LSP è un sistema predittivo per la valutazione del rischio associato a nuove operazioni di leasing (fase di origination) e a controparti con esposizione (fase di monitoring). Addestrato su dataset settoriali provenienti da un Sistema di Informazioni Creditizie, il modello utilizza algoritmi di boosting supervisionato e integra componenti di Explainable AI per garantire interpretabilità globale e locale. Una delle sue caratteristiche distintive è la stima dell’incertezza predittiva, ovvero una componente di autovalutazione (Uncertainty Estimation), che consente di quantificare il livello di confidenza del modello per ogni singola istanza. Il sistema è accessibile via interfaccia web o API e facilmente integrabile nei sistemi informativi esistenti, risultando uno strumento completo, modulare e trasparente per il supporto alle attività del mercato.

Il sistema Early Warning è una soluzione AI-based dedicata al monitoraggio del rischio di credito, progettata per anticipare il deterioramento del credito in bonis. A differenza dei modelli rule-based tradizionali, questo sistema garantisce una drastica riduzione dei falsi positivi migliorando la qualità delle segnalazioni e aumentando l’efficienza operativa. Per ogni controparte analizzata viene assegnata una classe di rischio, con una valutazione chiara della probabilità di deterioramento del credito nei successivi 12 mesi. Conforme ai principi di equità e trasparenza dell’AI Act, il modello rispetta i requisiti FAIR e UNBIASED. Basato su approccio MLOps e CI/CD, integrabile con sistemi esistenti e con aggiornamento automatico periodico, assicura resilienza e adattamento alla distribuzione dei dati, a tutela della qualità previsionale e della robustezza nel tempo.

La soluzione Sadas AI per il monitoraggio delle transazioni in ambito antiriciclaggio combina tecniche di machine learning e anomaly detection riducendo drasticamente i falsi positivi rispetto all’impiego dei tradizionali sistemi rule-based, assegnando con modalità predittiva a ciascuna posizione uno score di rischio che prioritizza automaticamente le segnalazioni più critiche e libera risorse operative, mentre un processo di backtesting out-of-time e una pipeline MLOps con retraining trimestrale garantiscono un continuo adattamento alle variazioni di distribuzione dei dati e riducono il rischio degrado delle performance. L’integrazione di Explainable AI e di framework di Retrieval-Augmented Generation con LLM genera report in linguaggio naturale che spiegano la logica delle decisioni, assicurando trasparenza, etica e compliance normativa. Il Sistema si integra nativamente nei workflow AML esistenti della suite di Sadas.

Il sistema Record Linkage implementa un processo strutturato di riconciliazione record-to-record tra dataset eterogenei basato su tecniche di machine learning supervisionato, affrontando sfide comuni come l’incompletezza, la variabilità semantica e le differenze di struttura dei dati. Dopo una fase iniziale di preprocessing e normalizzazione, le coppie di record candidate vengono selezionate tramite indexing per ridurre il costo computazionale. La similarità viene poi calcolata tramite metodi come cosine similarity, Levenshtein e Jaro-Winkler. Il passo finale prevede la classificazione delle coppie tramite un modello MLP (Multilayer Perceptron) addestrato su esempi annotati. Il sistema offre opzioni di validazione manuale o automatica dei match ed è stato testato su dataset reali e sintetici, garantendo performance elevate anche in ambienti ad alta variabilità. Si integra facilmente nei processi aziendali, migliorando la qualità informativa e supportando una visione unificata del dato.

Il sistema “Next Best Check” è una funzionalità avanzata del modulo Data Quality nel framework SADAS Data Governance. L’obiettivo principale è suggerire all’utente controlli di qualità dati su campi simili a quelli già selezionati, ottimizzando così l’intera strategia di governance. Il sistema applica algoritmi di machine learning che analizzano la similarità tra campi utilizzando distanze lessicali (Levenshtein) e correlazioni statistiche tra variabili.
Supporta tre tipologie di controlli: su campi singoli, su integrità referenziale e su query libere di primo ordine. Per ogni suggerimento, gli utenti possono scegliere se aggiungere, rifiutare, rimandare o modificare il controllo proposto, fornendo anche feedback utili all’apprendimento continuo del sistema. Questa funzionalità permette di identificare rapidamente opportunità di controllo spesso trascurate, migliorando sensibilmente la copertura e l’efficacia delle strategie di qualità dati.