Un Modello AI Open Source per l'Anonimizzazione dei Testi Italiani
L’Italia può competere nel campo dell’Intelligenza Artificiale puntando su modelli piccoli, verticali e specializzati, progettati per risolvere problemi concreti del nostro Paese. Un esempio virtuoso è rappresentato da un modello open source recentemente rilasciato, dedicato all’anonimizzazione automatica di documenti in italiano. Con circa 300 milioni di parametri, questo sistema è in grado di riconoscere e oscurare 22 categorie di informazioni sensibili, come nomi, cognomi, codici fiscali, partite IVA, IBAN, indirizzi, targhe e dati catastali.
Il funzionamento si basa su un processo in due fasi: anonimizzazione e de-anonimizzazione. Nella prima fase, il modello identifica le entità sensibili all’interno del testo grazie a tecniche di Named Entity Recognition (NER) specializzate per la lingua italiana. Ogni occorrenza viene sostituita con un placeholder univoco (ad esempio, [NOME_1] o [CF_3]) utilizzando una mappatura crittografata in locale. Il documento anonimizzato può quindi essere inviato in modo sicuro a servizi cloud (ChatGPT, Claude, Gemini) senza esporre dati personali. Nella seconda fase, un meccanismo di ripristino automatico sostituisce i placeholder con le informazioni originali, garantendo la piena reversibilità del processo.
Il modello è stato addestrato su un dataset italiano appositamente costruito, disponibile pubblicamente su Hugging Face, che copre una vasta gamma di varianti linguistiche e formati di dati sensibili (codice fiscale, partita IVA con pattern specifici, IBAN nella struttura italiana, ecc.). Le prestazioni, valutate su un benchmark nazionale, mostrano tassi di precisione e richiamo superiori al 95% per la maggior parte delle categorie, con un’efficienza computazionale che ne permette l’esecuzione interamente su hardware consumer (CPU e GPU modeste). Tutto il codice è rilasciato con licenza MIT, incoraggiando contributi esterni e fork personalizzati.
L’approccio dimostra come la strada per una AI italiana competitiva non passi necessariamente dalla creazione di modelli generalisti giganteschi, ma dalla costruzione di un ecosistema di modelli verticali, ottimizzati per problemi specifici: anonimizzazione, estrazione di informazioni da documenti legali, analisi di testi clinici, traduzione tecnica settoriale. Progetti come questo, completamente open source, permettono a sviluppatori, PMI e pubblica amministrazione di adottare soluzioni AI sovrane, senza dipendere da API estere, preservando la privacy dei dati e riducendo i costi infrastrutturali.
In definitiva, il futuro dell’AI italiana potrebbe essere fatto di centinaia di piccoli modelli specializzati, ciascuno eccellente nel proprio dominio, rilasciati con licenze permissive e alimentati da dataset locali di alta qualità. Questo paradigma offre un’alternativa concreta e sostenibile per non restare indietro nella rivoluzione dell’intelligenza artificiale.