Il futuro delle AI:
visione, assetto e realizzazione di un progetto di ricerca secondo SADAS

Parlare di innovazione oggi significa parlare di metodo. Ciò che distingue un’idea promettente da un progetto di ricerca è la capacità di trasformarla in conoscenza validata, in risultati sperimentali riproducibili e in contributi concreti al progresso tecnologico. In un contesto in cui il cambiamento è continuo e la competizione globale sempre più intensa, l’innovazione non può essere affidata al caso o alla sola creatività; deve poggiare su basi scientifiche solide e su un processo rigoroso, capace di ridurre l’incertezza e garantire risultati verificabili.

L’approccio metodologico rappresenta il pillar dell’innovazione scientifica. Ogni fase, dalla ricerca iniziale alla validazione sperimentale, dallo sviluppo del modello alla diffusione dei risultati, richiede criteri chiari, misurabili e condivisi. In questo scenario i progetti di ricerca assumono un ruolo chiave, poiché costituiscono l’ambiente in cui un’idea teorica viene testata, analizzata e fatta evolvere verso applicazioni concrete. Questo approccio garantisce continuità, coerenza e una visione integrata tra competenze scientifiche, tecniche e organizzative.

Per assicurare la qualità del percorso e misurarne i progressi, è necessario disporre di strumenti in grado di valutare sia il grado di maturità della tecnologia sia la solidità del processo di sviluppo. In ambito europeo e internazionale, due riferimenti rispondono a questa esigenza in modo complementare. La classificazione TRL (Technology Readiness Level) consente di misurare il livello di evoluzione di una tecnologia, dalla formulazione dei principi di base fino alla piena operatività. Gli standard CRISP-DM e ASUM-DM, invece, definiscono le buone pratiche per la gestione strutturata dei progetti di analisi dati e intelligenza artificiale, assicurando coerenza metodologica e ripetibilità dei risultati.

Questi strumenti costituiscono un linguaggio comune e una garanzia di affidabilità. Permettono di orientare le scelte progettuali, monitorare i progressi e assicurare che ogni fase sia fondata su evidenze verificabili. In un panorama in cui la tecnologia permea ogni settore produttivo e decisionale, l’innovazione nasce dall’incontro tra creatività, metodo e rigore scientifico. Solo così un’idea può evolvere in una soluzione concreta, capace di generare valore e di resistere nel tempo.

La classificazione TRL: i nove livelli di maturità tecnologica

La classificazione TRL è nata negli anni Settanta in ambito aerospaziale, come strumento della NASA per misurare il livello di maturità di una tecnologia. Oggi è utilizzata in molti settori, dalla ricerca industriale ai programmi europei di innovazione, perché consente di descrivere con chiarezza a che punto si trova un’idea nel suo percorso di sviluppo.

La scala si articola in nove livelli.

TRL 1

Il TRL 1 rappresenta l’origine di ogni percorso tecnologico: è la fase in cui si osservano i principi scientifici di base e si gettano le fondamenta teoriche di una possibile innovazione. Non esistono ancora prototipi o applicazioni concrete, ma soltanto fenomeni osservati e ipotesi formulate. È la fase della ricerca di base, dove tutto resta confinato sul piano teorico.

TRL 2

Con il TRL 2 l’idea comincia a prendere forma. A partire dai principi scientifici individuati, si formula un primo concetto tecnologico, una direzione applicativa che permette di immaginare un utilizzo concreto della scoperta. È ancora una fase prevalentemente teorica, in cui si costruiscono i primi modelli concettuali e si delineano i requisiti di base del sistema, ma inizia a emergere una visione chiara di ciò che la tecnologia potrebbe diventare.

TRL 3

Questo step segna un punto di svolta: il passaggio dalla teoria alla verifica sperimentale. È in questa fase che il concetto viene sottoposto a una prima prova di fattibilità, attraverso test di laboratorio, simulazioni o piccoli prototipi. Lo scopo è dimostrare che il principio funziona realmente, anche su scala ridotta, e raccogliere dati che confermino le ipotesi iniziali. È una fase ad alto rischio ma di grande valore, perché da essa dipende la possibilità di proseguire verso la validazione tecnica.

TRL 4

Con il TRL 4, la tecnologia entra nella fase di validazione in ambiente controllato. Il sistema o i suoi componenti vengono testati in laboratorio in condizioni più strutturate, con protocolli definiti e criteri di prestazione ripetibili. Si passa dalla semplice dimostrazione del concetto alla verifica della stabilità, dell’affidabilità e della riproducibilità dei risultati. In questo stadio, i diversi sottosistemi iniziano a essere integrati e testati insieme, gettando le basi per lo sviluppo di un prototipo funzionale.

TRL 5

In questa fase si amplia il campo di sperimentazione portando la tecnologia fuori dal laboratorio e avvicinandola al mondo reale. È la fase della validazione in ambiente rilevante, spesso industriale o operativo, dove si simulano le condizioni effettive di utilizzo. Qui si valutano aspetti come la resistenza alle variabili ambientali, la compatibilità con altri sistemi e la scalabilità produttiva. La tecnologia dimostra di funzionare non solo in teoria o in ambiente controllato, ma anche in un contesto che ne rispecchia le reali condizioni d’impiego.

TRL 6

Il TRL 6 rappresenta il passaggio alla dimostrazione in un ambiente rilevante, con prototipi o modelli quasi completi che operano in condizioni vicine a quelle reali. È una fase cruciale, perché permette di osservare la tecnologia nel suo insieme, testarne l’interoperabilità con altri sistemi e verificarne la capacità di mantenere le prestazioni previste su scala operativa. In ambito europeo, questa è spesso la soglia minima richiesta per i progetti pilota o dimostrativi.

TRL 7

A questo livello, la tecnologia viene finalmente messa alla prova in un ambiente operativo reale. Il sistema o il sottosistema viene installato e testato nel contesto effettivo d’uso, come ad esempio una linea produttiva, un veicolo, un impianto, un’infrastruttura. È il momento della prima dimostrazione sul campo, dove emergono eventuali criticità legate alla manutenzione, alla robustezza e alla sostenibilità del sistema. Superata questa fase, la tecnologia può dirsi prossima alla maturità.

TRL 8

Il TRL 8 segna il completamento e la qualificazione del sistema. La tecnologia è ormai consolidata: tutti i test sono stati superati, i requisiti di sicurezza e conformità sono stati verificati, la documentazione tecnica è completa e i processi produttivi sono definiti. Si può avviare la produzione su scala limitata o pre-commerciale, con una piena consapevolezza delle prestazioni e dei costi. In termini europei, questo livello corrisponde alla readiness necessaria per l’ingresso sul mercato.

TRL 9

Infine, il TRL 9 rappresenta il traguardo della piena operatività. La tecnologia è entrata in esercizio, è utilizzata in modo stabile e continuativo e dimostra affidabilità nel tempo. In questa fase non si parla più di test o dimostrazioni, ma di uso reale, validato dal mercato e dagli utenti finali. Il sistema è completo, funzionale e in grado di generare valore concreto: scientifico, industriale o sociale.

Per chi coordina un progetto di ricerca, la classificazione TRL diventa uno strumento di orientamento strategico. Definire il livello di maturità scientifica o tecnologica di partenza consente di pianificare in modo più preciso gli step di validazione e sperimentazione, di allocare in modo efficace le risorse e di monitorare l’avanzamento del lavoro. Inoltre, la scala TRL offre un linguaggio comune che facilita la comunicazione tra università, centri di ricerca, partner industriali e istituzioni.

In questo modo, la maturità tecnologica non resta un concetto astratto, ma diventa un indicatore concreto di progresso scientifico, capace di orientare le decisioni e di ridurre i rischi lungo l’intero percorso di ricerca e sviluppo.

CRISP-DM e ASUM-DM: gli standard per i progetti di data science

Oltre alla maturità tecnologica, un progetto di ricerca richiede una metodologia solida per la gestione delle attività di analisi e modellazione dei dati. Gli standard più diffusi sono CRISP-DM (Cross-Industry Standard Process for Data Mining) e ASUM-DM (Analytics Solutions Unified Method for Data Mining).

CRISP-DM

Il modello CRISP-DM, sviluppato negli anni Novanta, è oggi considerato il riferimento universale per la data science. Si articola in sei fasi che accompagnano il progetto dalla definizione degli obiettivi fino al rilascio dei risultati.

La prima fase è quella di Business Understanding, dove si definiscono gli obiettivi di business condivisi e i requisiti del progetto dal punto di vista aziendale. La seconda fase è Data Understanding, in cui si raccolgono i dati iniziali, valutandone e verificandone la qualità per avere un’idea del dataset con cui si lavora.

La Data Preparation è il terzo step. In questa fase si puliscono, integrano e trasformano i dati grezzi allo scopo di renderli idonei all’uso nel processo di modellazione. Spesso, questa è la fase del progetto che richiede più tempo. La fase seguente è il Modeling, durante la si costruiscono e testano i modelli analitici.

La quinta fase consiste nell’Evaluation, dove si valutano i risultati del modello rispetto agli obiettivi di business stabiliti nella fase iniziale. In base a ciò, si determina se il modello è pronto o meno per l’implementazione. Infine, la sesta fase è quella del Deployment: vengono implementati la soluzione, il piano di monitoraggio e la manutenzione prevista nel tempo.

ASUM-DM

Con l’evoluzione delle tecnologie e l’introduzione di sistemi di intelligenza artificiale, è emersa la necessità di un approccio ancora più completo. Da questa esigenza nasce ASUM-DM, sviluppato da IBM come estensione del CRISP-DM. Questo standard integra le fasi tradizionali del processo analitico con elementi legati all’infrastruttura, alla governance dei dati, alla sicurezza e alla manutenzione operativa.

La struttura del modello ASUM-DM rielabora i concetti del modello CRISP-DM in sei fasi similari.

La prima è quella dell’Analyse, dedicata alla comprensione profonda del progetto, dei requisiti necessari, dei vincoli e delle aspettative. In questa fase si definisce l’obiettivo del progetto, quali caratteristiche funzionali e non funzionali saranno richieste e quali sono gli stakeholder da coinvolgere. È un momento cruciale di analisi strategica e tecnica.

La seconda fase è quella di Design, che affronta la definizione architetturale della soluzione. In essa vengono individuati i componenti tecnologici, l’environment di sviluppo, test e produzione, le dipendenze tra sistemi, i requisiti di integrazione, i flussi di dati e le interfacce. Si possono effettuare prototipi o iterazioni preliminari per confermare la fattibilità tecnica. L’attenzione è posta anche su requisiti trasversali quali sicurezza, versioning, collaborazione e compliance, e su come questi si integreranno nel sistema. In questa fase si gettano dunque le basi per inserire il modello in un sistema tecnologico, operativo e organizzativo coerente.

Nella fase di Configure & Building vengono configurati e costruiti componenti, modelli e infrastrutture, incrementando il sistema. Si eseguono test su più ambienti (sviluppo, test, staging), si definiscono e validano le pipeline di dati, i modelli predittivi, i processi, e si prepara il sistema per il rilascio. In ASUM-DM, questa fase è particolarmente strutturata perché coinvolge anche la definizione dei processi di version control, la gestione collaborativa, la documentazione tecnica e la preparazione al deployment.

La quarta fase consiste nel Deploy e riguarda il passaggio dalla versione test a quella operativa del sistema. Qui si migra la soluzione nell’ambiente di produzione, vengono eseguite configurazioni finali, viene comunicato agli utenti l’inizio dell’uso, si definisce un piano di supporto e di manutenzione e si verificano i requisiti, compliance e governance operativa. È una fase che richiede coordinamento tra business, IT operativo, sicurezza e utenti finali. ASUM-DM riconosce che il deployment non è un passaggio finale ma l’inizio della vita operativa della soluzione. La piena operatività richiede attenzione anche alla formazione degli utenti, all’allineamento delle procedure e alla governance del dato.

L’ultima fase è quella chiamata Operate & Optimize, che assume un ruolo centrale nel modello ASUM-DM. Una volta che la soluzione è in produzione, è fondamentale assicurarne la continuità, la manutenibilità, la scalabilità e l’ottimizzazione delle prestazioni. In questa fase si monitorano i KPI definiti, si gestiscono gli aggiornamenti dei modelli, si provvede al versioning, alla gestione dei cambiamenti, si garantisce la sicurezza nel tempo e si gestisce il ciclo di vita del dato e del modello stesso. Si tratta quindi di un vero e proprio ciclo operativo orientato all’efficienza, all’efficacia e alla sostenibilità della soluzione nel tempo.

Questa fase rende evidente come ASUM-DM non si limiti alla modellazione o al rilascio, ma accompagni il progetto fino a quando la soluzione è pienamente integrata nel contesto decisionale e operativo.

Adottare CRISP-DM o ASUM-DM significa dotarsi di una guida metodologica che aiuta a evitare errori comuni, come procedere alla modellazione senza aver compreso pienamente il contesto o senza aver curato la qualità dei dati. Entrambi i framework promuovono un approccio iterativo e strutturato, che consente di gestire con maggiore consapevolezza le fasi di sviluppo e di mantenere il controllo sul risultato finale.

Un approccio integrato per progetti completi

L’integrazione tra la scala TRL e gli standard metodologici per la data science consente di realizzare progetti di ricerca solidi, coerenti e replicabili.

Con la scala TRL si misura la maturità della tecnologia o del principio scientifico, mentre con CRISP-DM e ASUM-DM si garantisce che ogni fase sperimentale, dall’analisi dei dati alla validazione dei modelli, sia condotta con metodo e trasparenza.

L’unione di questi riferimenti standard offre un percorso di ricerca chiaro, misurabile e condivisibile. Permette di ridurre l’incertezza, migliorare la qualità dei risultati e costruire un ponte stabile tra la sperimentazione scientifica e le sue potenziali applicazioni industriali o sociali.

Un caso concreto: il progetto SADAS per lo Spoke 3 di FAIR

Gli approcci metodologici visti nei paragrafi precedenti hanno costituito le linee guida per lo sviluppo di un progetto seguito dal dipartimento Data & AI di SADAS all’interno dello Spoke 3, coordinato dall’Università degli Studi di Napoli Federico II, parte del sistema FAIR – Future AI Research.

Il progetto mira a sviluppare un sistema avanzato per la classificazione automatica dei bonifici bancari, integrando GenAI/LLM, tecniche di Machine Learning e di Explainable AI. L’obiettivo è garantire non solo un’elevata accuratezza, ma anche la massima trasparenza e piena auditabilità dei risultati.

Grazie all’analisi semantica delle causali, il sistema è in grado di estrarre informazioni preziose utili alla profilazione della clientela, con applicazioni che spaziano dal marketing al risk management. L’utilizzo di dati sintetici permette inoltre di generare varianti realistiche e introdurre un rumore controllato, aumentando la robustezza dei modelli e rendendoli efficaci anche in contesti operativi “in the wild”, dove i dati sono spesso incompleti o disordinati.

Infine, un meccanismo human-in-the-loop assicura un percorso di apprendimento continuo: gli operatori possono fornire feedback mirati, correggere eventuali errori, gestire le indecisioni del modello (uncertainty/disambiguazione) e aggiornare le etichette, contribuendo così a un’evoluzione costante delle prestazioni.

Gli standard adottati

In quanto progetto di ricerca, sono stati adottati gli standard sopra citati, che possono essere semplificati nelle seguenti fasi:

• Business Understanding – È stato definito l’obiettivo di classificare i bonifici secondo le categorie COICOP, individuando i requisiti funzionali, le metriche di valutazione e le esigenze di trasparenza e scalabilità del sistema.
• Data Understanding – Sono stati analizzati i dati relativi ai bonifici, valutandone la qualità e osservando le distribuzioni caratteristiche rispetto alle categorie COICOP, oltre a eventuali pattern semantici rilevanti.
• Data Preparation – Il dataset è stato arricchito tramite annotazioni semantiche e tecniche di data augmentation, ottenendo un ampliamento significativo e una base dati più ricca, pulita, coerente e diversificata.
• Modeling – Sono stati sviluppati e testati diversi approcci di classificazione, tra cui LightGBM, LLM e sistemi RAG, integrando logiche di multi-classificazione e componenti di spiegabilità basate su SHAP. A seguito della definizione del modello finale, è stato inoltre implementato un meccanismo di human-in-the-loop per la gestione dei feedback e l’aggiornamento continuo del modello.
• Evaluation – I modelli sono stati valutati tramite metriche come precision, recall, F1-score e accuracy, verificando la robustezza delle predizioni (superiori al 90% di accuracy) e la coerenza con gli obiettivi progettuali.

Beneficiari del sistema

Il sistema è idealmente rivolto a istituti bancari ed enti finanziari che gestiscono grandi volumi di transazioni e intendono estrarre informazione da dati non strutturati per la profilazione della clientela.

Le sue applicazioni sono molteplici: può essere utilizzato per analisi della spesa e profilazione dei clienti, valutazioni di rischio, monitoraggio delle frodi, oltre che per automatizzare processi interni.

In conclusione, la solidità di un progetto di ricerca nel campo dell’intelligenza artificiale nasce dalla capacità di integrare metodo, visione e rigore scientifico. La combinazione tra la misurazione della maturità tecnologica e l’adozione di standard strutturati per la Data Science consente di trasformare un’intuizione in un risultato affidabile e replicabile.

È proprio in questa prospettiva che SADAS si colloca come partner qualificato per il settore finance: attraverso un approccio che unisce competenze scientifiche, ingegneristiche e organizzative, SADAS sviluppa soluzioni avanzate basate su AI e ML, capaci di rispondere a esigenze reali, garantire trasparenza e sostenere processi decisionali complessi in modo duraturo nel tempo.