Modelli che sono tuoi, allineati ai tuoi valori.
La maggior parte delle organizzazioni prende in affitto un'AI generica che non sa nulla di come lavorano e gira dove decide qualcun altro. Altilia ti dà invece l'intero stack per costruire una personal AI: ontologie per curare i tuoi dati, dataset costruiti con la generazione di dati sintetici e metodi di curatela guidata dagli esperti, modelli linguistici piccoli e grandi addestrati su di essi, agenti riutilizzabili che popolano quelle ontologie anche dai documenti più complessi, e un sistema operativo per installarli, governarli e servirli per le tue esigenze più specifiche.
Allineati ai tuoi valori
L'ontologia definisce cosa un modello può affermare, le tue regole e policy delimitano cosa un agente può fare, e la revisione umana si trova esattamente dove sta il tuo rischio. L'allineamento è parte dell'architettura, versionato e verificabile.
Accurati sui tuoi documenti
Un modello da pochi miliardi di parametri addestrato sulla tua ontologia eguaglia un modello di frontiera sulla tua attività, più veloce e più economico a ogni chiamata. L'accuratezza è verificata sui tuoi file, non su un benchmark pubblico.
Di tua proprietà, sovrani, portabili
Ontologie, dataset, pesi e agenti sono tuoi da conservare, versionare e servire, on-premise o nel tuo cloud, dietro un endpoint compatibile OpenAI. Nessun vendor lock-in, per costruzione.
Dalla tua conoscenza al tuo modello, in quattro passi.
Ogni passo è un prodotto utilizzabile da solo; insieme formano lo stack della personal AI.
Cura
Descrivi ciò che conta come un'ontologia: entità con una descrizione semantica, estratte da testo, immagini o entrambi, annidate in ontologie figlie per le gerarchie complesse. Le ontologie sono dichiarative, così gli esperti di dominio le costruiscono senza codice, oppure lasciano che un agente ne abbozzi una da un campione di documenti. Sono serializzate e versionate, così ogni dataset resta tracciabile alla definizione che lo ha prodotto.
Addestra
Costruisci il dataset con la generazione di dati sintetici a decodifica vincolata, così ogni esempio rispetta la grammatica dell'ontologia, e curalo con i tuoi esperti. Addestra su di esso un modello da pochi miliardi di parametri, oppure ottimizza un modello più grande. Il modello addestrato resta compatibile con l'ontologia: sostituirlo è un cambio di model-id.
Costruisci
Componi in Python o YAML agenti che ragionano, agiscono e delegano a sub-agenti specializzati, con strumenti integrati per file, comandi e ricerca web. Gli agenti popolano le ontologie dai tuoi dati più complessi, oggetti gerarchici, tabelle, scrittura a mano, fascicoli multi-documento, e trasmettono il loro lavoro alle tue interfacce token per token.
Installa
Modelli e agenti girano dentro l'Altilia OS sulla tua infrastruttura, con governance zero-trust, permessi e log decisionali, esposti tramite endpoint compatibili OpenAI, API e server MCP. Interoperano e si federano con le piattaforme AI che già usi, e servono le esigenze più specifiche della tua organizzazione.
Due SDK. Un solo modo di lavorare.
Altilia Model Trainer trasforma i documenti in dataset modellati sull'ontologia e in modelli addestrati. L'Altilia Agents SDK trasforma i modelli in agenti che fanno il lavoro.
SDK per l'estrazione strutturata e l'addestramento dei modelli
- Nativo su testo, immagini o entrambi: uno span testuale o un bounding box in output, coerente con l'input.
- Ontologie ricorsive e componibili: entità con descrizioni semantiche e ontologie figlie per le gerarchie complesse.
- Decodifica vincolata con XGrammar: output che non possono violare la sintassi dell'ontologia.
- Esempi few-shot tipizzati e campionati a runtime, così l'in-context learning vede sempre casi informativi e ben formati.
- Generazione automatica di dataset da un modello di frontiera, pronti per addestrare modelli da pochi miliardi di parametri.
- Multi-task in un solo passaggio: entità, classificazione e generazione da un'unica ontologia.
- La stessa logica per l'estrazione interattiva e in batch.
- Ontologie serializzabili, versionate e costruibili da utenti non tecnici.
- Compatibile OpenAI: funziona con qualsiasi modello dietro un endpoint compatibile OpenAI, di qualsiasi fornitore.
# Altilia Model Trainer: a recursive ontology, declarative, versioned description: Court-appointed technical appraisal (CTU) entities: - name: property_address description: Full address of the appraised property modality: text - name: cadastral_id description: Sheet, parcel and sub-unit as printed modality: text+image output: bbox - name: market_value description: Value estimated by the expert, in EUR modality: text children: - encumbrances: entities: [creditor, rank, amount, registration_date] decoding: constrained # XGrammar, output cannot break the schema
Agenti e sistemi multi-agente
- Framework Python costruito su LangGraph: un singolo agente o un sistema di agenti che collaborano, definiti in codice o in YAML.
- Un ciclo di ragionamento e azione: il modello pensa, sceglie uno strumento, lo esegue e ripete finché non ha una risposta.
- Ragionamento come strumento dedicato, nativo quando il modello lo supporta (Gemini, GPT-5), o entrambi insieme.
- Sub-agenti che lavorano in autonomia e restituiscono il risultato all'agente principale.
- Interi sistemi multi-agente orchestrati da YAML, con ambienti di lavoro e sessioni gestiti automaticamente.
- Un flusso di eventi per chatbot e interfacce: token generati e azioni degli strumenti in tempo reale, sub-agenti inclusi.
- Compressione automatica del contesto per gli output pesanti degli strumenti (file, JSON, log) più riassunto della conversazione, senza un modello aggiuntivo.
- Hook che agganciano logica ai momenti del ciclo di vita senza toccare il codice dell'agente.
- Strumenti pronti all'uso: gestione file, esecuzione di comandi, ricerca web.
- Funziona con qualsiasi modello compatibile LangChain, tra cui Google Gemini e OpenAI.
# Altilia Agents SDK, LangGraph under the hood agent: npl_case_reviewer model: altilia/ctu-slm-3b # trained on court_appraisal v3 tools: [read_file, search_graph, run_command, web_search] sub_agents: - cadastral_reconciler - valuation_summariser context: compress_tool_outputs: true summarize_after_turns: 12 hooks: on_start: load_case_context after_run: write_decision_log events: stream # tokens + tool actions to the UI
Addestrati con una metodologia etica, su una pipeline che controlli tu.
I dataset sono generati automaticamente e certificati da esperti umani prima che un solo peso cambi. L'addestramento è una pipeline personalizzabile di fine-tuning supervisionato, adattamento LoRA, ottimizzazione delle preferenze e apprendimento per rinforzo da feedback umano, eseguita sulla tua infrastruttura e documentata in una model card.
Dati sintetici
Un modello di frontiera, con decodifica vincolata, produce esempi perfettamente strutturati dai tuoi documenti e dalla tua ontologia, nella scala che la tua attività richiede.
Curatela e certificazione degli esperti
I tuoi esperti di dominio revisionano i campioni nello spazio di revisione e certificano due cose: che il comportamento è corretto e che rispetta le regole etiche del tuo dominio e della tua organizzazione.
SFT
Il fine-tuning supervisionato insegna al modello il formato, il vocabolario e le decisioni del tuo processo a partire dal dataset certificato.
LoRA
Adattatori a basso rango specializzano a basso costo modelli piccoli e grandi, un adattatore per ontologia o processo, sostituibili senza riaddestrare il modello base.
DPO
L'ottimizzazione diretta delle preferenze allinea il modello alle scelte preferite dai tuoi esperti, inclusi rifiuti ed escalation, usando i loro giudizi certificati.
RLHF e valutazione
L'apprendimento per rinforzo da feedback umano chiude il cerchio con le correzioni provenienti dalla produzione; ogni versione è valutata sul tuo set gold-standard e rilasciata con una model card.
Correttezza del comportamento
Gli esperti certificano che il modello produce l'output giusto sui campioni gold-standard: le entità giuste, la classificazione giusta, l'astensione giusta quando manca l'evidenza.
Conformità etica
Gli esperti certificano che i campioni rispettano le regole del dominio e dell'organizzazione: non discriminazione, riservatezza, vincoli normativi, i valori concordati nei workshop di allineamento.
Provenienza e trasparenza
Ogni coppia di addestramento è tracciabile a una versione dell'ontologia e a un documento sorgente; ogni versione del modello è rilasciata con una model card che descrive dati, metodo, valutazione e limiti noti.
Com'è fatto un modello personale: perizie giudiziarie per NPL garantiti.
Un esempio dal catalogo, passo per passo.
- CuraGli analisti descrivono la perizia come un'ontologia: immobile, identificativi catastali, valutazione, gravami, ciascuno con una descrizione semantica e una modalità (testo o bounding box).
- AddestraUn modello di frontiera legge un campione con decodifica vincolata; le coppie input–output strutturate, curate dagli analisti del servicer, diventano il training set di un modello da pochi miliardi di parametri dedicato a questa ontologia, servito sull'infrastruttura del servicer.
- CostruisciUn agente di revisione della pratica delega a un riconciliatore catastale e a un sintetizzatore delle valutazioni, popola il knowledge graph e trasmette il suo ragionamento alla coda del revisore.
- InstallaL'OS stabilisce chi può eseguire l'agente e su quali file, registra ogni decisione con la pagina di origine ed espone il modello agli altri sistemi del servicer.
Governabile con un approccio zero-trust. Aperta by design.
Ogni agente opera con permessi a privilegio minimo e lascia un log decisionale. Ogni modello, ontologia e agente resta tuo, e l'OS si federa con le piattaforme AI che già usi.
Nessun agente è affidabile per default
Ogni agente è identificato, limitato ai dati, agli strumenti e ai sistemi di cui il suo processo ha bisogno e autorizzato a ogni chiamata. Permessi, versioni dei modelli e punti di revisione umana sono imposti dall'OS, e ogni decisione è registrata con le sue fonti per l'audit.
Interfacce standard in ingresso e in uscita
I modelli sono serviti dietro endpoint compatibili OpenAI, gli agenti funzionano con qualsiasi modello compatibile LangChain, e connettori, API REST e server MCP collegano l'OS a CRM, ERP, ECM e sistemi core in entrambe le direzioni.
Convive con le piattaforme che hai già
L'OS si federa con piattaforme AI di hyperscaler, open source e interne: instrada un'attività ai loro modelli, espone gli agenti Altilia ai loro orchestratori, condivide il knowledge graph secondo i tuoi permessi. Ontologie, dataset, pesi e agenti restano tua proprietà intellettuale e vanno via con te.