• 7 August 2025
AIRAS

La realtà di Ex-Machina ci ha più volte accompagnato nel percorso di strutturazione di nuove interviste che avessero come oggetto l’innovazione. E per innovazione intendiamo tutto ciò che può portare qualcosa di utile (o di straordinariamente utile) alla vita del genere umano. Quando si parla di tecnologia è però molto facile cadere nella doppia semantica di questa parola. Molti parlano (appunto “parlano”) di ciò che si potrebbe fare, altri, semplicemente applicano le risorse (umane) e l’attuazione di modelli che fanno riferimento a specifici strumenti (la tecnologia) direttamente e senza passare dalle dinamiche mediatiche. Quando poi questo avviene, per step naturali, è quasi un dovere intervistarli, e nel nostro caso, con un rinnovato piacere. Queste le domande che abbiamo fatto a Sebastiano Cobianco, CEO di Ex Machina, sul progetto AIRAS, che applica l’Intelligenza Artificiale al problema di quelle che sono ormai le dinamiche comuni a molti Paesi nel mondo, ossia quelle legate alle emergenze climatiche.

Come è nata l’idea di applicare modelli AI generativi per la gestione di eventi meteo-idrogeologici estremi, e quale visione a lungo termine avete per la trasformazione digitale della gestione delle emergenze in Italia?

L’idea di AIRAS è nata nel contesto del Laboratorio AI di Ex Machina che coltiva le tecnologie AI con l’obiettivo di realizzare soluzioni innovative e utili per tutti i settori. Ci siamo quindi chiesti quali fossero i problemi aperti più urgenti e di massima utilità sociale per i quali avesse senso applicare l’Intelligenza Artificiale e abbiamo consultato esperti in vari settori per raccogliere idee e spunti di applicazione. Da conversazioni informali con alcuni di loro è nata l’idea di AIRAS come sistema di supporto alle decisioni nelle fasi di allerta meteo a partire dalla conoscenza accumulata nella serie storica degli eventi del passato e codificata in modo rigoroso in tutta una serie di documenti e report accumulati negli anni. La capacità della AI generativa e degli LLM in particolare di estrarre conoscenza da testi e immagini opportunamente integrata all’interno di una applicazione verticale appositamente disegnata per questo dominio, ci ha portato a costruire questa soluzione che ora è giunta ad una fase di beta-test sperimentale sui territori.

Parliamo di addestramento di modelli generativi su documentazione normativa regionale. Quali sono state le principali problematiche che avete incontrato nell’adattare questa tecnologia a un dominio così specifico e critico? Come garantite la tracciabilità e l’affidabilità delle raccomandazioni generate dal sistema?

Per AIRAS abbiamo adottato una architettura RAG adattata al particolare caso d’uso e alla natura delle sorgenti informative utilizzate per addestrare il sistema e orientare, così come anche focalizzare, le risposte fornite dai modelli LLM integrati. Le fonti informative sono documenti (pdf) molto complessi, con taglio scientifico, quindi contengono testo tecnico, tabelle numeriche, grafici, fotografie, mappe, e questo ha posto in alto l’asticella della complessità multimodale associata alla ricchezza e alla complessità delle fonti. Oltre a questo, prevediamo di integrare in AIRAS anche dataset e flussi informativi real-time derivanti dalle reti di monitoraggio ambientale e dai sistemi di gestione operativa delle allerte. Quindi l’eterogeneità e la complessità delle sorgenti informative è una delle sfide del progetto che abbiamo affrontato utilizzando il nostro Framework AI COSMO 42 capace di integrare diversi modelli AI e librerie di machine learning per analizzare i diversi elementi strutturali delle fonti informative.

La collaborazione con CINECA vi dà accesso a Leonardo, uno dei supercomputer più potenti al mondo. Come questa partnership influenza concretamente le capacità di AIRAS? Quali sono i ritorni positivi specifici dell’elaborazione parallela di big data climatici e come il framework COSMO42 si integra nella vostra soluzione?

La collaborazione con CINECA ha un orizzonte di tre anni e si articola in diverse fasi. In questa prima fase CINECA ci ha messo a disposizione un’infrastruttura minima per ospitare la prima versione beta di AIRAS che stiamo ora proponendo alla libera sperimentazione da parte degli Enti Territoriali al fine di validare il modello applicativo e raccogliere ulteriori esigenze e specifiche di casi d’uso. In una fase successiva potremo utilizzare la potenza di calcolo per un eventuale fine-tuning di un modello LLM specializzato di dominio se dovessimo riscontrare la necessità di andare oltre l’utilizzo di un LLM generalista opportunamente integrato in RAG con tutte le fonti informative. La collaborazione con CINECA non riguarda solo la potenza di calcolo ma anche l’esperienza pluriennale di CINECA nel contesto delle soluzioni e dei servizi per l’ambito meteo/clima in collaborazione con agenzie nazionali ed Enti di ricerca specializzati in questo dominio.

AIRAS promette di supportare decisori a livello locale, in particolare il sindaco e tutte quelle figure previste dalla catena di intervento del piano di protezione civile. Potete condividere esempi concreti di come il sistema abbia già dimostrato il suo valore sul campo? Come misurate l’efficacia degli algoritmi di analisi costi-benefici nella prevenzione di danni economici e umanitari?

Dopo una fase di sperimentazione interna utilizzando documentazione pubblica relativa ad eventi in particolare con impatto idrogeologico, stiamo procedendo a stipulare convenzioni con alcuni comuni per raffinare AIRAS. Lo scopo è quello di mettere a disposizione di chi è sul territorio uno strumento che suggerisca cosa fare sulla base degli eventi passati, ma che possa anche dare dati sulla situazione in essere e che, in assenza di emergenze, possa permettere di simulare scenari complessi. È indispensabile imparare dal passato per allocare le risorse nel modo più efficace possibile per proteggere vite umane e beni economici, ma, per una valutazione completa, non basta un singolo evento, bisogna monitorare nel tempo una serie di indicatori. Abbiamo pensato che AI e le più recenti tecnologie possano essere di aiuto nel processare sia le informazioni storiche che i dati di nowcasting in tempi strettissimi come quelli che ha a disposizione un decisore quando affronta un’emergenza.

Guardando al futuro, come vedete l’evoluzione di AIRAS? Ci sono piani per estendere la piattaforma ad altri tipi di emergenze e per implementarla in altre regioni italiane e magari anche europee? Quale ruolo pensate che l’AI generativa possa giocare nella costruzione di comunità più resilienti ai cambiamenti climatici?

Quando si parla di emergenze sono diverse le situazioni improvvise e pericolose che richiedono un intervento immediato per evitare conseguenze gravi, non solo quelle di tipo idrogeologico. Nel prossimo futuro AIRAS potrebbe diventare uno strumento usato su varie scale, da quelle più locali, comuni e regioni, a quelle nazionali sia in Italia che in altre nazioni. Questo perché la GenAI, l’intelligenza artificiale generativa, non è solo uno strumento per creare testi e immagini; ha altresì il potenziale per essere un vero e proprio moltiplicatore di intelligenza collettiva per le comunità che affrontano i cambiamenti climatici. Il suo ruolo non è quello di sostituirsi a chi deve decidere ma di fornire capacità di analisi, sintesi e creazione prima inimmaginabile, potenziandone l’efficacia dell’azione. L’Intelligenza Artificiale può mettere a disposizione di piccole comunità la stessa potenza di analisi che oggi è riservata a grandi governi e multinazionali, permettendo loro di immaginare, progettare e costruire un futuro più sicuro e resiliente in modo collaborativo. La vera sfida non è quella tecnologica, ma di governance, e cioè come integrare questi strumenti in modo equo, etico e realmente partecipativo.