500 miliardi di euro per colmare le principali lacune nelle capacità militari del blocco. Il documento fa esplicito riferimento al piano in cinque punti per riarmare il continente recentemente presentato dalla Presidente della Commissione europea, Ursula von der Leyen, in cui si punta a mobilitare fino a 800 miliardi di euro.

Uno degli strumenti chiave proposti è un nuovo meccanismo di prestiti da 150 miliardi di euro, destinato agli Stati membri per favorire gli acquisti congiunti nel settore della difesa e della sicurezza. Inoltre, la Commissione sta valutando una revisione della normativa sulla finanza sostenibile (Sustainable Finance Disclosures Regulation, SFDR) per includere la difesa tra gli “obiettivi di investimento nel quadro della sostenibilità“.

Un mercato unico per la Difesa Ue, le tecnologie warfare

Per ottimizzare l’uso dei fondi disponibili, il White Paper evidenzia la necessità di una maggiore cooperazione tra i paesi UE. “Coordinare la spesa aumenta il potere negoziale degli Stati membri, riduce i prezzi per unità e rafforza la consolidazione industriale“, si legge nel documento. La creazione di un vero mercato unico della difesa consentirebbe di superare la frammentazione attuale, ancora fortemente legata a dinamiche nazionali.

A tal fine, la Commissione propone semplificazioni normative e incentivi per gli acquisti congiunti, con una particolare attenzione ad alcuni progetti chiave ritenuti critici per la sicurezza dell’Unione. Questi includono diverse tecnologie avanzate e sistemi di trasporto e difensivi di nuova concezione:

• Mobilità militare
• Sistemi di droni e anti-droni
• Intelligenza artificiale
• Quantum computing
• Sicurezza informatica/Cyber and electronic warfare
• Difesa aerea e missilistica

tecnologie dual use e sistemi avanzati che rientrano nel “warfare” moderno, termine usato per indicare il modo in cui un conflitto viene condotto, includendo strategie, tattiche e tecnologie militari. Un concetto che può riferirsi sia alle guerre tradizionali tra eserciti, sia a forme più moderne di conflitto, come la guerra cibernetica (cyber warfare) o la guerra psicologica.

Verso una maggiore autonomia strategica

Uno degli obiettivi principali delineati è ridurre la dipendenza dell’Ue da paesi terzi, in particolare nel settore tecnologico e della difesa: “Mentre le dipendenze dalla Russia sono state significativamente ridotte, molti Stati membri dipendono ancora fortemente da tecnologie provenienti da paesi terzi, inclusi Cina e Stati Uniti“.

Le tecnologie dirompenti, come l’intelligenza artificiale (AI), il cloud computing, il quantum computing e i sistemi autonomi, sistemi per la guerra cyber/elettronica, stanno già trasformando il campo di battaglia. Per questo motivo, l’Unione deve aumentare i propri investimenti per non rimanere indietro rispetto ai principali concorrenti globali.

Un tema molto delicato, quello della Difesa comune, “che non è solo armamenti”, ma anche tecnologie digitali avanzate, come ha spiegato ieri al Senato Mario Draghi, rimarcando che in questo settore occorre anche dotarsi di “una strategia continentale unificata per il cloud, il supercalcolo e l’intelligenza artificiale, la cyber sicurezza”.

Difesa che diventa il campo più adatto “per utilizzare al meglio le tecnologie che dovranno garantire la nostra sicurezza” e “per includere gli investimenti su digitale, spazio e cybersicurezza”, ha sottolineato l’ex Premier nell’illustrare il suo Rapporto sulla competitività europea ai parlamentari italiani.

Il ruolo dell’Europa in un contesto geopolitico mutevole

Il paper sottolinea anche che l’Europa non può più dare per scontata la garanzia di sicurezza offerta dagli Stati Uniti, specialmente mentre Washington sposta sempre più la sua attenzione verso la regione dell’Indo-Pacifico. “L’Europa non può dare per scontata la garanzia di sicurezza degli Stati Uniti e deve aumentare significativamente il proprio contributo per mantenere forte la NATO“, è riportato nel Libro.

Oltre alla minaccia russa, il testo evidenzia l’instabilità del Medio Oriente come un’altra sfida imminente per la sicurezza dell’Europa. Per affrontare queste minacce, la Commissione suggerisce di introdurre una “preferenza europea” nelle regole di appalto pubblico per i settori e le tecnologie strategiche legate alla difesa, con una possibile revisione delle normative prevista per il 2026.

L’ambizioso piano delineato dalla Commissione europea mira a trasformare l’UE in uno dei principali attori globali nel settore della difesa, creando “uno dei più grandi mercati interni della difesa al mondo“, come dichiarato da Ursula von der Leyen. La sfida ora sarà quella di garantire un’attuazione efficace delle misure proposte, mantenendo l’equilibrio tra l’autonomia strategica europea e la cooperazione con gli alleati della NATO.

E’ la strada giusta? E’ l’unica strada?

Il piano Rearm EU, presentato dalla presidente della Commissione Europea Ursula von der Leyen, rappresenta una svolta storica per l’Europa, segnando un passo deciso verso una maggiore autonomia militare e una capacità di difesa rafforzata.
La guerra in Ucraina avviata dalla Russia, le rinnovate tensioni nei Balcani, i diversi teatri di guerra in Medio Oriente e l’instabilità crescente nel Pacifico ci impongono certo un confronto serio sul come l’Unione europea deve porsi e sul da farsi per prepararsi ad affrontare queste crisi.
In molti si chiedono, però, se questa del riarmo sia davvero la strada giusta, e soprattutto, se questa sia davvero l’unica strada.

Il Piano esprime una posizione netta e manda un messaggio chiaro: l’UE si sta preparando alla guerra. Questo riduce lo spazio per la diplomazia e il dialogo, rischiando di trasformare l’Europa in un attore bellico anziché in un mediatore per la pace.

L’Unione sembra stia abbandonando la sua tradizionale immagine di potenza civile e diplomatica per diventare sempre più un soggetto militarizzato, allineandosi alle politiche di difesa della NATO e aumentando la dipendenza da strategie di deterrenza armata.

Senza contare che le ingenti risorse destinate al riarmo e al potenziamento delle capacità industriali militari potrebbero essere impiegate in settori strategici per la pace e la stabilità, come l’istruzione, la sanità e la transizione ecologica. Forse le priorità dovrebbero essere diverse, soprattutto in un periodo di crisi economica e sociale.

Ci si avvia ad un’economia di guerra? La maggioranza degli esperti indica che siamo ancora ben lontani da questo scenario, ma qualcosa di sta muovendo proprio in quella direzione. Altri ancora, parlando del mega piano di finanziamenti appena votato dal Parlamento tedesco, spiegano che non si tratta solo di riarmarsi, ma di inaugurare una nuova politica di spesa in più settori, tra cui anche le infrastrutture di cui tutti i Paesi europei devono dotarsi per rilanciare la propria economia, anche in chiave di resilienza alle nuove aggressive politiche tariffarie applicate (e in continua evoluzione) dal Presidente degli Stati Uniti, Donald Trump. Di certo, i venti del cambiamento iniziano a soffiare forte e bisogna anche sviluppare un maggiore senso critico, come ci impone la cultura democratica di cui siamo tutti portatori.

Leggi le altre notizie sull’home page di Key4biz

https://www.key4biz.it/ai-quantum-computing-droni-e-cyberswarfare-ecco-le-tecnologie-del-libro-bianco-per-la-difesa-ue-scarica-il-documento/524917/

La Lettera a Ursula von der Leyen e Henna Virkkunen

In un appello diretto alla Commissione europea, 100 tra aziende e organizzazioni europee hanno richiesto la creazione di un fondo sovrano per le infrastrutture tecnologiche. L’obiettivo è rilanciare gli investimenti pubblici e rafforzare l’autonomia strategica del continente nei settori digitali, colmando il divario con Stati Uniti e Cina.

La lettera, di cui è stata data notizia da Reuters, Cnbc e altre testate europee, indirizzata alla presidente della Commissione europea, Ursula von der Leyen, e alla vicepresidente esecutiva Henna Virkkunen, evidenzia la necessità di una maggiore autosufficienza tecnologica europea.

Tra i firmatari figurano nomi di spicco come Airbus, Dassault Systemes, OVHcloud e la European Startup Network. Il documento sottolinea che l’Europa si trova in una posizione di ritardo significativo nello spazio digitale e che, se non si interviene rapidamente, il rischio grave ed evidente è che nei prossimi tre anni la dipendenza del continente da tecnologie non europee diventerà quasi totale. Le Lettera fa diretto riferimento al rapporto Draghi del 2024 sulla competitività dell’Unione europea.

Comprare made in EU

Il messaggio lanciato dagli industriali europei è chiaro: “è essenziale recuperare l’iniziativa e garantire un’indipendenza tecnologica a tutti i livelli dell’infrastruttura digitale critica. Ciò significa intervenire sia sulle infrastrutture logiche (applicazioni, piattaforme, media, cloud, modelli di intelligenza artificiale), sia su quelle fisiche (chip, calcolo, archiviazione e connettività)”.

La lettera avverte che “l’attuale dipendenza multipla da attori extraeuropei pone rischi in termini di sicurezza e affidabilità, compromette la sovranità e penalizza la crescita economica del continente“. Per affrontare questa situazione, i firmatari propongono una strategia industriale pragmatica che includa, tra le altre cose, un requisito formale per il settore pubblico di acquistare prodotti e servizi tecnologici europei, cioè “made in Europe”.

L’iniziativa, è sottolineato, non mira a escludere i fornitori extraeuropei, ma a creare condizioni di mercato che consentano ai player europei di competere su basi eque e a giustificare nuovi investimenti.

Un fondo sovrano per le infrastrutture digitali: quantum, AI, semiconduttori, cloud

La richiesta principale del documento è la creazione di un fondo sovrano destinato a finanziare investimenti pubblici nel settore tecnologico, in particolare per progetti ad alta intensità di capitale come il quantum computing e la produzione di semiconduttori. Il finanziamento, secondo i firmatari, dovrebbe essere garantito dalla Banca europea per gli investimenti e da organismi pubblici nazionali, con risorse significative che potrebbero sostenere le imprese europee nella scalata tecnologica globale.

L’Europa sta cercando di recuperare terreno nel settore tecnologico, mentre dirigenti aziendali e investitori chiedono maggiori finanziamenti e una regolamentazione più flessibile per favorire la crescita, soprattutto nell’ambito dell’intelligenza artificiale.

Come riportato da techcrunch.com, il cloud occupa un posto centrale nel documento inviato a Bruxelles. I firmatari, infatti, chiedono all’Ue di sostenere lo sviluppo di requisiti armonizzati per gli utenti di cloud pubblico/privato affinché optino per l’utilizzo di “servizi cloud sovrani” per l’archiviazione dei propri dati sensibili, il che è anche da considerarsi come una misura di sicurezza ulteriore per proteggersi dalle leggi extraterritoriali non UE, che potrebbero rappresentare un rischio per i dati europei.

Il contesto geopolitico attuale, segnato da politiche protezionistiche aggressive da parte degli Stati Uniti e da tensioni commerciali globali, sta spingendo Bruxelles a rafforzare le proprie capacità strategiche. Proprio all’inizio di marzo, l’Unione europea ha proposto misure fiscali per mobilitare quasi 800 miliardi di euro, destinati in gran parte all’aumento della spesa per la Difesa e alla resilienza economica.

La necessità di una Strategia di Indipendenza Digitale

L’appello delle aziende e di aziende ed organizzazioni europee rappresenta un chiaro segnale della necessità di un cambio di passo. Resta da vedere se la Commissione risponderà con misure concrete per ridurre la dipendenza tecnologica e rilanciare il ruolo del continente nel panorama digitale globale.

In tutto questo contesto geopolitico, si colloca l’iniziativa di Key4biz e ReD OPEN, spin-off dell’Università degli Studi di Milano-Bicocca, che hanno iniziato a dar vita a una Community internazionale e a un tavolo di lavoro permanente con l’obiettivo di definire la Strategia di Indipendenza Digitale da presentare al Governo e al Parlamento e a tutti gli stakeholder.

Leggi le altre notizie sull’home page di Key4biz

https://www.key4biz.it/tlc-cloud-e-difesa-un-fondo-sovrano-europeo-per-le-infrastrutture-tecnologiche-la-lettera-alla-commissione-ue-di-100-aziende/524698/