Messaggio INPS In vigore
Messaggio INPS 1384/2024

linee guida per l'implementazione di sistemi di Intelligenza Artificiale - Direttiva n.8
Pubblicato: 07/04/2024 In vigore dal: 07/04/2024 Documento ufficiale
Riferimento normativo

linee guida per l'implementazione di sistemi di Intelligenza Artificiale - Direttiva n.8
Testo normativo

Direzione Generale
Roma, 08-04-2024
Messaggio n. 1384
Allegati n.1
OGGETTO: linee guida per l'implementazione di sistemi di Intelligenza Artificiale - Direttiva n.8
In linea con il Piano Triennale AgID 2024-2026, che pone la valorizzazione del patrimonio
informativo pubblico come obiettivo strategico per la Pubblica Amministrazione e con quanto
disposto dalla Commissione Europea nel “Piano Coordinato sull'Intelligenza Artificiale” COM
(2021) 205 del 21 aprile 2021, l'Istituto adotta la prima direttiva sull’ Intelligenza Artificiale
(IA) per guidare l'implementazione e l'integrazione dell'IA all'interno dell'Istituto e valorizzare
l'impegno dell'INPS verso un utilizzo etico, responsabile, trasparente e inclusivo delle
tecnologie.
La direttiva in allegato definisce le linee attuative necessarie a strutturare un processo
gestionale in grado di promuovere lo sviluppo di ulteriori soluzioni avanzate e di consentire
l'implementazione in scala dell'Intelligenza Artificiale.
Il Direttore Generale
Vincenzo Caridi

ALLEGATO 1
DIRETTIVA DEL DIRETTORE GENERALE N. 8 DEL 8 aprile 2024
Oggetto: Linee guida sull’implementazione di sistemi di Intelligenza Artificiale in INPS
INDICE
1. Il Contesto attuale dell’Istituto, il Piano di Evoluzione e l’introduzione di Intelligenza Artificiale
2. Mission, valori e obiettivi
- Mission
- Valori
- Obiettivi strategici
3. La legge europea sull’Intelligenza Artificiale (AI ACT)
4. Il percorso di evoluzione intrapreso dall’Istituto
- Classificazione delle soluzioni di IA sulla base dei rischi potenziali
- Framework di lavoro e tecnologia
Fonti, dati e loro gestione
o
Al Enterprise Architecture
o
Le scelte tecnologica e la correlazione con i costi attesi
o
5. Descrizione degli ambiti di azione
- Clusterizzazione dei progetti INPS che sviluppano sistemi di IA
Automatizzare le attività ripetitive
o
Personalizzazione dei servizi
o
Miglioramento del processo decisionale
o
Miglioramento dell’efficienza operativa
o
Incremento della sicurezza e della compliance
o
Miglioramento interazioni con i cittadini
o
6. Linee attuative
- Ambito Persone
- Ambito Modelli operativi e processi
- Ambito Governance
1
1. Il contesto attuale dell’Istituto, il Piano di Evoluzione e l’introduzione di IA
L'Istituto con il suo Piano Strategico Digitale ICT 2022-2024, ha intrapreso un percorso di evoluzione
focalizzato su azioni concrete per generare un impatto tangibile per cittadini ed imprese, che sta
proseguendo grazie all’avvio dei Piani di Evoluzione dei Servizi di ogni Direzione Centrale, fortemente
improntati alla semplificazione e all’efficientamento attraverso l’uso delle nuove tecnologie.
In tale contesto di evoluzione e crescita per l'Istituto, l’uso dell’Intelligenza Artificiale (IA) rappresenta una
grande opportunità per incrementare l’efficienza e l’efficacia nella gestione e nell’erogazione dei servizi
pubblici.
L’IA si prospetta come una tecnologia rivoluzionaria per l’evoluzione dei servizi erogati dall’Istituto in
quanto fattore abilitante per la generazione di valore attraverso i dati, utilizzati per sviluppare sistemi in
grado di apprendere automaticamente ed elaborare il linguaggio naturale, con il fine di rispondere alle
esigenze degli utenti. L’IA, inoltre, rappresenta un’opportunità per l’istituto di adattarsi a un contesto
mutevole, grazie a modelli di evoluzione dei processi che si basano su grandi quantità di dati, per indirizzare
azioni di miglioramento che limitano sprechi e inefficienze.
L’INPS, infatti, eroga prestazioni a decine di milioni di utenti: attualmente sono oltre 450 le prestazioni
erogate, e quindi dispone nelle proprie banche dati di una enorme patrimonio informativo, che negli anni
è progressivamente uscito dall’ambito dei silos informativi, per entrare in un’ottica di interoperabilità.
L’Istituto ha intrapreso un percorso per razionalizzare, valorizzare e integrare il patrimonio informativo e
renderlo disponibile a utenti e altre Pubbliche Amministrazioni), “liberando” questi dati per un uso diffuso
e finalizzato alla crescita del Sistema Italia.
La generazione di valore tramite l’IA rappresenta, peraltro, un tema centrale all’interno del Piano Triennale
AgID 2024-2026, che pone la valorizzazione del patrimonio informativo pubblico come obiettivo
strategico per la Pubblica Amministrazione, in coerenza con quanto espresso dalla Commissione Europea
nel “Piano Coordinato sull'Intelligenza Artificiale” COM (2021) 205 del 21 aprile 2021.
In questo contesto, è possibile citare alcune tra le potenzialità delle tecnologie di intelligenza artificiale:
• supportare la personalizzazione dei servizi incentrata sull'utente, aumentando l'efficacia
dell'erogazione dei servizi pubblici anche attraverso meccanismi di proattività;
• automatizzare attività di ricerca, analisi e processing delle informazioni semplici e ripetitive,
liberando tempo di lavoro per attività a maggior valore;
• migliorare i servizi pubblici sulla base dei feedback ricevuti, grazie alla possibilità di analizzare
grandi quantità di dati, utilizzati per l’innovazione delle applicazioni;
• supportare gli utenti nella comprensione di testi e servizi, sia grazie alla possibilità di generare
rapidamente testi semplici e accessibili, sia per la possibilità di comprendere e intercettare in
tempo reale le esigenze degli utenti e fornire spiegazioni contestuali.
In questo scenario, l’Istituto, come rappresentato nel Piano Triennale AgID, è pioniere nell’utilizzo delle
soluzioni basate sull’IA, poiché ha concluso con successo molteplici iniziative progettuali, quali:
• adozione di chatbot per semplificare e personalizzare l'interazione con l’utente, migliorando
l'accessibilità e l'usabilità dei servizi (Masterbot Generalista e Skillbot specializzato);
2
• gestione delle richieste al customer service attraverso una soluzione basata su IA che INPS ha
sviluppato, consentendo di indirizzare correttamente oltre un terzo delle richieste direttamente
all’operatore di secondo livello, garantendo pertanto un notevole risparmio di lavoro umano da
parte dell’operatore di primo livello;
• classificazione e smistamento automatico della posta elettronica certificata (PEC): la soluzione
sviluppata dall'INPS, basata su IA, consente uno smistamento automatizzato e rapido delle PEC in
arrivo, senza richiedere l'intervento umano.
• Sviluppo di indici di affinità per l’ottimale incrocio tra domanda e offerta di lavoro nella
piattaforma SIISL
Oltre ai progetti menzionati sopra, INPS si sta specializzando anche nel portare avanti iniziative di IA
nell’ambito del contenzioso e legale.
Un progetto simile, relativo sempre all’estrazione dei dati dai documenti, è “Smart Prof” con il quale l’INPS
sta efficientando la sistemazione dei conti assicurativi individuali.
Insieme ai vantaggi vi sono anche dei punti di attenzione sull’IA, affrontati dalla recente legge Europea
sull’Intelligenza Artificiale – EU AI ACT. A tal proposito, l’Istituto sta individuando i rischi e le azioni di
mitigazione, tra cui l’istituzione di un Data Competence Center e un Gruppo di Monitoraggio dei progetti
IA, che ha tra le varie attività anche lo scopo di monitorare e minimizzare i rischi legati all’IA.
2. Mission, valori e obiettivi
E’ necessario delineare la mission, i valori fondamentali e gli obiettivi strategici che guideranno
l'implementazione e l'integrazione dell'IA all'interno dell'Istituto, stabilendo un quadro chiaro e definito per
l'adozione dell'IA e valorizzando l'impegno dell'INPS verso un utilizzo etico, responsabile, trasparente e
inclusivo delle tecnologie, al servizio dei cittadini.
Attraverso la definizione di questi elementi fondamentali, si intende assicurare che l'evoluzione digitale
dell'INPS sia guidata da una visione strategica che metta al centro il benessere dei cittadini, la sostenibilità
operativa e l'efficienza dei servizi.
Mission
La mission che guida la strategia IA dell'INPS è preparare l'Istituto all'adozione e all'integrazione efficace
delle tecnologie basate sull'intelligenza artificiale, al fine di potenziare le sue capacità di servire i cittadini.
Questa missione pone al centro il miglioramento della qualità della vita dei cittadini attraverso
l'ottimizzazione dei servizi, l’eliminazione delle diseconomie e l'efficienza operativa. L'obiettivo è quello di
garantire che l'INPS si trovi nella miglior posizione possibile per beneficiare delle opportunità offerte
dall'IA, in modo rapido e sicuro.
L’obiettivo si può così esplicitare:
Abilitare un futuro in cui l'intelligenza artificiale migliori sostanzialmente la vita dei cittadini,
ottimizzando i servizi per renderli più efficienti, accessibili e personalizzati. Ci impegniamo a sfruttare
responsabilmente le tecnologie IA per massimizzare il valore per l'utente, abbattendo diseconomie e
3
inefficienze, e assicurando che ogni iniziativa sia guidata da valori di responsabilità, inclusività,
miglioramento continuo, rispetto, concretezza e ascolto.
Attraverso un approccio strategico mirato, l'INPS si propone quindi di evolvere i servizi pubblici in modelli
di eccellenza digitale, garantendo al contempo un impatto positivo e misurabile sul benessere dei cittadini
e sulla società nel suo insieme.
Valori
La strategia IA dell'INPS è fondata sui seguenti valori, che rappresentano i pilastri etici e operativi
dell'Istituto:
• Responsabilità: assicurare una gestione oculata e responsabile dell'IA, con particolare attenzione
alla sicurezza dei dati, alla privacy dei cittadini e all'etica nell'uso delle tecnologie.
• Inclusività: garantire che l'adozione dell'IA non solo migliori i servizi per tutti i cittadini, ma che
renda anche più accessibili e fruibili tali servizi a categorie escluse o marginalizzate.
• Miglioramento Continuo: puntare costantemente all'innovazione e al perfezionamento dei servizi
attraverso l'IA, in modo da rispondere dinamicamente alle esigenze dei cittadini e alle sfide del
contesto sociale ed economico.
• Rispetto: valorizzare e proteggere l'integrità e i diritti dei cittadini nell'impiego delle tecnologie IA,
promuovendo un uso consapevole e rispettoso delle stesse.
• Concretezza: tradurre i benefici dell'IA in miglioramenti tangibili e misurabili per i cittadini, con
soluzioni pratiche che rispondano effettivamente ai loro bisogni.
• Ascolto: l’impegno ad implementare un processo sistematico di misurazione e analisi degli impatti
dei servizi IA sui cittadini, utilizzando i feedback e gli insight raccolti per affinare e correggere le
azioni dell’Istituto. Questo valore enfatizza l'importanza di basare le decisioni e gli aggiustamenti
strategici sui dati e sulle percezioni reali degli utenti, garantendo che le soluzioni IA siano
continuamente ottimizzate per rispondere efficacemente alle loro esigenze e aspettative.
Obiettivi Strategici
Gli obiettivi strategici delineati di seguito mirano a tradurre la mission e i valori in azioni concrete e
misurabili:
1. Ottimizzazione dei Servizi: utilizzare l'IA per migliorare l'efficienza e l'efficacia dei servizi offerti,
riducendo tempi di attesa e complessità per i cittadini.
2. Abbattimento delle diseconomie: implementare soluzioni IA che identifichino e minimizzino
sprechi e duplicazioni nelle operazioni e nei servizi, assicurando una gestione delle risorse più
sostenibile.
3. Coordinamento delle Iniziative: sviluppare un framework di governance per l'IA che prevenga
iniziative non coordinate, evitando rischi e sprechi derivanti da silos organizzativi o strategie
disallineate.
4. Partnership Strategiche: selezionare e gestire le relazioni con i fornitori tecnologici basandosi sui
valori di responsabilità, trasparenza e allineamento agli obiettivi dell'INPS, evitando dipendenze
che possano pregiudicare l'autonomia strategica dell'Istituto e il coordinamento degli sforzi
profusi.
4
5. Inclusione Digitale: assicurare che l'implementazione dell'IA all'INPS promuova l'inclusione,
rendendo i servizi più accessibili a tutti i segmenti della popolazione, in particolare a coloro che
sono a rischio di esclusione digitale.
6. Feedback Continuo: istituire meccanismi di ascolto e feedback che permettano ai cittadini di
esprimere valutazioni e suggerimenti sui servizi migliorati tramite l'IA, integrando queste
informazioni nel ciclo di miglioramento continuo.
7. Misurazione Oggettiva degli Impatti: implementare sistemi di valutazione e metriche chiare per
quantificare in termini oggettivi l'impatto dell'IA sui servizi, focalizzandosi sulla creazione di valore
per gli utenti. Questo obiettivo prevede lo sviluppo di indicatori di performance che riflettano
miglioramenti tangibili nella qualità, nell'accessibilità e nell'efficienza dei servizi, consentendo di
valutare continuamente l'efficacia delle soluzioni IA implementate e di adeguare le strategie in
base ai risultati ottenuti. La misurazione oggettiva degli impatti facilita anche la comunicazione
trasparente con i cittadini riguardo ai benefici reali apportati dall'adozione dell'IA, rafforzando la
fiducia nel processo di digitalizzazione e nell'uso etico delle tecnologie avanzate.
Attraverso il rispetto di questi valori e il perseguimento di questi obiettivi strategici, l'INPS si impegna a
sfruttare le potenzialità dell'intelligenza artificiale per innovare e migliorare i servizi offerti ai cittadini,
garantendo al contempo che l'adozione di queste tecnologie sia guidata da principi etici forti e un impegno
costante verso il benessere e l'inclusione sociale. Questo approccio strategico assicurerà che l'INPS non
solo risponda più efficacemente alle esigenze attuali e future dei cittadini ma lo faccia in modo sostenibile,
etico e responsabile.
3. La Legge europea sull’intelligenza artificiale (AI ACT)
Il 13 Marzo 2024 il Parlamento Europeo ha approvato a larga maggioranza il testo finale della legge
Europea sull’Intelligenza Artificiale (EU AI Act), che ha l’obiettivo primario di assicurare che l’IA in Europa
preservi la salute, la sicurezza e il rispetto dei diritti fondamentali della persona. Secondo il regolamento, i
sistemi di intelligenza artificiale dovrebbero fungere da strumento per le persone, con il fine ultimo di
migliorare il benessere degli esseri umani. Il Regolamento fornisce regole chiare e solide nel tutelare i diritti
fondamentali, sostenere nuove soluzioni innovative e consentire un ecosistema europeo di attori pubblici
e privati che creino sistemi di IA in linea con i valori dell'Unione e sblocchino il potenziale della
trasformazione digitale in tutte le regioni dell'Unione. Stabilendo tali regole nonché le misure a sostegno
dell'innovazione, con particolare attenzione alle piccole e medie imprese (PMI), comprese le start-up, il
regolamento contribuisce agli obiettivi di:
1. promuovere l'approccio antropocentrico europeo all'IA
2. divenire un leader mondiale nello sviluppo di un'intelligenza artificiale sicura, affidabile ed etica,
come affermato dal Consiglio europeo,
3. garantire la tutela dei principi etici, come specificamente richiesto dal Parlamento europeo.
Il Regolamento sarà a breve pubblicato in Gazzetta Ufficiale e diventerà immediatamente applicabile in
tutti gli Stati Membri.
5
I primi obblighi avranno efficacia dopo soli 6 mesi. Altri diverranno attivi con una roadmap che si estende
su due anni. Le sanzioni per la non compliance possono arrivare a 35 milioni di Euro ovvero al 7% del
fatturato annuo globale.
Il nuovo regolamento europeo utilizza la definizione di sistema di intelligenza artificiale proposta
dall’OCSE, che esclude i software tradizionali più semplici e gli approcci di programmazione. I sistemi di IA
coperti includono quelli ad alto rischio e quelli per uso generale, come ad esempio i chatbot. In senso ampio
e generale, si identifica come “sistema di intelligenza artificiale” un qualsiasi sistema machine-based
progettato per operare con vari livelli di autonomia che possa mostrare capacità di adattamento dopo
l'implementazione e che, per obiettivi espliciti o impliciti, deduce, dagli input ricevuti, come generare output quali
previsioni, contenuti, raccomandazioni o decisioni che possano influenzare ambienti fisici o virtuali.
A titolo esemplificativo e non esaustivo, si intendono sistemi di intelligenza artificiale: chatbot intelligenti,
sistemi di supporto alle decisioni dell'operatore, sistemi di raccomandazione, sistemi di scoring, sistemi di
cognitive search, sistemi di speech analytics, sistemi che utilizzano algoritmi predittivi.
4. Il percorso di adozione dell’IA intrapreso dall’Istituto
L’Istituto ha avviato un percorso di adozione dell’Intelligenza artificiale che mira a garantire che questa
tecnologia sia utilizzata in modo etico, sicuro e responsabile, cercando di massimizzare il valore per
l’utente finale. Ciò implica la definizione di regole, norme e linee guida per lo sviluppo, l’implementazione
e l’uso dell’IA. La governance dell’IA affronta questioni come la trasparenza, la responsabilità, la privacy,
l’equità e la sicurezza. Per indirizzare correttamente l’adozione delle soluzioni di intelligenza artificiale
sono state individuate le seguenti fasi:
1. PROMOZIONE
Strutturare un centro di competenza che garantisca il constante aggiornamento sugli ultimi
sviluppi della IA, la diffusione delle conoscenze a tutta la struttura e proponga iniziative di uso di
IA, integrative rispetto ai progetti proposti;
2. PRIORITIZZAZIONE
Definire un modello di sintesi per la raccolta delle informazioni progettuali preliminari e individuare
metodi e strumenti utili all’assegnazione delle priorità della singola iniziativa. In tale fase, il primo
passo necessario è l’avvio di un’attività di mappatura di tutti gli ambiti potenzialmente impattati
dalla nuova legge (secondo la definizione sopra riportata).
Con tale obiettivo, è stato effettuato un primo censimento dei progetti PES e PNRR in corso che
utilizzano strumenti di IA, come possibili use case.
Inoltre, per supportare il censimento dei sistemi di IA in esercizio (progetti conclusi) e in corso di
realizzazione è stata realizzata una App intranet denominata “Censimento sistemi di
Intelligenza artificiale per la compliance allo AI ACT” in cui ogni referente della DCTII, con
l’eventuale supporto del Data Competence Center, potrà fornire le informazioni sui sistemi
impattati (benefici, applicazioni, utenti finali, dati utilizzati, servizi impattati, ecc..) necessarie per
6
una prima valutazione di impatto. Tali informazioni, infatti, saranno utilizzate per valutare il grado
di rischio connesso con le applicazioni, secondo quanto previsto dalle linee guida allo “stato
attuale”, grazie all’applicazione del modello di valutazione del valore, della complessità e del rischio
per garantire la conformità nel tempo.
3. MONITORAGGIO
Definire le opportune tipologie di KPI di monitoraggio con relative metriche e strumenti di
rilevazione, con particolare attenzione alla misurazione degli impatti positivi per l’utenza.
4. COMPLIANCE E RISCHI
Individuare obblighi e responsabilità introdotti dall’EU AI ACT nonché le modalità con le quali
queste direttive normative devono essere integrate nell’attuale sistema di gestione dei rischi
dell’Istituto
5. INTEGRAZIONE CICLO DI VITA PROGETTI
Definire le modalità di avvio e conduzione delle attività progettuali per offrire supporto e strumenti
di monitoraggio «personalizzati» alle strutture investite della responsabilità di progetto
6. STANDARDIZZAZIONE SOLUZIONI
Definire un modello di standardizzazione delle soluzioni IA con l’obiettivo di ridurre le ridondanze
applicative e mitigare i rischi relativi alla duplicazione di fonti, dati e processi.
Per ciascuna delle suddette fasi è previsto il coinvolgimento di organi/strutture decisionali interne
relativamente alle tematiche di pertinenza e l’utilizzo di strumenti di supporto specifici.
Ad esempio:
1. la fase di Prioritizzazione è supportata dall’introduzione dell’AI Canvas, strumento in cui vengono
riportate tutte le informazioni del progetto in ambito IA, e dalla Matrice di Prioritizzazione le cui
metriche determinano l’ordine di priorità dei progetti sulla base del valore aggiunto, del rischio e
della maturità delle soluzioni per l’implementazione;
2. la fase di Monitoraggio è supportata dal Cockpit di Monitoraggio, ovvero una dashboard di
overview contente le metriche di monitoraggio (tecniche, di impatto e di capacity) per i cluster IA
di interesse per l’Istituto (i.e. chatbot, semantic search, entity classification, metadata extraction,
anomaly detection, recommendation, etc.);
3. la fase di Compliance e Rischi viene supportata dalla definizione delle metriche di valutazione del
rischio associato all’IA (sicurezza, privacy, trasparenza, fairness, ed etica) per individuare un
modello di classificazione dei progetti nelle categorie di rischio previste dall’EU AI Act (proibite, alto
rischio, rischio limitato, rischio minimo) che vengono riportate all’interno dell’AI Canvas;
4. l’integrazione nel ciclo di vita dei progetti e la standardizzazione delle soluzioni sono supportate
dal framework INPS IA@SCALE.
Classificazione delle soluzioni di IA sulla base dei rischi potenziali
7
Con l’introduzione della nuova normativa europea (EU AI ACT) sarà necessario adottare strumenti e
metodologie di valutazione del rischio associato all’adozione della IA.
In particolare, per le categorie:
1. Pratiche di IA vietate
Pratiche di IA pericolose che comportano "rischi inaccettabili" per la sicurezza, i mezzi di
sussistenza e i diritti, ad esempio:
 l'impiego di sistemi di intelligenza artificiale con “tecniche subliminali" (strategie o metodi
che influenzano il comportamento di una persona in modi che rimangono al di sotto della
soglia di percezione conscia)
 l’espansione dei database di riconoscimento facciale attraverso lo “scraping” di immagini
dal web
 lo sfruttamento di gruppi di vulnerabilità specifici basati su caratteristiche, status sociale,
età o disabilità
 l’utilizzo dell'intelligenza artificiale per il social scoring
 l’utilizzo dell'identificazione biometrica a distanza negli spazi pubblici
 l’inferenza delle emozioni di una persona fisica in luoghi di lavoro e istituzioni scolastiche.
2. Sistemi di Intelligenza Artificiale ad alto rischio
Sistemi di intelligenza artificiale che minacciano la salute, la sicurezza o i diritti fondamentali, ad
esempio:
 l’accesso a servizi e benefici privati e pubblici essenziali (i.e. credito, assistenza sanitaria,
assicurazione, etc.)
 la gestione e il funzionamento delle infrastrutture critiche
 l’utilizzo in prodotti per la salute e la sicurezza (i.e. giocattoli, aviazione, automobili,
dispositivi medici, ascensori, etc.)
 l’occupazione, la gestione dei lavoratori e l’accesso al lavoro autonomo.
3. Sistemi di Intelligenza Artificiale a rischio limitato
Per esempio:
 Sistemi di IA che interagiscono con le persone in linguaggio naturale (i.e. chatbot)
 Sistemi di categorizzazione biometrica
 Sistemi di intelligenza artificiale che generano/manipolano contenuti (i.e. deep fake)
4. Sistemi di Intelligenza Artificiale per scopi generici
Sistemi che utilizzano modelli di IA che mostra una significativa generalità ed è in grado di eseguire
con competenza un'ampia gamma di compiti distinti indipendentemente dal modo in cui il modello
viene immesso sul mercato.
Framework di lavoro e tecnologia
Dopo aver individuato le iniziative progettuali che hanno l’obiettivo di realizzare sistemi di Intelligenza
artificiale, i progetti vengono indirizzati attraverso il framework denominato INPS IA@SCALE, di seguito
8
rappresentato graficamente.
L’INPS AI@SCALE è il framework adottato dall’Istituto per indirizzare quanto necessario per
un’adozione industrializzata e standardizzata delle soluzioni di Intelligenza Artificiale (IA) all’interno
dell’Istituto.
Il framework è composto da tre “focus area” all’interno delle quali sono stabiliti obiettivi e raggio di
azione:
• AI Value Management: stabilisce i casi d’uso (progetti PES) inquadrandoli sotto il profilo
dell’ambito di applicazione, dei benefici attesi e degli attori coinvolti (AI Use Case Canvas); fornisce
per ciascun progetto una priorità ed una pianificazione temporale, nonché le metriche e gli
strumenti per monitorarne avanzamento e successo (AI Governance); stabilisce l’impatto
tecnologico sulle aree applicative (AI Application), in termini di evoluzioni software, integrazioni
con le piattaforme tecnologiche, in particolare quelle relative alle “AI industrialized solutions” e
gestione operativa della soluzione, riportando all’AI Governance le metriche misurate.
• AI & Data Scope / Risk Definition: stabilisce le classi di Algoritmi richiesti per indirizzare i casi d’uso
(progetti PES) ed i dati necessari, nonché le modalità di accesso ai dati, le restrizioni e le tecniche
di anonimizzazione richieste per abbattere i rischi rispetto ai regolamenti vigenti
Insight / Vision / Voice / ML: stabilisce cosa possono fare gli algoritmi per l’analisi
o
predittiva e le advanced analytics, gli algoritmi di computer vision o di voice recognition e
più in generale gli algoritmi di machine learning supervised e unsupervised
9
LLM (Generative AI): stabilisce cosa possono fare i modelli di IA basati sul linguaggio (reti
o
neurali di miliardi di nodi), orientati alla generazione di contenuti; rappresentano un
approccio costoso economicamente, la cui scelta va opportunamente valutata
Collocazione / accesso dati: racchiude le specifiche dell’Istituto per collocare i dati oppure
o
per accedervi, abilitante la “data preparation” che tipicamente precede ogni progetto IA
AI Trustworthy: identifica quanto necessario per garantire una soluzione Etica, Affidabile
o
e Responsabile, nel rispetto dei principi definiti nell’EU AI Act, in particolare per la cura
dell'impatto sociale dell'IA in Istituto e per la trasparenza nei processi decisionali degli
algoritmi e la relativa riduzione dei bias cognitivi ma anche per la mitigazione dei rischi
legati a temi di privacy e sicurezza del dato e per la definizione delle relative policy
• AI Platform Engineering: è il layer in cui sono descritti gli elementi tecnologici delle soluzioni, in
particolare specifici Algoritmi e Modelli, Tecnologie di implementazione e Architetture (ad es. la
RAG), nonché le due modalità di implementazione più di natura sperimentale oppure
industrializzata:
AI Challenging Solutions: sono soluzioni particolarmente innovative, che non richiedono
o
l’adesione all’ecosistema dell’istituto (soluzioni outside); colgono particolari sfide come
quella di sfruttare modello open source dotandosi di un’infrastruttura in house di GPU; tali
soluzioni possono nascere anche dalla collaborazione di attori esterni come Università,
Centri di Ricerca od altre Istituzioni; rientrano in queste soluzioni i prototipi;
Data Box 4 AI: sono i dati preparati ad hoc, movimentati ed utilizzati appositamente per le
o
“AI Challenging Solutions”; richiedono forte attenzione sull’anonimizzazione del dato e la
creazione di dati sintetici utilizzabili efficacemente per il training dei modelli di IA
AI Industrialized Solutions: sono soluzioni di piattaforma già in essere (soluzioni inside),
o
che evolvono per la progressione di modelli algoritmici e delle componenti tecnologiche, in
base a criteri economici e di performance, senza modificare l’impianto architetturale
KB / Data Lake House: sono i dati processati in modo ripetuto dall’Istituto, per gli usi
o
previsti dalle “AI Industrialized Solutions” e possono essere documenti (e.g., circolari,
messaggi, allegati di procedure, documentazione legale) oppure dati provenienti sia dal
Data Ware House che direttamente dagli applicativi gestionali verticali o trasversali
Architettura e strumenti: sono le blueprint architetturali ed i tool a supporto del progetto
o
specifico e delle IT operation, le linee guida IT ed i processi IT che l’Istituto ha stabilito
AI Models & Technology: sono l’elenco delle piattaforme tecnologiche proprietarie ed
o
open source, le librerie software ed i modelli di IA già adottati e gestiti dall’Istituto; in
questo elenco compaiono modelli e tecnologie a vari livelli di maturità che vanno dal primo
“garage” livello “incubation” , qualificanti le “AI challenging solutions” fino al terzo “early
adoption” e quarto “standard”, qualificanti le “AI industrialized solution”;
Outside In – Inside Out: fase in cui si stabiliscono le azioni da mettere in campo all’interno
o
dell’Istituto per consentire la trasformazione di una “AI Challenging solution” in una “AI
Industrialized solution”. Tale approccio permette di generare valore nell’interazione al di
fuori delle mura dell’Istituto, nella sinergia di idee, prodotti e competenze che risiedono in
soggetti «esterni», come startup, università, centri di ricerca. Con il successo dell’iniziativa,
10
l’innovazione si muove (outside in) verso un percorso di industrializzazione della soluzione,
tramite l’Integrazione nell’architettura dell’Istituto e l’innalzamento del livello di maturità
de deli livello di adozione tecnologica, replicabile su larga scala nell’Istituto e fuori (inside
out).
Fonti dati e loro gestione
Il framework INPS AI@SCALE mappa le fasi di gestione della sorgente informativa attraverso le due
diverse modalità di Data Box 4 AI e KB / Data Lake House rispettivamente contenente dati non sensibili
(ad esempio generati attraverso meccanismi di sintetizzazione tramite intelligenza artificiale) utili per la
fase di test, e dati reali necessari alle AI Challenging Solutions e AI Industrialized Solutions.
Le tipologie d’informazioni necessarie all’IA per inferire gli output sono le seguenti tre:
• dati strutturati (es: Numerici, Categoriali);
• dati non strutturati (es: Immagini, Audio, Video, Testo libero);
• dati semi-strutturati (es: XML, JSON, Grafici).
La fase di AI & Data Scope, in particolare con l’azione Collocazione / accesso dati, definisce per ciascuna
tipologia di analisi e di modellazione, la fonte informativa di riferimento e le modalità di trattamento del
dato.
Fasi di utilizzo delle fonti dati
L’utilizzo dei dati è uno degli aspetti critici nello sviluppo di modelli di Intelligenza Artificiale. I dati, infatti,
possono giungere da diverse fonti informative, con formati e metriche diverse.
Le fasi di utilizzo delle fonti dati sono tre: preparazione, training e deploy dei modelli di IA.
Nella fase di preparazione dei dati ci sono due step finalizzati a rendere i dati disponibili nel formato
corretto e nella giusta qualità per l’analisi:
• Step di individuazione e ingestion dei dati, che si declina nelle attività di individuazione ed
acquisizione delle fonti dati sull’ambiente di addestramento;
• Step di data cleaning, che consiste nell’attività di pulizia e strutturazione del dataset, attraverso
l’identificazione, correzione e rimozione di errori, inconsistenze, valori anomali e dati incompleti o
inaccurati presenti in un set di dati.
A seguito delle attività di preparazione del dato, si può dividere il dataset, per alcune tipologie di training,
in training set e test set (o in più parti qualora si optasse per una valutazione tramite cross-validation), che
11
saranno utilizzate successivamente per valutare le prestazioni del modello.
FASE 1 - Preparazione
Di seguito in dettaglio è illustrato ciascuno step della fase di preparazione dei dati nelle due casistiche
previste: Dati strutturati e semi-strutturati, Dati non strutturati.
DATI STRUTTURATI E SEMI-STRUTTURATI
A. Step di individuazione ed ingestion dei dati
La fase di individuazione e ingestion è il primo fondamentale step che consiste nell’individuare le fonti dati
da utilizzare nell’addestramento degli algoritmi e attivare i processi di trasferimento dei dati dalla sorgente
di origine all’architettura di addestramento target. Quando si tratta di dati strutturati, che sono dati
organizzati in formati predefiniti come tabelle di database o file CSV, il processo di data ingestion può
essere standardizzato:
Identificazione delle fonti di dati: Il primo passo è identificare le fonti di dati da cui si desidera
o
acquisire i dati strutturati. Per rispettare i vincoli di compliance e la privacy degli utenti interni ed
esterni (Cittadini e imprese), una parte dei dati archiviati nei data base dell’Istituto necessita di una
ulteriore fase di anonimizzazione. Tali misure, insieme alle policy di accesso al dato, sono
importanti per garantire la protezione dei dati by design e by default.
Definizione dello schema dei dati: È importante comprendere la struttura dei dati nelle fonti di
o
origine. Questo include la definizione dei nomi dei campi, dei tipi di dati, delle relazioni tra le tabelle
(nel caso di database relazionali) e altre informazioni pertinenti.
Estrazione dei dati: Una volta identificate le fonti di dati e definite le connessioni, si procede con
o
l'estrazione dei dati dalle sorgenti di origine.
Caricamento dei dati: Una volta che i dati sono stati estratti e trasformati, vengono caricati nel
o
sistema di destinazione.
Monitoraggio e gestione dei dati: È importante monitorare il processo di data ingestion per
o
garantire che funzioni correttamente e che i dati siano aggiornati e completi. Questo potrebbe
includere il monitoraggio delle performance degli applicativi nel processo di ingestion, la gestione
degli errori e la gestione delle modifiche nella struttura dei dati di origine.
Il processo descritto si appoggia su diverse capabilities tecnologiche, in funzione della frequenza
di aggiornamento dei dati che può essere ad esempio batch per gli addestramenti degli algoritmi e
near-real time o real time per il loro funzionamento in ambienti di produzione.
12
B. Step di data cleaning
Per un dataset strutturato, solitamente rappresentato in viste tabellari, gli step minimi da eseguire
nella pulizia del dataset sono:
• Gestione dei dati duplicati: Verifica della presenza di dati duplicati e gestione via eliminazione con
trattamenti appropriati, se necessario.
• Correzione degli errori nei dati: Identificazione e correzione di eventuali errori nei dati, come errori
di battitura o valori anomali che potrebbero influenzare negativamente i modelli, derivanti ad
esempio dall’integrazione con altre fonti dati all’interno della PA.
• Gestione delle anomalie e degli ou.tliers: Identificazione e gestione delle anomalie e degli outliers
(valori chiaramente distanti dagli altri, ai limiti dei range) nel dataset, decidendo se eliminarli,
trasformarli o trattarli in modo diverso a seconda del contesto dell'analisi.
• Gestione dei valori mancanti: Identificazione e gestione dei valori mancanti nel dataset. Questi
possono essere eliminati, interpolati o sostituiti con valori appropriati, a seconda del contesto e
della natura dei dati.
• Normalizzazione dei dati: Se necessario, normalizzazione, in funzione dei modelli che si vogliono
testare, per garantire confrontabilità tra le variabili e la convergenza degli algoritmi.
DATI NON-STRUTTURATI
A. Step di individuazione e ingestion dei dati
Nell'intelligenza artificiale, l'utilizzo dei dati non strutturati riveste un ruolo cruciale per
l'elaborazione di informazioni provenienti da testo, immagini, audio e video. Questi dati non
seguono uno schema predefinito e richiedono tecniche specializzate per l'analisi e l'estrazione di
significato.
Le fasi di ingestion di dati di questo tipo sono analoghe a quelle descritte per i dati strutturati,
variando ovviamente le tecnologie coinvolte, considerando quindi l’uso del Data Lake e di database
vettoriali.
Inoltre, per quanto concerne l’analisi testuale, l’Istituto ha definito le linee guida per la creazione
di documenti destinati all'intelligenza artificiale di tipo generativo che alimenta i chatbot intelligenti
che l’INPS metterà a disposizione dei cittadini. In particolare, nell'ambito della redazione di
documenti destinati all'intelligenza generativa per chatbot intelligenti dell’INPS si fa riferimento a
una sorgente informativa fondamentale INPSInforma, nella cui redazione si definiscono una serie
di principi chiave da adottare finalizzati a garantire chiarezza, coerenza ed efficacia nelle
informazioni fornite. In particolare, sarà necessario strutturare il documento per capitoli, ciascuno
dei quali dovrà includere risposte alle domande frequenti (FAQ), provenienti dal Contact Center o
altre fonti. La knowledge base deve rispondere alle domande cruciali degli utenti, fornendo
informazioni complete sulle tematiche di interesse.
B. Step di data cleaning
I dati non strutturati possono presentare diverse problematiche, come rumore, errori,
inconsistenze, duplicati, valori mancanti o informazioni non rilevanti, che possono compromettere
la qualità e l'affidabilità delle analisi e dei modelli. La pulizia dei dati non strutturati consente di
13
ridurne dimensioni, complessità e ambiguità, migliorandone l'accuratezza, completezza e
usabilità. Il processo di pulizia dei dati, nel caso dei dati non strutturati, varia in base alla tipologia
di dato considerato, ad esempio: nel caso dei testi liberi la procedura standard prevede la
correzione ortografica e la gestione delle parole duplicate, la rimozione della punteggiatura, dei
caratteri speciali, delle stop words (parole comuni che non aggiungono valore all’analisi) e degli
spazi bianchi aggiuntivi; per le immagini si procede con la rilevazione e la rimozione degli elementi
anomali, si gestiscono i dati mancanti o incompleti, garantendo che l'insieme di dati sia completo
e affidabile, si procede con la normalizzazione e la standardizzazione dei dati per rendere uniformi
le caratteristiche delle immagini, facilitando così l'elaborazione e l'interpretazione.
Rispetto a quanto precedentemente descritto, il pre-processamento deve anche prevedere una
trasformazione dei dati in un formato utilizzabile dagli algoritmi di intelligenza artificiale che, il più delle
volte, può essere agevolato estraendo dai dati strutturati dei metadati più significativi. Ad esempio, per
utilizzare un testo libero potrebbe essere più semplice utilizzare le parole chiave, le frequenze di alcune
parole o le rappresentazioni vettoriali come Word Embeddings. Per immagini e video, potrebbero essere
utilizzate caratteristiche estratte da reti neurali convoluzionali (CNN), mentre per l'audio potrebbero
essere estratti spettri di frequenza o altre caratteristiche audio rilevanti.
A questo punto i metadati estratti possono essere consolidati in formati strutturati o semi-strutturati
e possono essere utilizzati all’interno dei flussi di addestramento e deploy così come descritto nei
paragrafi successivi.
FASE 2 - Addestramento del modello
FASE 1–PREPARAZIONE FASE 2- TRAINING FASE 3-DEPLOY
A. Stepdi individuazione edingestiondei dati
B. Step di datacleaning
Datistrutturatie semi-strutturati
Dati nonstrutturati
Il training dei modelli di Intelligenza artificiale avviene a seguito della scelta della corretta tipologia di
algoritmo sulla base dei dati a disposizione, che saranno predisposti per l’analisi nella fase di preparazione.
Durante la fase di training (o addestramento) di un modello, l’obiettivo è quello di identificare relazioni
utili all’interno dei dati affinché possano essere sfruttate per fare previsioni o a prendere decisioni
basandosi su dati di input forniti.
Nelle fasi iniziali si procede ad indentificare il set informativo necessario allo sviluppo stesso e quindi
rappresentativo per il problema in esame. In seguito, una volta raccolti i dati si procede alla pre-
elaborazione: le attività previste in questa fase sono strettamente legate alla tipologia di dati a
disposizione e all’obiettivo condiviso. È possibile prevedere una macro-distinzione tra dati strutturati e
non. Lo sviluppo di soluzioni o modelli che prevedono l’utilizzo di dati strutturati e semi-strutturati richiede
lo sviluppo di un “data model” alimentato da fonti spesso diverse tra loro. I dati a disposizione dei data
14
scientist dovranno essere opportunamente anonimizzati mantenendo i vincoli di integrità referenziale
necessari per “legare” tra loro le diverse informazioni (es. richiesta di una prestazione e sede di
appartenenza). Per le fasi di analisi e sviluppo o training del modello i data scientist avranno la necessità
di poter accedere ad un ambiente di laboratorio o sviluppo, all’interno del quale potranno essere depositati
i data model. La fase di addestramento si intende conclusa solo dopo aver verificato e documentato
accuratamente le performance del modello. Si precisa che i data scientist dovranno garantire la piena
riproducibilità dei risultati ottenuti in ogni fase, dal pre-processing alla validazione del modello.
L’evoluzione del data model e l’integrazione di nuove informazioni al dataset sarà gestito tramite uno
specifico modello operativo. Quest’ultimo dovrà garantire che l’aggiunta di altri dati sia sempre coerente
in tutto l’ambiente e che venga effettuata una revisione puntuale delle regole di anonimizzazione sulla
base dei dataset aggiunti.
Il modello operativo che realizza la messa a disposizione del dato di training è riportato nella figura
seguente:
Nel caso di algoritmi basati su dati non strutturati, la fase di training presenta alcuni elementi delicati di
cui tener conto per garantire modelli accurati in tempi consoni, prevedendo le giuste risorse
computazionali e spazi di archiviazione. I dati non strutturati, infatti, tendono ad essere molto “pesanti” a
causa della presenza di fonti audio, video, e utilizzare le stesse risorse utilizzate per dati strutturati
renderebbe l’addestramento dei modelli troppo oneroso in termini di tempo.
FASE 3 – Deploy (industrializzazione del modello)
FASE 1–PREPARAZIONE FASE 2- TRAINING FASE 3-DEPLOY
A. Stepdi individuazione edingestiondei dati
B. Step di datacleaning
Datistrutturatie semi-strutturati
Dati nonstrutturati
L’industrializzazione del modello di IA avviene al superamento della fase di addestramento e validazione,
ossia quando il modello è pronto per il deploy. Durante tale processo, il modello è integrato direttamente
nell'infrastruttura di produzione, rendendolo disponibile per l'uso nell'applicazione o nel sistema in tempo
reale.
L’utilizzo dei dati in questa fase avviene direttamente partendo dai dati di input forniti all'applicazione in
ambiente di produzione.
15
In particolare, relativamente ai dati di tipo testuale che alimentano i chatbot dell’Istituto, il modello
operativo di alimentazione e gestione della Knowledge Base è descritto nell’ordine di servizio N. 18 del 27
dicembre 2023.
Caratteristiche dei dati dell’Istituto propedeutiche al loro utilizzo
L’efficacia nell’utilizzo dei dati dell’Istituto è legata alla possibilità di usare dati di qualità adeguatamente
aggiornati e accessibili in piena sicurezza. Nel dettaglio, le caratteristiche che i dati devono avere sono:
• Qualità dei dati: l'accuratezza e la completezza dei dati influenzano direttamente le prestazioni
dell'IA. Dati di bassa qualità possono portare a risultati distorti o non affidabili. Una gestione
adeguata del dato include la pulizia, la normalizzazione e la standardizzazione per garantire che i
dati siano affidabili e utilizzabili per l'IA.
• Accessibilità dei dati: è importante che i dati siano facilmente accessibili all'algoritmo di
intelligenza artificiale. Ciò significa che devono essere archiviati in modo organizzato e strutturato,
con sistemi adeguati a recuperare rapidamente le informazioni necessarie per l'addestramento e
l'implementazione degli algoritmi.
• Privacy e sicurezza dei dati: la gestione dei dati nell'intelligenza artificiale deve tener conto della
privacy e della sicurezza. I dati sensibili devono essere protetti da accessi non autorizzati e bisogna
essere conformi alle normative sulla privacy, come il GDPR in Europa o altre leggi simili in altre
giurisdizioni.
• Dimensioni dei dati: l'IA spesso richiede grandi quantità di dati per addestrare modelli complessi.
La gestione dei dati implica l'organizzazione e lo storage efficiente di grandi volumi di dati per
consentire un addestramento efficace e scalabile.
• Aggiornamento dei dati: i modelli di IA possono diventare obsoleti nel tempo a causa dei
cambiamenti nei dati o nell'ambiente circostante. È importante avere sistemi in atto per
l'aggiornamento e il mantenimento dei dati, garantendo che i modelli rimangano pertinenti e
precisi nel tempo.
• Bias nei dati: i dati possono riflettere bias umani o distorsioni che influenzano i risultati dell'IA. La
gestione dei dati deve affrontare questo problema attraverso l'analisi e la mitigazione dei bias nei
dati, assicurando che l'IA produca risultati equi e imparziali.
In generale, al fine di garantire la coerenza con i principi stabiliti nell’EU AI ACT sarà importante garantire
la “data accuracy” che determina l’affidabilità dell’output fornito dal sistema di IA e che potrebbe incidere
negativamente e direttamente sui diritti degli interessati (tema che è stato oggetto di un’analisi specifica
all’interno della “Guidance on AI and data protection” pubblicate dall’ICO Information Commissioner's
Office).
Inoltre, nel caso in cui i dati personali siano raccolti per “costruire” profili degli interessati dall’analisi, risulta
necessario ottemperare un particolare adempimento ossia quello di svolgere una valutazione
(documentata) dell’impatto (cd. “DPIA” – Data Protection Impact Assessment) già prevista dalla direttiva
applicativa del nuovo Ordinamento delle Funzioni centrali e territoriali dell’INPS adottato con
Deliberazione del Consiglio di Amministrazione n. 137 del 7 settembre 2022. Lo svolgimento di una
valutazione d’impatto è, a tutti gli effetti, uno step necessario per il titolare del trattamento che voglia
16
avvalersi di sistemi di Intelligenza Artificiale.
AI Enterprise Architecture
L’Istituto ha deciso come l’Intelligenza Artificiale deve essere adottata al proprio interno, senza definire a
priori una tecnologia unica di riferimento per un periodo di sperimentazione limitato, che permetta di
comprendere benefici ed efficacia in diversi scenari d’uso e con diverse, limitate, tecnologie e
infrastrutture. L’Istituto ha però anche stabilito come contenere il rischio di proliferazione di soluzioni
stabilendo “come” le soluzioni di Intelligenza Artificiale devono essere costruite, ovvero definendo i
“mattoncini” della soluzione, il ruolo che ciascun mattoncino deve avere e la sua collocazione specifica
rispetto al parco sistemi dell’Istituto.
Nello specifico si distinguono 2 approcci di sviluppo:
• Approccio con sviluppo localizzato: è questo il caso dello sviluppo di Soluzioni di Machine Learning
di orientamento predittivo (e.g., predizione che una prestazione sia di interesse per il cittadino,
classificazione di una richiesta o pratica del cittadino e successivo instradamento verso l’ufficio
competente); in questo caso il Modello viene istruito con dati che sono stati opportunamente
consolidati e preparati (e.g., nel Data Lakehouse) e successivamente installato come Microservizio
nell’area applicativa che ne è anche utilizzatrice (e.g., Consulente delle pensioni nell’Area Pensioni).
• Approccio con sviluppo centralizzato: è questo il caso dello sviluppo di Soluzioni basate su
Intelligenza Artificiale di tipo generativo (LLM) e più in generale pre-trained (Voice, Vision). In
questo caso la soluzione è una piattaforma tecnologica abilitante, sviluppata in-house con
software open source oppure di mercato, oppure un mix dei due approcci e viene utilizzata dalle
aree applicative verticali (e.g., Ammortizzatori per Analisi documentale) e trasversali (e.g., Chatbot).
Nel disegno seguente è rappresentata la mappatura dei due diversi approcci IA sull’Architettura Enterprise
dell’Istituto ed è fornito un focus architetturale sulla GenAIasPlatform, riportando come tale piattaforma
abilitante dialoga con le altre aree applicative verticali e trasversali.
17
Da tale rappresentazione si deduce anche come la base di conoscenza sulle prestazioni dell’Istituto (INPS
Informa) e l’applicativo di monitoraggio dello stato domanda (Stato domanda) siano risorse fondamentali
per alimentare la soluzione di piattaforma basata sull’Intelligenza artificiale di tipo di generativo, in
particolare in scenari di tipo Chatbot. È quindi possibile fornire risposte in modalità QnA più puntuali su un
numero sempre crescente di prestazioni, semplicemente inserendo la documentazione delle prestazioni
all’interno della base di conoscenza unificata che viene manutenuta e migliorata anche recependo i
feedback degli utenti, in fase di pre-produzione (esperti del territorio INPS) e post-produzione (utenti
finali).
La strategia dell’Inps prevede un doppio feedback-loop nel processo di miglioramento continuo delle
performance delle proprie “AI industrialized solutions” quando basate sull’utilizzo di IA di tipo generativo.
Nella fattispecie si ritiene che agire sul prompt engineering per migliorare le performance (e.g., question
condensation e response fine-tuning) non sia sufficiente ma è necessario consentire a degli SME, durante
le fasi di validazione del servizio, di modificare i contenuti sulle fonti documentali, al fine di migliorare il
risultato della risposta aumentando il livello di comprensione della fonte informativa. Questo approccio ha
molteplici benefici: riduce i costi di sviluppo dei prompt, riduce i rischi di regressione sui prompt, introduce
una maggiore consapevolezza sulle regole di scrittura dei documenti ai fini di un utilizzo “GenAI-oriented”.
Le scelte tecnologiche e la correlazione con i costi attesi
Un aspetto imprescindibile da considerare nella scelta della soluzione di Intelligenza Artificiale riguarda
l’analisi degli aspetti economici sull’intero ciclo di vita dell’applicativo informatico in questione.
Le scelte tecniche possibili, e annesse tipologie di costi associati, sono tre:
1) Soluzione IA SaaS
• Questo approccio consiste nel chiamare servizi di fornitori esterni, che restituiscono una
risposta in base ai dati inviati
 Pro: nessuna spesa di infrastruttura fisica o virtuale da sostenere (e nessun costo
di relativa gestione). Solo spesa operativa legata alle singole chiamate al servizio
di Intelligenza Artificiale
 Contro: limitato/nessun controllo sui costi: a meno di accordi contrattuali speciali
con il fornitore di servizi esterni, essenzialmente il costo aumenta
proporzionalmente all’aumentare del numero di chiamate al servizio di
Intelligenza Artificiale.
2) Soluzione IA IaaS
• Questo approccio consiste nel fare leva sulle infrastrutture Cloud GPU di fornitori esterni,
e usare queste sia nella fase di addestramento che di inferenza dei modelli di Intelligenza
Artificiale
 Pro: nessuna spesa di infrastruttura fisica da sostenere (e nessun costo di relativa
gestione). Richiede però spesa legata al noleggio dell’infrastruttura Cloud GPU
18
 Pro: spesa operativa sostanzialmente costante (o comunque altamente
predicibile) che non risente del numero chiamate al servizio di Intelligenza
Artificiale
 Contro: necessario investimento su personale altamente qualificato (Data
Scientist, AI Engineer) in grado di addestrare ed eseguire modelli di Intelligenza
Artificiale
3) Soluzione IA on-premise
• Questo approccio consiste nell’utilizzo esclusivo di risorse (hardware e software) interne
senza ricorso a servizi o infrastrutture esterne
Esempio: lo scenario attuale di INPS con i propri data center. A differenza però
dell’hardware corrente in INPS, è necessario l’utilizzo di GPU da dedicare sia nella fase di
addestramento che di inferenza dei modelli di Intelligenza Artificiale.
 Pro: sostegno al sistema Paese attraverso lo sviluppo di sistemi di IA italiani
pubblici;
 Pro: spesa operativa sostanzialmente costante (o comunque altamente
predicibile) che non risente del numero chiamate al servizio di Intelligenza
Artificiale;
 Contro: necessario investimento importante sulla creazione di infrastruttura GPU,
con tempistiche di realizzazione incerte vista l’alta domanda di GPU nel mondo
 Contro: necessario investimento su personale altamente qualificato (IA/HPC
Systems/Infrastructure Engineer) in grado di creare e gestire l’infrastruttura
hardware dedicata ai modelli di Intelligenza Artificiale. In alternativa, rivolgersi a
enti (ad esempio, CINECA) in grado di svolgere questo lavoro
 Contro: necessario investimento su personale altamente qualificato (Data
Scientist, AI Engineer) in grado di addestrare ed eseguire modelli di Intelligenza
Artificiale.
In considerazione dell’impatto positivo per il sistema Paese di sviluppare in una PA sistemi autonomi di AI,
la DCTII proporrà entro il mese di maggio un progetto di maggior dettaglio, completo di use case e costi,
per valutare la percorribilità di questa soluzione anche in sinergia con altri Enti.
5. Descrizione degli ambiti di azione
L’Agenzia per l’Italia Digitale (AgID) fornisce importanti indicazioni sulle potenzialità delle tecnologie di
intelligenza artificiale, e come INPS abbiamo provato a classificarle in diversi ambiti di applicazione, quali:
• Automatizzare le Attività Ripetitive: l’IA può automatizzare attività semplici e ripetitive di ricerca,
organizzazione e analisi delle informazioni, consentendo ai dipendenti pubblici di concentrarsi su
attività a maggior valore aggiungo. Ciò libera tempo prezioso, riducendo gli oneri amministrativi e
consentendo un impiego più efficace delle risorse umane;
19
• Miglioramento del Processo Decisionale: grazie alle capacità predittive della IA, le PA possono
migliorare notevolmente il processo decisionale basato sui dati. Gli algoritmi avanzati possono
analizzare grandi quantità di informazioni, identificare modelli e tendenze, fornendo agli
amministratori pubblici una base solida per prendere decisioni informate;
• Personalizzazioni dei Servizi: l’IA può supportare la personalizzazione dei servizi pubblici,
adattando le offerte in base alle esigenze specifiche dei cittadini. Attraverso l’analisi dei dati, le PA
possono anticipare le necessità degli utenti e fornire soluzioni personalizzate, migliorando così
l'efficacia dell'erogazione dei servizi pubblici anche attraverso meccanismi proattivi;
• Miglioramento dell'Efficienza Operativa: implementando sistemi di IA per ottimizzare processi
interni, le PA possono migliorare l'efficienza operativa. Ad esempio, l'automazione dei flussi di
lavoro permetterebbe anche una riduzione di un eventuale errore umano;
• Incremento della Sicurezza e della Compliance: sistemi di IA avanzati possono contribuire a
rafforzare la sicurezza delle informazioni e garantire la conformità normativa. Monitorando
costantemente i dati e rilevando potenziali minacce, l'IA può proteggere le informazioni sensibili e
mantenere elevati standard di sicurezza;
• Miglioramento delle Interazioni con i Cittadini: attraverso sistemi di assistenza virtuale, le PA
possono migliorare le interazioni con i cittadini, fornendo risposte immediate alle domande comuni
e semplificando l'accesso alle informazioni e ai servizi pubblici.
Clusterizzazione dei progetti INPS che sviluppano sistemi di IA
Di seguito sono elencati i progetti INPS attualmente in corso che presentano un impatto nell'ambito
dell'Intelligenza Artificiale, suddivisi in cluster in base alle categorie sopracitate.
Automatizzare le attività ripetitive
Automatizzare le Attività Ripetitive
Titolo Progetto Descrizione Progetto
Il progetto, basandosi su algoritmi di IA, si sviluppa in tre principali punti
PES2024_DCE_MI.06_124
di intervento: 1. Definizione di regole per lo smistamento delle
Automazione dello
comunicazioni bidirezionali agli operatori di sede 2. Verificare la
smistamento delle
correttezza dell’oggetto con riferimento al contenuto della
comunicazioni bidirezionali
comunicazione bidirezionale 3. Suggerire risposte adeguate in fase di
basato su motore IA
riscontro.
Il progetto prevede un sistema di smistamento delle Pec che pervengono
PNRR.040 all’Istituto attraverso sistemi di Intelligenza Artificiale. Si prevede la
Processi reingegnerizzati e creazione di una piattaforma che consenta di automatizzare le attività
digitalizzati per la ripetitive e ad elevato assorbimento di risorse, in relazione ai processi
realizzazione di più servizi interni trasversali alle aree di business (es. PEC, triplettatura ecc.). Grazie
target (Smistamento PEC) all'automazione delle attività amministrative la piattaforma consentirà di
velocizzare l'evasione delle richieste.
20
Personalizzazione dei Servizi
Personalizzazioni dei Servizi
Titolo Progetto Descrizione Progetto
Il progetto ha l’obiettivo di: definire le linee guida e di indirizzo dei sistemi di
personalizzazione e proattività presenti in Istituto, nell’ottica di fornire
all’utente una esperienza unica, coerente e quindi di valore. Sperimentare
PNRR.120 l’applicazione delle linee guida per l’introduzione di servizi proattivi su un
P&P - Personalizzazione ambito pilota. Rientrerà nell’ambito del progetto una capillare attività di
e proattività ricognizione delle soluzioni attualmente presenti in ambito di
personalizzazione e proattività, con l’obiettivo di individuare i punti di
intervento ed i passi necessari per l’evoluzione verso le linee guida e di
indirizzo definite.
Miglioramento del Processo Decisionale
Miglioramento del Processo Decisionale
Titolo Progetto Descrizione Progetto
Riattivazione del componente Data Mining di SAVIO per l'attribuzione di
un punteggio ai certificati di malattia ai fini della disposizione delle visite
PES2023_DCTII_MI.75_298 mediche di controllo disposte d'ufficio dall'Istituto.
Evoluzione piattaforma data Integrazione della piattaforma di reportistica delle visite mediche di
mining SAVIO per visite controllo, denominata DAVIS, sviluppata con tecnologie di big data
mediche di controllo analytics.
Evoluzione del componente Data Mining di SAVIO per l'utilizzo di nuove
variabili più efficaci per l'attribuzione dello score ai certificati di malattia.
PES2023_DCTII_MI.76_299 PES2023_DCTII_MI.76_299 - Progettazione e realizzazione di
Nuovo sistema di Web algoritmi di ML che utilizzano i dati di navigazione dell'utente anonimo
Analytics per estrarre suggerimenti da integrare con quelli già esposti
Miglioramento dell’Efficienza Operativa
Miglioramento dell’Efficienza Operativa
Titolo Progetto Descrizione Progetto
PES2023_DCIIC_MI.13_ Creazione di un calendario automatizzato e standardizzato tramite l’utilizzo
MI.15_MI.16_145 di algoritmi di intelligenza artificiale e machine learning che provvedono
Calendarizzazione all’applicazione delle logiche di gestione delle risorse (forza medici, locali,
gestione visite mediche, giacenze) e delle indicazioni della PPC (pianificazione e controllo) al fine di
comunicazione e visita introdurre logiche di prioritizzazione delle visite mediche ed efficientare il
21
ibrida processo. Procedura per la notifica della convocazione a visita e proposta
nuovo calendario verso il cittadino tramite i diversi canali dell’Istituto .
PES2023_DCTII_MI.22_
Sviluppo soluzione di BPM – Evoluzione dei sistemi di supporto alla
255 Implementazione
lavorazione delle pratiche nelle sedi, secondo una visione organizzativa che
della Piattaforma di
supera i limiti della sussidiarietà e permetta la lavorazione ovunque.
Planning e Assegnazione
PES2023_DCTII_MI.20_
253
My WorskSpace - Applicazione per gli operatori di sede per la gestione del backlog delle
Gestione unificata del lavorazioni assegnate.
backlog di lavorazione e
relative priorità
PES2023_DCRU_MI.13 Ampliamento del catalogo prodotti dell'applicativo "Worklist".
_242 Monitoraggio delle lavorazioni dei prodotti censiti nell'applicativo.
Strumenti a supporto Ottimizzazione dell'assegnazionre dei carichi di lavoro.
delle politiche di sviluppo Integrazione dell'applicativo con "Paperless" e "Aula" per l'equilibrio dei
del lavoro agile - Worklist carichi di lavoro e la gestione del lavoro a distanza.
Incremento della Sicurezza e della Compliance
Incremento della Sicurezza e della Compliance
Titolo Progetto Descrizione Progetto
IT Audit volto a verificare l’esposizione sul web delle risorse informatiche
dell’Istituto e le relative vulnerabilità. Definire specifici scenari e indicatori di
PES2024_DCSOIA_MI.0 rischio inerenti la vulnerabilità dei propri asset.
1_24 L’attività di audit sarà svolta sul perimetro esterno dell'Istituto attraverso
IT audit Cybersecurity tecniche di Open Source Intelligence (OSINT) per conoscere e valutare il
and Data Protection grado di esposizione di tutti gli asset sul web e attraverso tecniche di
Vulnerability assesment e penetration test (VAPT) o altre metodologie che
saranno concordate con la DCTII .
Miglioramento delle Interazioni con i Cittadini
Miglioramento delle interazioni con i cittadini
Titolo Progetto Descrizione Progetto
PES2023_DCIIC_MI.02_ Semplificazione del processo di presentazione della dichiarazione di ISEE
MI.03_MI. precompilato e individuare nuovi strumenti a supporto che guidino l’utente
04_MI.05_MI.08_MI.09 al fine di aumentare il numero di domande di ISEE precompilato presentate
_148 dal cittadino in modalità “self” in aderenza ai driver del nuovo modello di
ISEE Precompilato erogazione dei servizi e nel rispetto dall’art. 60 della Legge di Bilancio 2023
22
“Misure di semplificazione in materia di ISEE” che prevede che la
presentazione della DSU avvenga prioritariamente in modalità
precompilata.
PES2023_DCE_MI.51_1 Lo scopo del progetto è quello di sviluppare un CHATBOT IA che possa
04 supportare i datori di lavoro e gli intermediari nella compilazione corretta
Realizzazione chatbot IA dei flussi UNIMENS al fine di fornire indicazioni sulla compilazione, le regole,
per guidare la la normativa di riferimento e i controlli sottesi al fine di migliorare la
compilazione dei flussi trasparenza, guidare l’utente nelle attività informative e operative e ridurre
UNIEMENS gli errori di compilazione
Realizzazione prototipo POU: L’obiettivo della Piattaforma Operativa
Unificata (POU) è l’armonizzazione di tutta la gestione dell’utente:
rappresenterà l’unico punto di accesso per il funzionario di sportello di sede
per gestire l’utenza al I° livello, sia in Sede ma anche in smartworking. Le
logiche di lavorazione della nuova Piattaforma aiuteranno il funzionario
nella gestione delle interazioni con il cittadino attraverso un unico access
point che permetterà di avere dati precompilati e informazioni pertinenti per
rispondere alle richieste del cittadino.
La piattaforma permetterà di automatizzare le operazioni manuali dei
funzionari, come la creazione automatica dei case CRM, la compilazione dei
PES2024_DCTII_MI.01_ suoi campi principali, la ricerca facilitata delle soluzioni tramite l’utilizzo di
61 IA, l’archiviazione e protocollazione dei documenti e la gestione e chiusura
Realizzazione prototipo delle prenotazioni
POU In questo modo, si andrà a centralizzare l’utente interno migliorandone
l’operatività ma al contempo si contribuirà ad un miglioramento
dell’experience anche per l’utente esterno.
La Piattaforma Operativa Unificata darà modo al funzionario di gestire
l’utenza tramite un’interfaccia smart e moderna che integrerà e richiamerà
i servizi back end dei sistemi attuali andando a superare dei limiti tecnici che
ad oggi tali sistemi presentano.
La Piattaforma si proporrà inoltre come punto di accesso alle informazioni
e agli aspetti operativi della Work Area Integrata: in particolare saranno
facilmente disponibili al funzionario i dati relativi all’indice della qualità della
posizione del cittadino.
Il progetto prevede la realizzazione di uno strumento di customer service
telematico evoluto che mira a garantire l’attivazione di percorsi sinergici, tra
tecnologia e risorse umane, nell’intento di rispondere alle molteplici
PNRR.067
esigenze dell’utenza, attraverso strumenti innovativi, generando valore
Sportello Telematico
dalle interazioni con gli utenti nel lungo periodo. Il progetto dovrà
Evoluto
includere: l’ evoluzione della conference Platform; realizzazione del motore
di Conversational IA pilota; sviluppo iterativo e incrementale di un sistema
di monitoraggio; messa a sistema di una serie di strumentazioni,
23
metodologie e processi per la standardizzazione dell’Appointment
Scheduling; unificazione, integrazione graduale e incrementale dei canali
telematici ; realizzazione di Punti Utente Evoluti.
Un CRM evoluto garantisce la normalizzazione dei processi di data
acquisition dall'utente e contribuisce a generare ed estrarre valore dalle
interazioni con gli utenti nel lungo periodo. Il progetto dovrà prevedere:
completamento dell’integrazione e consolidamento di tutti i canali sul CRM;
adozione ed estensione generalizzata dell’attuale piattaforma di CRM
PNRR.090
operativo; realizzazione di un Chatbot pilota («Chatbot Zero») basato su
Evoluzione CRM
algoritmi di Machine Learning e Natural Language Processing ed accessibile
da portale INPS; sviluppo iterativo e incrementale di un sistema di CRM
analitico, con immediati rilasci alle Sedi di reportistica e strumenti di
monitoraggio; definizione di un modello di segmentazione integrato per
l'erogazione di servizi personalizzati e proattivi.
Il progetto prevede l’obiettivo di supportare l’utente nella ricerca di
informazioni in merito alle prestazioni di Cassa Integrazione Salariale. Si
propone come chiave di accesso a un’interazione rapida, immediata e
PNRR.004 conveniente con i servizi online, con una maggiore efficacia e soddisfazione
CHAT BOT E CHAT LIVE dell’utente anche in ragione della disponibilità H24. Può utilizzare i dati di
CIG (CHAT LIVE CIG) chi interagisce con esso, ed in particolare dei destinatari di CIG,
permettendo di offrire la soluzione o risposta giusta al momento giusto e
incorporare funzioni di Intelligenza Artificiale e Machine Learning, per
apprendere dai propri “errori” e dai comportamenti degli utenti.
6. Linee attuative
La strategia di Intelligenza Artificiale elaborata da INPS si configura come un piano organico, progettato
per abbracciare pienamente gli obiettivi e i valori delineati nel paragrafo 2. Questa strategia non solo
risponde con rigore agli obblighi legislativi imposti dall'AI ACT europeo ma va oltre, puntando a trasformare
in modo sostanziale il modo in cui l'Istituto serve i cittadini. L'approccio strategico adottato intende
massimizzare il valore generato per gli utenti attraverso l'adozione di soluzioni IA, ottimizzando i servizi e
rendendoli più efficienti, accessibili e personalizzati.
Nell'attuare questa visione, l'Istituto non trascura gli aspetti legati alla gestione del rischio e alla
conformità legislativa. Al contrario, la definizione di una roadmap strutturata evidenzia l'importanza di
un'adozione delle tecnologie IA che sia consapevole e responsabile. L'Istituto ha intrapreso azioni concrete
per catalogare e documentare i propri sistemi di IA, classificandoli in base al livello di rischio e adottando
misure di rimedio adeguate. Questo non solo garantisce la compliance con le normative vigenti ma
stabilisce anche un modello operativo dinamico per mantenere una conformità efficace nel tempo. Nello
specifico:
24
1. relativamente alle soluzioni in produzione, si effettuerà una classificazione atta all’individuazione
dei rischi e all’identificazione delle azioni di mitigazione;
2. per le iniziative progettuali in corso e in avvio, vi sarà un supporto all'indirizzamento finalizzato a
uniformare le soluzioni per prevenire l'insorgere di rischi critici e mitigare gli impatti di quelli
presenti.
Questo documento di strategia rappresenta l'affermazione di un impegno più ampio: quello di perseguire
una trasformazione guidata dai valori di responsabilità, inclusività, miglioramento continuo, rispetto,
concretezza e ascolto. È la testimonianza di come l'INPS intenda navigare il futuro dell'IA, non solo
aderendo alle norme, ma facendo della tecnologia una leva per un miglioramento qualitativo e quantitativo
dei servizi offerti ai cittadini.
Per assicurare l'efficacia della strategia IA dell'INPS e
perseguire gli obiettivi delineati, è fondamentale
governance
attuare azioni concrete suddivise per ambiti specifici.
Questi ambiti sono stati identificati come cruciali per il
modelli operativi e
successo dell'implementazione della strategia e processi
includono: persone, modelli operativi e processi, e
governance. persone
Ambito - persone
L'ambito "Persone" rappresenta l’elemento fondante nella realizzazione della strategia IA dell'INPS,
riconoscendo il ruolo fondamentale che il capitale umano gioca nell'adozione e nell'evoluzione delle
tecnologie avanzate. La transizione verso soluzioni di intelligenza artificiale richiede non solo una solida
infrastruttura tecnologica ma anche, e soprattutto, competenze specializzate e un impegno costante
verso la crescita professionale dei dipendenti.
Di seguito, vengono delineate le azioni chiave volte a potenziare le risorse umane:
• Formazione e Sviluppo: Implementare un programma di formazione continua per il personale
esistente, focalizzato sull'acquisizione di competenze avanzate in data science e AI engineering.
Questo programma dovrebbe includere workshop, corsi e sessioni di apprendimento pratico,
nonché la possibilità di ottenere certificazioni riconosciute nel settore.
• Reclutamento Strategico: Avviare una campagna di reclutamento mirata a integrare nel team
risorse umane specializzate in data science e AI engineering. Questo potrebbe comportare la
collaborazione con università, istituti di ricerca e altre organizzazioni per attrarre talenti emergenti
e professionisti esperti.
• Partnership Accademiche e Industriali: Stabilire partnership con enti accademici e aziende leader
nel campo dell'IA per facilitare lo scambio di conoscenze e competenze. Queste collaborazioni
possono offrire al personale dell'INPS opportunità di partecipazione a progetti di ricerca congiunti,
stage e programmi di tirocinio.
25
Ambito - modelli operativi e processi
L'ambito "Modelli Operativi e Processi" garantisce che le innovazioni tecnologiche si traducano in benefici
tangibili per i cittadini e per l'organizzazione. La trasformazione digitale richiede la riconfigurazione dei
processi esistenti e la creazione di nuovi modelli operativi che facilitino l'uso etico e responsabile dei dati,
oltre alla messa in opera, al training e al deployment dei modelli di IA. Questo ambito si concentra sulla
definizione di un framework operativo che non solo rispetti le normative sul trattamento dei dati ma
promuova anche agilità, sicurezza e efficienza. Attraverso l'ottimizzazione dei processi e l'adozione di
pratiche di MLOps, l'INPS mira a garantire che l'implementazione dell'IA sia sostenibile, misurabile e
allineata con gli obiettivi strategici dell'istituto.
Le seguenti azioni sono state ideate per assicurare che i modelli operativi e i processi sostengano in modo
efficace la strategia IA dell'INPS:
• Definizione del Modello Operativo per la Gestione dei Dati: Elaborare un modello operativo
dettagliato che specifichi le fasi di utilizzo delle fonti dati, includendo l'identificazione dei dati
necessari, i criteri di accesso e le modalità di consultazione. Questo modello dovrà assicurare che
solo il personale autorizzato possa accedere ai dati, nel rispetto delle normative sulla privacy e
sicurezza dei dati.
• Messa a Disposizione degli Ambienti per l'IA: Creare e mantenere ambienti dedicati per la
preparazione, l'addestramento e il deployment dei modelli di intelligenza artificiale. Questi
ambienti dovranno essere configurati per accedere a set di dati opportunamente anonimizzati,
consentendo agli algoritmi di lavorare in condizioni ottimali di sicurezza e conformità.
• Procedure di Deployment e Monitoraggio nell'ottica MLOps: Definire procedure standardizzate
per il deployment dei sistemi di IA, integrando pratiche di MLOps che consentano un monitoraggio
efficace dell'operatività dei modelli e la loro manutenzione continua. Questo approccio garantisce
che i modelli di IA rimangano performanti, sicuri e allineati alle esigenze dell'istituto e dei suoi
utenti.
• Monitoraggio dei Costi: Implementare un sistema di monitoraggio costante dei costi associati
all'implementazione e al mantenimento delle soluzioni IA, per assicurare che le spese rimangano
entro i limiti di budget prefissati. Questa pratica è fondamentale per garantire la sostenibilità
finanziaria delle iniziative di IA e per ottimizzare l'allocazione delle risorse.
Ambito - governance
L'ambito "Governance" riveste un ruolo chiave nella definizione e nel successo della strategia IA dell'INPS,
assicurando che l'adozione e l'implementazione dell'intelligenza artificiale siano in linea con gli obiettivi
strategici dell'Istituto e conformi alle normative vigenti. La governance efficace garantisce una gestione
trasparente e responsabile delle iniziative IA, promuovendo l'integrazione armonica delle nuove tecnologie
nel tessuto operativo e decisionale dell'INPS. Al centro di questo sforzo vi è la necessità di allineare le
pratiche interne con il quadro normativo europeo, in particolare l'EU AI ACT, e di garantire che tutte le
attività di IA siano monitorate, valutate e indirizzate strategicamente.
Di seguito, le azioni chiave per l'ambito governance:
26
• Divulgazione delle Novità Normative: comunicare efficacemente all'interno dell'organizzazione
le evoluzioni normative a livello europeo, in particolare relative all'EU AI ACT, evidenziando gli
obblighi normativi che ne derivano e delineando le linee attuative specifiche per l'INPS
• Censimento dei Sistemi di Intelligenza Artificiale: avviare un processo sistematico, sotto la guida
della Design Authority Tecnica, per il censimento di tutti i sistemi di intelligenza artificiale già
implementati o in fase di implementazione all'interno dell'Istituto.
• Elaborazione delle Informazioni Raccolte:
Valutazione del Valore, della Complessità e del Rischio: incaricare il Data Competence
o
Center di applicare un modello di valutazione che consideri il valore generato, la
complessità tecnica e i rischi associati a ciascun sistema di IA.
Applicazione del Framework INPS IA@SCALE: assegnare alla DCTII il compito di applicare
o
il framework INPS AI@SCALE per guidare e valutare le iniziative progettuali in corso e in
avvio, assicurando che queste siano allineate con gli obiettivi strategici dell'istituto.
• Supporto all'Individuazione di Use Case: la Design Authority Tecnica, in collaborazione con la
DCO e l'Experience Authority, fornirà supporto alle diverse Direzioni nell'individuazione di possibili
use case per l'impiego dell'intelligenza artificiale, assicurando che le soluzioni sviluppate
rispondano efficacemente ai bisogni degli utenti e dell'organizzazione.
Attraverso l'implementazione di una governance efficace, l'INPS mira a superare una duplice sfida:
rispettare rigorosamente gli obblighi normativi imposti dal quadro legislativo europeo, in particolare
l'EU AI ACT, e al contempo assicurare che le progettualità sviluppate siano libere da sovrapposizioni e
duplicazioni. Questo approccio garantisce una gestione delle risorse ottimale e una focalizzazione
strategica sulle iniziative che promettono il massimo valore aggiunto per l'utente finale. La
governance, pertanto, non si limita a un ruolo di conformità ma diventa un motore per l'innovazione
responsabile e mirata, dove ogni decisione e ogni progetto viene valutato e selezionato sulla base del
suo impatto effettivo sulla qualità dei servizi offerti ai cittadini. Questa visione strategica della
governance assicura che l'INPS non solo adempia ai suoi doveri legislativi ma proceda anche nella
direzione di una trasformazione digitale che mette al primo posto le esigenze e il benessere degli
utenti, definendo un modello di riferimento per l'adozione etica e orientata al valore dell'intelligenza
artificiale nel settore pubblico.
Al fine di dare attuazione alle presenti Linee Guida e strutturare in modo funzionale, efficiente e
condiviso il percorso di adozione dell’IA intrapreso dall’Istituto è necessario il coinvolgimento proattivo
e propositivo di tutte le strutture dell’Istituto.
In particolare, con riferimento a ciascuno degli ambiti di azione individuati, le DDCC dovranno realizzare i seguenti
interventi:
Ambito Persone
DCFAI  elaborare un programma di  presentazione programma di
di concerto con formazione, rivolto a tutto il formazione alla approvazione del
DCTII personale dell’Istituto, DG entro maggio 2024
27
diversificato in base ai vari profili
e finalizzato a diffondere la
conoscenza sull’IA e indirizzato a
specializzare, attraverso
l’acquisizione di competenze
avanzate in data science e AI
engineering, il gruppo dedicato
istituzionalmente allo sviluppo
dell’AI.
DCO  Avviare partnership con enti  Individuazione e selezione degli
di concerto con accademici e aziende leader nel enti e delle aziende: presentazione
DCTII campo dell'IA per facilitare lo proposte al DG entro giugno 2024
scambio di conoscenze e  Avvio attività per la sottoscrizione
competenze di partnership : da luglio 2024
DCRU  Procedura interna per  Pubblicazione interpello entro
di concerto l’individuazione all’interno maggio 2024
con DCTII dell’Istituto di risorse in possesso
di competenze specifiche in
materia di IA e data science
Modelli operativi e processi
DCTII  Proposta articolata per valutare  Proposta entro maggio 2024
la percorribilità di soluzioni IA
on-premise
DCTII e DDCC  Ricognizione dei processi in  Presentazione di analisi al
competenti per essere già interessati dall’IA e Direttore Generale entro
materia individuazione di nuovi ambiti settembre 2024
DCTII e Data  Definizione del Modello operativo  Presentazione proposta di
Competenze per la gestione dei dati modello operativo al Direttore
Center Generale entro settembre 2024
DCTII  Messa a disposizione degli  Presentazione cronoprogramma
ambienti per IA operativo al Direttore Generale
entro settembre 2024
DCTII  Procedure di Deployment e  Presentazione cronoprogramma
di concerto con monitoraggio nell’ottica MLOPS operativo di rilascio al Direttore
DCO Generale entro settembre 2024
DCTII  Monitoraggio dei costi  Presentazione al Direttore
di concerto Generale di un sistema di
28
con DCPCG e rilevazione e monitoraggio dei
DCBCSF costi entro ottobre 2024
Governance
DCO e DCTII  Divulgazione delle Novità  Implementazione all’interno
di concerto con Normative dell’intranet dell’Istituto di una
DCSR e CGL sezione dedicata alla diffusione
delle evoluzioni normative in
particolare relative all'EU AI ACT,
evidenziando gli obblighi normativi
che ne derivano e delineando le
linee attuative specifiche per
l’INPS entro settembre 2024
DCTII  Censimento dei Sistemi di  Presentazione censimento entro
Intelligenza Artificiale giugno 2024
DCTII  Elaborazione delle Informazioni  Presentazione al Direttore
Raccolte generale un modello di valutazione
del valore generato e dei rischi
connessi: entro ottobre 2024
DCTII  Applicazione framework  Presentazione al Direttore
INPSscale generale un primo resoconto delle
attività entro settembre 2024
DCTII  Recepimento delle presenti linee  Definizione del documento
guida nel Piano triennale ICT programmatico per l’approvazione
2025-27 entro ottobre 2024
29
Sara cura delle Direzioni Centrali interessate presentare una relazione periodica sullo stato di attuazione della
presente Direttiva, con particolare riferimento alle azioni previste nella tabella che precede.
Vincenzo Caridi
30
Hai domande su questa normativa?
FiscoAI analizza Messaggio INPS 1384/2024 e risponde alle tue domande fiscali con citazioni precise.
Prova gratis Vai alla dashboard