Modernizza il settore pubblico
grazie a dati e AI

Utilizza l'AI per generare valore dai dati amministrativi non sfruttati. Grazie a computer vision, machine learning e all'analisi testuale, l'elaborazione intelligente dei documenti consente di estrarre informazioni contestuali da immagini di documenti scansionati, per supportare analytics e processi decisionali a valle.

Il valore di questa soluzione:

• Maggiore produttività.
• Riduzione dei costi.
• Minore complessità.

Tecniche di AI utilizzate in questa soluzione:

• Modelli di computer vision.
• Modelli di machine learning.

Ecco cosa può fare l'AI:

• Modernizzare i sistemi di archiviazione e gestione delle informazioni nella pubblica amministrazione.
• Ridurre in modo significativo le ore necessarie alla ricerca e al reperimento delle informazioni.
• Aumentare la quantità di informazioni utili per ricavare insight.
• Consentire a un'organizzazione di perseguire la propria missione in modo proattivo, che si tratti di servizi ai cittadini, indagini o attività operative.

I modelli di AI offrono:

• Estrazione automatica di informazioni chiave da immagini o documenti in un formato strutturato che consente di supportare analytics e processi decisionali a valle.
• Integrazione dei processi OCR/RPA esistenti per potenziare significativamente l'accuratezza e la qualità dell'estrazione dei dati, in particolare con i formati più complessi come documenti sfocati, moduli con caselle da spuntare o scrittura libera.
• Impiego dei dati ottenuti per indagini, generazione di alert, disponibilità di entità estratte per la ricerca e integrazione dei dati strutturati nei processi esistenti.

Rispondi a domande complesse grazie ad un copilot specializzato, capace di scavare tra enormi quantità di dati di intelligence, pre-filtrati grazie ad analytics e AI, per estrarre le informazioni più rilevanti. Utilizzando insieme i modelli linguistici di grandi dimensioni (LLM) e gli analytics investigativi, l'estrazione delle informazioni di valore dall'intelligence diventa un lavoro più mirato, veloce e facile.

Il valore di questa soluzione:

• Maggiore produttività.
• Sicurezza pubblica migliorata.
• Insight affidabili.

Tecniche di AI utilizzate in questa soluzione:

Il copilot basato sulla GenAI si nutre di informazioni pre-filtrate attraverso la piattaforma analitica per individuare con maggiore precisione gli elementi di interesse ed evidenziare opportunità di raccolta o approfondimento di ulteriori dati.

Ecco cosa può fare l'AI:

• Migliorare il processo investigativo, andando oltre la sintesi delle informazioni ed evidenziare potenziali elementi di interesse per gli investigatori che cercano di identificare i dati mancanti o di fare associazioni tra i dati.
• Ottimizzare l'utilizzo di una piattaforma di analytics che riconcilia le informazioni e mappa le entità derivanti da vari record e fonti di dati.
• Identificare le lacune del processo investigativo attraverso la generazione di narrazioni e la descrizione di dettagli chiave, utilizzando le best practice organizzative in modo spiegabile.
• Fare emergere informazioni utili agli investigatori, che restano comunque responsabili dell'interpretazione dei fatti.

I modelli di AI offrono:

Un LLM integrato in una piattaforma di analytics:

• Si sovrappone al sistema investigativo per far emergere informazioni già raccolte, risolte, mappate e correlate.
• Coordina le query e le risposte tra il motore di ricerca e l'LLM, che utilizza le nuove conoscenze e i dati di addestramento per creare risposte più accurate.
• Fornisce risposte spiegabili, verificabili e giustificabili, con riferimenti precisi alle citazioni e alla documentazione da cui derivano.

Identifica i casi di sussidi sociali ad alto rischio di errore per garantire il controllo della qualità, filtrare le segnalazioni di pagamenti in eccesso e automatizzare il recupero dei sussidi. Le soluzioni SAS supportano il Supplemental Nutrition Assistance Program (SNAP) e il Temporary Assistance for Needy Families (TANF), iniziative statunitensi a sostegno delle famiglie a basso reddito.

Il valore di questa soluzione:

• Processi decisionali più rapidi.
• Risultati migliori.
• Rilevamento e prevenzione delle frodi o risoluzione più rapida dei problemi.
• Servizio clienti più efficiente.

Tecniche di AI utilizzate in questa soluzione:

• Regressione multivariata mediante machine learning per identificare e collegare le variabili di input fondamentali che determinano gli errori nei casi di idoneità al programma SNAP.
• Modellazione AI per identificare gruppi omogenei di riferimento.
• Alberi decisionali basati sul machine learning per la valutazione del rischio e la classificazione dei casi ad alto rischio di errore.
• Modellazione AI per il triage delle segnalazioni di frodi basata su punteggi di rischio che distinguono tra errori potenziali, pagamenti in eccesso, sospette frodi e semplici errori di elaborazione dei casi.

Ecco cosa può fare l'AI:

• Consentire ai team addetti al controllo qualità dello SNAP di valutare tutti i casi senza campionamento, per identificare i pattern emergenti che portano a pagamenti impropri e per correggere gli errori prima di ulteriori erogazioni.
• Mettere i team addetti al recupero dei sussidi dello SNAP in condizione di gestire al meglio le segnalazioni di pagamenti in eccesso, in modo da aumentare l'efficienza e il ROI.
• Offrire ai team addetti al recupero dei sussidi dello SNAP la possibilità di automatizzare l'individuazione dei pagamenti in eccesso per aumentare l'efficienza.

I modelli di AI offrono:

• Calcolo dei punteggi di rischio per tutti i casi attivi dello SNAP per individuare più rapidamente gli errori nei casi ad alto rischio.
• Calcolo dei punteggi di rischio alle segnalazioni di pagamenti in eccesso per un triage più efficace dei casi con importi più elevati.
• Raggruppamento di casi simili nell'ambito dello SNAP, con identificazione e correlazione delle variabili di input più importanti.

Utilizza l'elaborazione del linguaggio naturale, l'analisi testuale e un LLM per classificare, sintetizzare e riassumere grandi quantità di feedback scritti. Con questo approccio è possibile identificare i temi, raggruppare i feedback e generare una breve sintesi dei punti chiave, rendendo il processo di gestione dei feedback scritti più facile, veloce e accurato.

Il valore di questa soluzione:

• Maggiore produttività.
• Insight affidabili.
• Minore complessità.

Tecniche di AI utilizzate in questa soluzione:

• Elaborazione del linguaggio naturale (NLP).
• Modelli linguistici di grandi dimensioni (LLM).

Ecco cosa può fare l'AI:

Utilizzare l'NLP e l'analisi testuale insieme un LLM per:

• Evitare le allucinazioni: pre-filtra i dati rilevanti e assicura risultati accurati.
• Migliorare il time to value: utilizza modelli linguistici più piccoli (come Llama2) elaborando meno dati.
• Abbassare i costi: limita la quantità di dati inviati agli LLM, riducendo al minimo le chiamate API e le risorse computazionali.
• Garantire privacy e sicurezza: utilizza database vettoriali locali per la messa a punto e la protezione dei dati sensibili.
• Supportare la verifica: consente la tracciabilità degli output degli LLM, migliorando trasparenza e fiducia.

I modelli di AI offrono:

La combinazione di NLP e LLM:

• Analizza decine di migliaia di feedback.
• Identifica temi ricorrenti nei commenti.
• Rileva il sentiment, come reazioni negative.
• Elabora raccomandazioni.
• Riassume i commenti in base a temi ricorrenti, simili o definiti dal cliente.

Elimina le congetture nella previsione e nella gestione del rischio di inondazione, utilizzando algoritmi di machine learning e dati sintetici per gemelli digitali. Sviluppato con dati storici, questo modello basato sull'AI può essere implementato anche quando i dati localizzati sono scarsi, riuscendone così a colmare le lacune.

Il valore di questa soluzione:

• Sicurezza pubblica migliorata.
• Risultati migliori.
• Previsioni estremamente accurate.

Tecniche di AI utilizzate in questa soluzione:

I modelli di machine learning creano un sistema di rilevamento precoce, mentre la tecnologia dei digital twin supportata da dati sintetici consente di prevedere il modello di inondazione.

Ecco cosa può fare l'AI:

• Proteggere: migliora la sicurezza dei cittadini e i servizi di risposta alle emergenze con visibilità in tempo reale e previsioni delle inondazioni.
• Rispondere: riduce l'impatto dei casi di inondazione su proprietà e infrastrutture automatizzando e semplificando i soccorsi.
• Migliorare: ottimizza la pianificazione delle emergenze acquisendo una maggiore consapevolezza della situazione e informazioni storiche.

I modelli di AI offrono:

• Informazioni in tempo reale e consapevolezza della situazione, incluso il monitoraggio delle condizioni attuali con alert automatizzati.
• Previsioni di inondazioni future con alert automatici.
• Analisi storica e forense.
• Modellazione predittiva dell’inondazione.
• Simulazioni per chi gestisce le emergenze, migliorando la modellazione dei vari disastri.

Aumenta la trasparenza e la fiducia tra agenzie fiscali e cittadini con la soluzione Non-Invasive Compliance and Enforcement (NICE). Questo sistema rivolto al cliente analizza in tempo reale gli input dei contribuenti quando presentano le loro dichiarazioni, confrontandole con i dati a disposizione dell'agenzia fiscale. L'analisi identifica potenziali prompt informativi basati su leggi e regolamenti in vigore, fornendo suggerimenti ai contribuenti. Offerto in tempo reale, questo feedback favorisce l'adempimento volontario, assegna punteggi e valuta il potenziale rischio di frode, offrendo ai contribuenti l'opportunità di correggere le dichiarazioni dei redditi senza ricorrere a misure coercitive aggiuntive.

Il valore di questa soluzione:

• Migliore efficienza operativa.
• Maggiore coinvolgimento dei clienti.
• Compliance normativa.

Tecniche di AI utilizzate in questa soluzione:

• Modelli di machine learning, sia supervisionati che non supervisionati.
• Segmentazione dei contribuenti.
• Risoluzione dell'entità.
• Analytics predittivi e analytics prescrittivi.

Ecco cosa può fare l'AI:

• Ottenere insight completi integrando i dati, spesso frammentati, relativi all'imposta sul reddito, all'IVA, ai dazi doganali e alle informazioni provenienti da partner e istituzioni internazionali.
• Migliorare la compliance.
• Far rispettare le normative.
• Ottimizzare le risorse.
• Costruire un rapporto di fiducia tra contribuenti e agenzie fiscali.

I modelli di AI offrono:

• Un sistema analitico completamente integrato che fornisce una visione ampia e approfondita della conformità fiscale e identifica automaticamente i potenziali rischi di frode e i possibili errori nella presentazione delle dichiarazioni.
• Analisi completa dei dati disponibili, compresi i dati di terze parti provenienti da partner nazionali e internazionali. Il sistema identifica e segnala automaticamente potenziali discrepanze in materia di conformità.
• Una visione olistica della storia fiscale del contribuente e una formazione adeguata in base alle sue attività imponibili, oltre al supporto di analytics predittivi per ottimizzare gli sforzi dell'agenzia in materia di conformità e un monitoraggio continuo del rischio di frode attraverso punteggi dettagliati.

Utilizzando i dati sulle proprietà e sulle vendite puoi rivalutare quotidianamente il valore degli immobili residenziali con maggiore rapidità, facilità e precisione rispetto ai metodi tradizionali. Il sistema attribuisce un valore realistico a ciascun fattore considerato, basato sulle interazioni con gli altri fattori relativi a quell'immobile.

Il valore di questa soluzione:

• Insight affidabili in tempo reale.
• Aumento dei ricavi.
• Minore complessità.

Tecniche di AI utilizzate in questa soluzione:

• Analisi avanzata dell'albero di regressione mediante machine learning.

Ecco cosa può fare l'AI:

• Rafforzare il processo decisionale degli uffici pubblici con una visione dei dati integrata e in real-time.
• Ottimizzare le risorse e migliorare l'efficienza dell'amministrazione.
• Accrescere la fiducia dei cittadini garantendo la riservatezza dei dati e la trasparenza dell'AI.
• Essere pronti ad agire con tempestività durante i periodi di incertezza.

I modelli di AI offrono:

• Rivalutazione quotidiana di ogni vendita. Migliaia di alberi decisionali vengono gestiti quotidianamente utilizzando i dati delle vendite di immobili. Da questi alberi decisionali, gli algoritmi estraggono il value di ogni fattore per ciascuna proprietà.
• Classificazione dei fattori per importanza. Gli algoritmi identificano i fattori che influiscono di più sul valore delle proprietà.
• Rivalutazione di tutte le proprietà. L'algoritmo di machine learning calcola il valore di ogni proprietà presente in un'area. In questo modo l'ufficio tecnico può comprendere le tendenze del mercato per le case, i quartieri o l'intera città.