Dall’alert alla conversazione: come Minority Reporters ripensa la verifica antifrode

Un agente vocale basato su intelligenza artificiale che chiama proattivamente i clienti, nella loro lingua, per verificare transazioni sospette, indagare su possibili tentativi di frode e attivare immediatamente misure di protezione.

È questa l’idea al centro del team Minority Reporters, il progetto che ha ottenuto due riconoscimenti al SAS Hackathon 2025: Global Technology Champions per l’uso delle tecnologie di Natural Language Processing e Regional Champion (Europe).
Leggi il Comunicato Stampa.

Dietro al risultato non c’è solo una soluzione tecnologica avanzata, ma un problema reale, vissuto quotidianamente nei contesti antifrode: l’enorme volume di alert che rende impossibile una verifica manuale sistematica e rischia di compromettere la qualità dei modelli nel tempo.

In questa intervista, il team composto da Pasquale Maritato, Fraud Data Scientist di Poste Italiane, Andrea Alessandrelli, PhD student del Programma Nazionale di Intelligenza Artificiale dell’Università di Pisa, e Fabrizio Tomasso, AI Python developer/PM - freelance racconta come è nata l’idea, come è stata progettata la soluzione, quali sfide tecniche e normative sono emerse e perché l’approccio scelto non punta a sostituire l’umano, ma ad amplificarne l’efficacia.

Da dove nasce l’idea di partecipare all’hackathon e come si è formato il team?

La partecipazione agli hackathon è diventata nel tempo una pratica ricorrente. L’iniziativa parte spesso da chi, all’interno del gruppo, intercetta nuove sfide e propone di mettersi in gioco. Il nostro team si è formato all’Università durante un master e, pur lavorando oggi in contesti professionali diversi, continua a ritrovarsi in queste competizioni.

Gli hackathon vengono vissuti come occasioni di apprendimento pratico: esperienze in cui si impara facendo, spesso più rapidamente e in modo più concreto rispetto a quanto accade nella sola dimensione teorica. Nel tempo, questa modalità di lavoro ha consolidato un affiatamento che permette di affrontare progetti complessi con naturalezza, dividendosi i compiti in base alle competenze e mantenendo un clima collaborativo.

Qual è stato il problema concreto da cui siete partiti?

Il punto di partenza è un’esigenza reale dei sistemi antifrode: anche quando la percentuale di alert è bassa rispetto al volume totale delle transazioni, il numero assoluto di segnalazioni può diventare ingestibile manualmente.

La verifica degli alert è però fondamentale, non solo per proteggere il cliente, ma anche per capire se il modello sta prendendo decisioni corrette e per poterlo migliorare nel tempo. Senza verifica, il rischio è che il modello degradi senza che nessuno se ne accorga.

Da qui nasce l’idea iniziale: una demo rudimentale, funzionante su un singolo PC, che però non era né scalabile né utilizzabile da altri. L’hackathon ha offerto l’occasione per trasformare quell’intuizione in una soluzione più strutturata e condivisibile.

Il fatto che il progetto sia nato in un contesto di hackathon non ne ha limitato la credibilità interna. Al contrario, la soluzione ha suscitato interesse già nelle prime fasi di condivisione: presentata informalmente al responsabile diretto di Pasquale Maritato e ad alcuni analisti antifrode di Poste Italiane, ha ricevuto riscontri positivi proprio perché affronta un problema reale, quotidiano e ancora largamente irrisolto. Un segnale che conferma come il progetto del team Minority Reporters non sia solo una demo tecnologica, ma un’ipotesi concreta di lavoro, potenzialmente evolvibile oltre il perimetro della competizione per entrare nei ranghi di una organizzazione aziendale.

Ci potete raccontare meglio il progetto e come funziona il voice agent antifrode?

Si tratta di un voice agent antifrode che entra in azione quando una transazione supera una certa soglia di rischio individuata dal modello di machine learning.

Il funzionamento segue una logica precisa:

• l’agente chiama il cliente solo se il numero non è stato modificato di recente, riducendo il rischio di contatti fraudolenti;
• si presenta come bot, dichiarandolo esplicitamente;
• rassicura il cliente sul fatto che non verranno mai richieste informazioni sensibili come PIN o numeri di carta;
• verifica l’identità del cliente;
• chiede conferma della transazione sospetta.

In base alle risposte, l’agente può confermare la legittimità dell’operazione, segnalare la frode, attivare azioni di protezione come il blocco della carta o limitazioni sull’account. Tutta la conversazione viene trascritta, resa visibile in un front-end e sintetizzata in un memo finale, replicando il comportamento di un operatore umano. Nei casi complessi, o su richiesta del cliente, è sempre previsto il passaggio a un operatore umano: l’approccio è dichiaratamente human-in-the-loop.

Qual è l’architettura tecnologica alla base della soluzione?

La soluzione si basa su una pipeline articolata:

• SAS Model Studio per il modello antifrode di machine learning;
• SAS Intelligent Decisioning per la gestione delle decisioni;
• SAS Viya Workbench con sviluppo in Python per il voice agent;
• SAS Visual Analytics per il monitoraggio post-rilascio e la trasparenza delle azioni.

Il flusso consente di passare dalla previsione del rischio alla decisione operativa, fino alla visualizzazione e alla supervisione umana. Visual Analytics è stato particolarmente apprezzato per la rapidità con cui consente di costruire dashboard rispetto a soluzioni sviluppate interamente in Python.

C’è stata qualche sfida da superare?

Due le sfide più rilevanti.
La prima riguarda la latenza: trattandosi di un agente conversazionale, anche pochi secondi di ritardo avrebbero compromesso la naturalezza della chiamata. È stato necessario un lavoro di ottimizzazione molto fine per ridurre al minimo i tempi di risposta.

La seconda riguarda il deploy: rendere l’applicazione utilizzabile su macchine diverse da quella di sviluppo e gestire correttamente l’accesso al microfono si è rivelato complesso. Test incrociati continui tra di noi hanno permesso di individuare e risolvere progressivamente i problemi.

Un ulteriore livello di complessità è emerso nella fase di test conversazionale: per coprire casi limite e domande inattese, abbiamo simulato molte varianti di dialogo, migliorando la robustezza dell’agente.

Come avete affrontato i temi di fiducia e reputazione?

Il progetto tocca un ambito delicato come quello finanziario, dove il rischio reputazionale è elevato. Per questo la trasparenza è stata una scelta chiave: l’agente si dichiara bot fin dall’inizio, spiega cosa farà e cosa non farà, e offre sempre la possibilità di parlare con un umano.

Esistono poi differenze normative tra Paesi sulle chiamate automatiche, che richiederebbero valutazioni specifiche in un’eventuale messa in produzione. Siamo assolutamente consapevoli che l’esperienza utente è cruciale: una soluzione che funziona “a tratti” potrebbe danneggiare la fiducia invece di rafforzarla.

Quanto ha contato l’affiatamento del team nel successo del progetto?

È stato decisivo. Partecipare in gruppo consente di affrontare progetti più ambiziosi rispetto al lavoro individuale, distribuendo le attività in base ai punti di forza di ciascuno.

Abbiamo sviluppato nel tempo una modalità di lavoro leggera ma rigorosa: se un hackathon non può essere portato a termine non si procede; una volta iniziato un progetto, se qualcuno non è disponibile, gli altri proseguono. Questo rende l’esperienza simile a un hobby formativo, più che a un carico di lavoro aggiuntivo.

Nonostante la distanza geografica e il numero limitato di incontri in presenza, l’allineamento tra di noi è forte e percepibile. È questo equilibrio tra competenza, fiducia e motivazione a rendere sostenibile un impegno intenso e appagante come quello del SAS Hackathon.

16 febbraio 2026