Due approcci all'intelligenza artificiale, e la ragione per cui uno solo non basta.
L'intelligenza artificiale moderna attinge a due approcci, sviluppati in momenti diversi della storia dell'informatica.
Esprime il sapere come regole esplicite e leggibili, «se la superficie è X e la categoria è Y, la tariffa è Z», e le applica con logica deterministica. Sa spiegare ogni passaggio del proprio ragionamento e dallo stesso dato ricava sempre lo stesso risultato.
Il suo limite è compreso da decenni: qualcuno deve scrivere le regole, e trasformare un corpo normativo in regole formali richiede tempo, competenza specialistica e denaro.
Nella forma dei grandi modelli linguistici, impara da enormi quantità di testo e produce risposte fluenti e pertinenti su moltissime materie. Eccelle nel comprendere documenti, sintetizzare informazioni e redigere testo.
Ma è probabilistica per costruzione: né l'esattezza né la ripetibilità del suo esito sono garantite.
Il primo approccio è affidabile ma costoso da costruire; il secondo è rapido e versatile ma inaffidabile nel calcolo. WESTIGen poggia su un principio netto: usare ciascuno per ciò che sa fare meglio, la generativa per costruire la base di conoscenza, la simbolica per applicarla.
Quando un servizio applica regole in un contesto mission-critical — calcolare un'imposta, classificare un soggetto, verificare un requisito, determinare una prestazione — l'esattezza è un requisito, spesso di legge. In questi contesti i modelli generativi hanno tre limiti ampiamente documentati nella letteratura scientifica.
Un modello presenta affermazioni plausibili ma false con la stessa confidenza con cui ne presenta di accurate, e chi legge non ha modo di distinguerle.
Calcolare due volte la stessa imposta e ottenere risultati diversi è più di un errore inaccettabile: è un atto amministrativo illegittimo.
E quindi non si contesta, mentre il cittadino ha diritto di sapere perché gli viene chiesto proprio quell'importo.
Non sono difetti di gioventù che la prossima generazione di modelli risolverà. Sono inerenti all'approccio statistico e vanno affrontati con l'architettura del sistema, non lasciati ai miglioramenti futuri.
L'informatica ha da tempo una risposta al bisogno di esattezza: i sistemi basati sulla conoscenza. Rappresentano il sapere di un dominio in forma dichiarativa, come regole, fatti e vincoli, e un motore inferenziale li applica in modo deterministico. Ogni conclusione risale alla regola che l'ha prodotta, e ogni regola è leggibile tanto da un esperto di dominio quanto da un programmatore.
Un ostacolo solo ne ha impedito la diffusione, e la letteratura lo chiama knowledge acquisition bottleneck: costruire e mantenere una base di conoscenza richiedeva anni di lavoro di specialisti scarsi sul mercato. La tecnologia per eseguire le regole era matura; quella per produrle non era ancora disponibile.
Quel collo di bottiglia oggi si può affrontare. L'AI generativa eccelle esattamente nei compiti in cui i sistemi basati sulla conoscenza arrancavano: leggere testi normativi, riconoscerne la struttura, proporne una rappresentazione formale. La comunità scientifica chiama questa convergenza AI neuro-simbolica: la componente neurale, cioè generativa, crea e trasforma la conoscenza; quella simbolica la applica con rigore logico. WESTIGen la mette in pratica con tre ruoli che non si scambiano mai.
Sotto guida e sorveglianza, trasforma il testo normativo in conoscenza formale e dichiarativa. Non calcola e non decide.
Esegue quella conoscenza con rigore logico, e non aggiunge nulla che non sia dichiarato.
Con una traccia chiara delle responsabilità, così che di ogni scelta risponda qualcuno.
Il risultato unisce i pregi dei due approcci senza i rispettivi difetti: la versatilità della generativa nello sviluppo, l'esattezza della simbolica nell'esecuzione.
Un principio attraversa l'intera piattaforma: la conoscenza ha una sola sede di verità, e il motore non compie scelte interpretative. La base di conoscenza è l'unica autorità su ciò che il servizio sa. Quando una disposizione ammette più di una lettura, il software non ne sceglie una in silenzio: la scelta viene esplicitata, fornita al motore e messa agli atti.
Ciò che sta fuori dalla base di conoscenza sta fuori da ciò che il sistema sa. Una lacuna della norma diventa perciò una lacuna visibile e dichiarata, invece di un'invenzione plausibile.
Questa separazione ha un beneficio pratico non piccolo: quando la norma cambia si aggiorna la base di conoscenza, e il software non va riscritto.
Il comportamento deterministico del motore dà a WESTIGen tre proprietà che lo rendono adatto ai servizi pubblici.
È la riproducibilità, e non è una dichiarazione: si dimostra rieseguendo il caso.
È la tracciabilità, e arriva fino alla singola disposizione, non alla legge in generale.
È la verificabilità: casi a esito noto che si rieseguono a ogni modifica.
Questo approccio si allinea al movimento internazionale Rules as Code: il principio per cui le regole pubbliche dovrebbero essere disponibili in forma eseguibile e collaudabile, oltre che in prosa giuridica. WESTIGen ne è un'attuazione funzionante. Il principio si estende ben oltre il settore pubblico: ovunque una regola esplicita governi un processo critico, una versione eseguibile con la traccia completa della sua applicazione dà la garanzia che il processo faccia ciò che la regola richiede.
Un punto merita di essere detto chiaramente: sviluppare un servizio WESTIGen non è del tutto automatico. È un segno di rigore. L'AI generativa produce il materiale, le persone validano le interpretazioni, approvano i passaggi critici e giudicano gli esiti dei collaudi. È il principio dell'uomo nel ciclo, e rende il risultato difendibile davanti a un cittadino, a un revisore o a un giudice, perché di ogni decisione risponde una persona identificabile.
La sorveglianza umana ha un costo ed è oggi la principale inefficienza rimasta nel processo di produzione. L'esecuzione è istantanea e ripetibile; lo sviluppo richiede ancora competenza, attenzione e tempo di persone qualificate. La piattaforma punta a ridurre quel costo con verifiche automatiche, collaudi ripetibili e riuso della conoscenza, mantenendo la sorveglianza. Nel campo dell'applicazione di norme pubbliche, rimuoverla renderebbe il sistema meno affidabile, non più efficiente.