Universal mapper: quando i dati imparano a scaldarsi senza pungersi

Ognuna portava con sé un patrimonio di dati unico e prezioso, e attorno ad Antares si è costruita la possibilità di farli parlare, di generare un linguaggio comune.

Durante i vari incontri mi tornava spesso alla mente la storia dei ricci di Schopenhauer: avvicinarsi per scaldarsi, ma non troppo per non pungersi. Anche noi, insieme ai partner, cercavamo quella distanza giusta: abbastanza vicini da generare valore, abbastanza autonomi da preservare ciò che appartiene a ciascuno.

L’intelligenza artificiale ha cambiato in modo radicale il rapporto tra cliente e fornitore. Se un tempo il fornitore metteva a disposizione il software (le funzioni) e il cliente si limitava a utilizzarlo, oggi la dinamica è diversa: oggi le nuove funzioni escono anche grazie all’addestramento degli algoritmi, è il cliente stesso a contribuire alla creazione di nuove funzioni e, di fatto, a generare valore. Un valore che in passato restava prevalentemente nelle mani del fornitore.

Ogni cliente porta con sé dataset che raccontano processi, scelte, abitudini organizzative: storie che nessun altro può replicare. Questo patrimonio informativo rappresenta un valore enorme per ogni singola azienda, anche se spesso resta in parte potenziale: mancano i volumi necessari o gli strumenti adeguati per analizzarli fino in fondo. Cederlo significa permettere ad altri di raccoglierne i benefici, talvolta in misura maggiore rispetto a chi lo ha generato.

Il punto è che, per addestrare algoritmi di intelligenza artificiale, i dati di una sola organizzazione spesso non bastano. Serve massa critica, ma anche varietà. I piccoli attori offrono diversità, i grandi portano volumi: entrambi sono indispensabili. La sfida è costruire forme di collaborazione in cui nessuno debba rinunciare al controllo sul proprio patrimonio informativo. In altre parole, un equilibrio tra condivisione e riservatezza.

È in questo contesto che il federated learning si è rivelato la strada più promettente. Invece di spostare i dati in un grande contenitore centrale, ogni organizzazione allena localmente il modello e condivide soltanto gli aggiornamenti. Tecnicamente si tratta dei parametri di addestramento, i cosiddetti gradienti, che descrivono come il modello si modifica man mano che “impara” dai dati.

Questi gradienti vengono poi inviati a un nodo di aggregazione che, tramite algoritmi come la federated averaging, li combina in modo da generare un modello globale progressivamente più accurato. 

I vantaggi sono molteplici. La privacy è rispettata, perché i dati non lasciano i sistemi originali. La competitività è protetta, perché nessuno deve esporre informazioni sensibili a un concorrente. La sicurezza migliora, perché non esiste un unico contenitore centrale da difendere a tutti i costi. E, soprattutto, si rende possibile una collaborazione che trasforma patrimoni informativi frammentati in un’intelligenza condivisa.

Per portare il concetto dalla teoria alla pratica serviva però qualcosa che ancora mancava. Il federated learning da solo non bastava: è come avere tante persone che parlano lingue diverse e volerle mettere attorno allo stesso tavolo. Se ognuna usa solo la propria lingua, il dialogo non decolla. Serviva un traduttore, un linguaggio comune capace di far incontrare dataset diversi senza costringerli a lasciare le loro sedi.

Così è nato l’universal mapper. In parole semplici,

Non sposta nulla, non centralizza nulla, ma crea i legami giusti perché sistemi diversi possano comprendersi.

E non solo: tutti gli elementi essenziali vengono ricondotti a uno stesso nome condiviso, una sorta di vocabolario comune. In questo modo il dialogo tra dataset non è statico ma vivo, capace di adattarsi e crescere insieme a chi lo utilizza.

Abbiamo scelto di rendere il nostro universal mapper disponibile in formato open source, perché fosse davvero un abilitatore e non un vincolo. L’universal mapper definisce standard semantici e gestisce le corrispondenze tra dataset differenti, rendendo i dati interoperabili senza costringerli a migrare. In questo modo diventa possibile costruire un federated learning realmente operativo, capace di mettere in dialogo soggetti diversi senza sacrificare la loro autonomia.