TECNOLOGIA · ONTOLOGIE
Non solo ricerca.Un modello della tua finanza.
Un'ontologia è una mappa di un dominio leggibile dalle macchine: le cose che esistono, i loro attributi e le regole che le collegano. Amaril ne costruisce una per la finanza, così ogni risposta è ancorata, connessa e citata.
01 · DEFINIZIONE
Cos'è un'ontologia, semplice.
Un modello formale e condiviso che descrive le cose di un dominio e i legami tra loro. Non un elenco di parole, ma il loro significato e le regole logiche che le governano. Risponde a: quali tipi di cose esistono? Che attributi hanno? Come sono collegate? Persone diverse, e software diversi, la interpretano allo stesso modo.
02 · ANATOMIA
Quattro mattoni
Quattro elementi bastano a descrivere quasi tutto.
Classi
Le categorie di cose: Emittente, Controparte, Strumento, Covenant. I "tipi" del dominio.
Istanze
I casi concreti di una classe: "Intesa Sanpaolo" è un Emittente, un finanziamento specifico è uno Strumento.
Relazioni
I legami tra le cose: "è-controparte-di", "garantisce", "è-regolato-da". Il vero valore.
Assiomi
Regole logiche: un finanziamento ha almeno un covenant; un covenant vincola un solo debitore.
03 · IL FORMATO
Dalla tripla al grafo
La conoscenza si memorizza in fatti minimi a tre parti: soggetto, predicato, oggetto. Milioni di triple collegate formano un grafo navigabile.
SOGGETTO
Finanziamento A
PREDICATO
garantito-da
OGGETTO
Pegno B
Da un nodo puoi saltare ad altri: è il ragionamento multi-hop che un elenco piatto di paragrafi non permette.
04 · PERCHÉ SERVE
Un LLM da solonon basta sui tuoi dati.
Potente sul linguaggio, fragile sui fatti specifici.
/ 01
Allucina
Risposte plausibili ma inventate, senza ancoraggio ai fatti reali.
/ 02
Niente fonti
Difficile sapere da dove arriva un’affermazione, o verificarla.
/ 03
Fatica sui legami
Le domande multi-hop sui tuoi dati interni lo mettono in difficoltà.
Il punto di svolta: gli LLM tolgono l'attrito, l'ontologia resta la struttura. Sono complementari, non in competizione. Statistica fluida più logica verificabile: il cuore dell'AI neuro-simbolica.
05 · COME AMARIL LE USA
Un'ontologia finanziaria,costruita dai tuoi documenti.
Quattro modi in cui l'ontologia e l'LLM si rinforzano dentro Amaril.
01
Amaril costruisce l’ontologia
L’LLM legge bilanci, filing, contratti e data room ed estrae entità (emittenti, controparti, strumenti, covenant, KPI) e relazioni. Riconcilia le varianti dei nomi ("Intesa Sanpaolo", "ISP", la controparte) in un’unica entità. L’umano valida: l’LLM accelera, non sostituisce il giudizio.
02
L’ontologia ancora l’LLM
Ogni termine è mappato a un concetto con identificatore univoco. La generazione è vincolata a entità e relazioni che esistono davvero nel grafo: meno allucinazioni, termini univoci, e ogni risposta citata a documento, pagina e paragrafo.
03
GraphRAG, non solo similarità
Il recupero avviene sul grafo finanziario, non solo sui paragrafi "simili". Così Amaril risponde a domande multi-hop, deducendo legami mai scritti esplicitamente, es. "quali controparti sono esposte al cliente X attraverso i covenant del finanziamento Y?"
04
Ragionamento neuro-simbolico
L’LLM interpreta la domanda e orchestra le interrogazioni sul grafo; i reasoner logici verificano i vincoli dell’ontologia (covenant, regole contabili). La risposta unisce la fluidità del linguaggio alla solidità verificabile dei simboli.
06 · L'ARCHITETTURA
Tre strati che si rinforzano.
Amaril non si affida a un unico LLM: combina la fluidità del linguaggio, la solidità della struttura e la prevedibilità della ricerca.
01
Neurale
Gli LLM leggono i documenti, estraggono entità e rispondono in linguaggio naturale.
02
Simbolico
Tipi di entità canonici e le loro relazioni costituiscono l'ontologia del dominio finanziario.
03
Deterministico
Un query planner risolve molte domande senza inferenza, dove l'LLM non serve: veloce, prevedibile, a basso costo.
AI neuro-simbolica, in produzione.
07 · LA PIPELINE
Da documento a entità, con le fonti.
Un worker dedicato elabora ogni file in background, in due fasi.
01
Documento
PDF, Office, testo o immagine.
02
Chunk
Passaggi campionati dal file.
03
Fase 1 · Regex
P.IVA, IBAN, ISIN, importi €, date, con validatori reali (Luhn, mod-97).
04
Fase 2 · LLM
1 sola chiamata, JSON, temperatura 0.1: emittenti, controparti, ruoli, scadenze, valori. Verifica anche i falsi positivi della Fase 1.
05
Grafo
Entità e relazioni salvate, pronte per la ricerca e l'agente.
Le entità entrano nell'indice di ricerca: "contratti oltre 50M EUR" diventa un filtro, non solo "simile". Un reranker mette in cima i passaggi migliori prima dell'agente.
08 · I VANTAGGI
La somma vale più delle parti.
01
Meno allucinazioni
Le risposte sono vincolate a fatti verificati nel grafo.
02
Ragionamento multi-hop
Risposte a domande complesse seguendo catene di relazioni.
03
Coerenza e spiegabilità
Reasoner e vincoli garantiscono dati consistenti e risposte tracciabili alla fonte.
04
Costruzione rapida
Gli LLM riducono i tempi: da mesi di lavoro manuale a giorni.
90%+
Accuratezza GraphRAG su query vincolate allo schema dove il RAG solo-vettoriale può fallire.
Giorni
Tempo di costruzione. Ciò che richiedeva mesi di esperti NLP, ora parte in giorni.
Citato
Ogni risposta riporta documento, pagina e paragrafo di origine.
Valori indicativi da rassegne e benchmark 2024-2025; dipendono dall’implementazione.