Ruolo Chief AI Officer: Sviluppo, Integrazione e Performance

17 giugno 2025

Dalle 09.00 alle 9.30

Fondamenti della gestione dei dati nei progetti di AI

• Validazione della qualità dei dati, identificando le anomalie
• Gestione dei rischi di sicurezza e affidabilità
• Evitare pregiudizi ed errori nei modelli

Valeria Lazzaroli, Chairperson of the Board – E.N.I.A.

Dalle 9.30 alle 13.00

Supervisionare lo sviluppo (Make) o la personalizzazione (Buy) del modello

Elementi da verificare nello sviluppo interno del tool

• Coordinare e supervisionare l’architettura del sistema, la selezione degli algoritmi e lo sviluppo del codice
• Garantire l’integrazione dell’AI nei sistemi aziendali
• Guidare verso una soluzione scalabile secondo la maturità aziendale
• Istituire un sistema di monitoraggio per il rispetto di tempi e budget
• Monitorare gli sviluppi rispetto agli obiettivi aziendali e tecnologici

Possibilità e verifiche in caso di acquisto e personalizzazione del tool

• Configurare la soluzione acquistata per adattarla alle esigenze specifiche
• Comunicare al meglio con il fornitore per personalizzare le funzionalità
• Distillazione e quantizzazione per ottimizzare i modelli, riducendo complessità e risorse
  • “Distillare” un modello AI complesso, come un grande modello di linguaggio (LLM), mantenendo solo le competenze rilevanti
  • Ridurre la dimensione del modello abbassando la precisione dei dati numerici per migliorare l’efficienza

Guido Perboli, Chief Scientific Officer and Shareholder – ARISK 

Dalle 14.00 alle 16.00

SESSIONE USE CASE

Gestione dei dati nei progetti di AI

• Supervisione della data quality nella raccolta di dati interni ed esterni, garantendo rilevanza, completezza e conformità

• Metodi per affrontare situazioni in cui i dati sono mancanti (missing data problem)
• Gestire in modo efficace l’intermittenza dei dati all’interno del sistema di ML
• Analizzare come differenti tipi di dati sintetici possono essere introdotti all’interno di time series data, garantendo di:

• • riflettere la realtà per evitare pregiudizi ed errori nei modelli
  • essere sufficientemente variabili e complessi per simulare scenari reali
  • tracciare la provenienza e la metodologia utilizzata per generare i dati sintetici

Ingegnerizzazione del Sistema AI (Make): progettazione di un sistema di forecasting in ambito finanziario e produttivo

• Analisi di un modello di reti neurali dinamiche per il forecasting e l’analisi della domanda
• Sviluppo di un’interfaccia dinamica user friendly (no code)
• Scelta dinamica dello scenario più idoneo secondo frequenza e intensità della domanda
• Tecniche di classificazione dinamica delle serie storiche per valutazioni su scenari futuri

Pier Giuseppe Giribone, Financial Engineer – BPER Banca e Adjunct Professor – Università degli Studi di Genova

Giacomo Gaggero, PhD Candidate in Economics – Università degli Studi di Genova

Dalle 16.00 alle 17.30

Acquisto e personalizzazione (Buy) per soddisfare esigenze specifiche e garantire un’integrazione con i processi esistenti

• Configurare la soluzione AI acquistata, personalizzandola per le esigenze aziendali
• Collaborare con il fornitore per adattare le funzionalità alla realtà aziendale, assicurando la conformità alle normative

Luca Vajani, Founder & CEO – Aries Tech – Cathedra

1° luglio 2025

Dalle 9.00 alle 13.00

SESSIONE USE CASE

Supervisionare la fase di addestramento dei modelli AI

Vengono presentati i casi reali più aggiornati sulle varie tipologie di addestramento di modelli, per tecnologie acquistate o sviluppate internamente, per capire l’effort necessario come volumi di dati, carico di lavoro e durata

• Pre-Addestrato fine tunning
• Pre-Addestrato
• Reinforcement Learning (RL)
• RAG (Retrieval-Augmented Generation)

Luca Vajani, Founder & CEO – Aries Tech – Cathedra

Dalle 14.00 alle 17.30

Supervisionare la fase di ottimizzazione e validazione

Migliorare l’efficienza e la precisione del modello nella configurazione

• Selezionare e ottimizzare i parametri del modello per evitare overfitting e underfitting
• Garantire che il processo di training sia trasparente, con report regolari su prestazioni ed efficienza
• Coordinamento del team tecnico per identificare criticità e necessità di supporto

Coordinare la fase di testing per dataset diversificati per simulare scenari reali

• Utilizzare set di dati di validazione per testare la performance del modello
• Analizzare metriche tecniche come accuracy, precision, recall, curva AUC, curva ROC e F1-score

Garantire la spiegabilità dei modelli di AI (Explainable AI)

• Trasparenza: framework di Explainable AI (XAI) per generare spiegazioni comprensibili delle decisioni prese dal modello
• Comunicabilità delle decisioni facilmente comprensibili dagli utenti
• Identificare limitazioni del modello per prevenire interpretazioni errate e utilizzi impropri

Monitorare conformità, equità e trasparenza secondo compliance

• Implementare tecniche di training per identificare e correggere i bias nei dati di addestramento e nel modello
• Promuovere tecniche che assicurino l’equità e la trasparenza del modello, evitando discriminazioni

Integra tecniche di riformulazione e validazione per migliorare la robustezza del modello

• Intervento sui modelli in caso di bias, scarsa performance o problemi di privacy per modificare la struttura o i parametri
• Assicurarsi che il modello sia robusto contro manipolazioni o vulnerabilità con test di robustezza e simulazioni di scenari di attacco

USE CASE

Valeria Verzi, Head of Data Science – Klarna

8 luglio 2025

Dalle 9.00 alle 13.00

Supervisionare la fase di deployment e monitoraggio del sistema AI

Verificare gli aspetti tecnici e organizzativi dei deployment

• Garantire il deployment corretto del sistema AI, con infrastruttura adeguata
• Integrare il modello AI in ambiente di produzione attraverso API RESTful o microservizi
• Esporre le funzionalità del modello in modo modulare e accessibile per altre applicazioni aziendali, senza compromettere l’autonomia del sistema AI
• Fine Tuning dei parametri del modello, dei tempi di inferenza e della riduzione del consumo delle risorse (memoria, CPU/GPU)

Minimizzare l’impatto di eventuali errori distribuiti con la gradualità del rollout

• Deployment graduale per ridurre il rischio di impatti negativi sugli utenti finali
• Uso di un rilascio pilota su un sottoinsieme di utenti o processi aziendali, per raccogliere feedback in tempo reale e monitorare eventuali problemi di performance o bug
• Testare in ambienti controllati, riducendo i rischi e ottimizzando le performance
  • “Rolling deployment” i nuovi modelli vengono distribuiti su gruppi di macchine
  • “Blue-green deployment” due ambienti, uno in produzione e uno in standby, con il traffico commutato tra i due

Strumenti di monitoraggio per rilevare e correggere rapidamente eventuali anomalie

• Integrare strumenti di monitoraggio per tracciare la performance in tempo reale e garantire che il sistema operi secondo le aspettative
• Implementare un sistema di monitoraggio che assicuri che tutte le decisioni basate su AI siano tracciabili e giustificate
• Continuare a garantire la conformità alle normative, come l’AI Act e GDPR, durante l’operatività del sistema
• Strumenti di monitoraggio continuo
  • Audit regolari e strumenti di scansione automatizzata per identificare e correggere le violazioni in tempo reale
  • Test di penetrazione e vulnerabilità per identificare minacce alla sicurezza
  • Piani di risposta per incidenti di sicurezza, per minimizzare i danni in caso di violazioni dei dati o attacchi informatici

USE CASE

Luca Vajani, Founder & CEO – Aries Tech – Cathedra

Dalle 14.00 alle 17.30

Coordinare il performance management: validazione obiettivi e misurazione performance

Misurazione delle performance economiche per verificare la sostenibilità finanziaria e i benefici nel tempo

• Misurare il ROI dei modelli AI, considerando KPI economici diretti e indiretti
• Analizzare costi (manutenzione, aggiornamenti, licenze) e benefici come l’aumento dell’efficienza e il miglioramento della customer experience
• Report sui miglioramenti e proiezioni per futuri investimenti e l’ottimizzazione continua

Misurazione delle performance tecniche per valutare la qualità dei modelli esistenti

• Eseguire periodicamente retraining dei modelli per mantenerli ottimizzati e aggiornati
• Utilizzare dashboard e KPI per il reporting ciclico e la valutazione delle performance
• Verifica continua per modelli scalabili, aggiornabili e integrati con nuove soluzioni

Creare report di impatto ambientale e sociale per comunicare i risultati agli stakeholder interni ed esterni

Prevedere integrazioni e scalabilità per facilitare l’integrazione di nuove tecnologie

• Come integrare le nuove tecnologie senza interrompere i processi attivi
• Ottimizzare l’allocazione delle risorse e definire obiettivi chiari per i gruppi di lavoro coinvolti nei progetti correnti e nei nuovi sviluppi
• Valutare la capacità delle soluzioni di adattarsi all’espansione aziendale e alla gestione di un volume crescente di dati

USE CASE

Luca Vajani, Founder & CEO – Aries Tech – Cathedra