AI simbolica e LLM non sono mai stati rivali. L'ontologia è dove si incontrano.

Per trent'anni la disciplina ha discusso su quale tipo di intelligenza fosse quella vera. L'AI simbolica, con le sue ontologie, la logica e le regole, sapeva spiegare ogni passaggio del suo ragionamento ma non sapeva nulla che non le fosse stato detto a mano. Le reti neurali, e oggi i large language model, imparano tutto dai dati e non spiegano nulla. In un'azienda la discussione è fuori luogo. Una banca non ha bisogno di una filosofia della mente. Ha bisogno di un sistema che legga centomila contratti, dichiari come fatti ciò che contengono e ragioni su quei fatti in un modo che un auditor possa seguire. Nessuna delle due tradizioni lo fa da sola. Insieme sì.

Cosa un modello linguistico non può darti

Un modello linguistico è un lettore superbo e un testimone inaffidabile. Chiedigli cosa dice un atto di mutuo e risponderà con fluidità, e di solito correttamente. Fagli la stessa domanda domani, con una formulazione leggermente diversa, e la risposta potrebbe cambiare. Chiedigli di combinare ciò che ha letto nell'atto con ciò che ha letto nella perizia e nel registro immobiliare, e produrrà un paragrafo plausibile invece di un fatto verificato. Non ha una rappresentazione persistente del debitore, dell'immobile o dell'ipoteca, solo testo che ne parla. Non sa dirti quale di tre valori in conflitto sia giusto, perché non ha alcuna nozione di un valore giusto oltre al suonare giusto.

È la radice delle due abitudini che hanno definito finora l'AI aziendale: estrarre campi dai documenti e chattare su di essi. Entrambe si fermano al testo. L'estrazione produce numeri senza le relazioni che danno loro significato; la chat produce prosa senza la struttura che la renderebbe verificabile. Nessuna delle due lascia dietro di sé una conoscenza su cui un processo possa costruire.

Cosa l'AI simbolica non è mai riuscita a popolare

La tradizione simbolica aveva il problema opposto. Un'ontologia dice con precisione cos'è un'ipoteca: un gravame, detenuto da un creditore, su un immobile identificato da una tripla catastale, a garanzia di un finanziamento con un capitale residuo, con un grado rispetto agli altri gravami. Da quella definizione seguono le regole: quale gravame si esegue per primo, quando un credito si prescrive, com'è fatta una posizione di garanzia valida. Il ragionamento è esatto e ogni conclusione ha una dimostrazione. La difficoltà è sempre stata la stessa: qualcuno doveva inserire i fatti a mano. L'ingegneria della conoscenza non scalava ai 130 milioni di pagine di un servicer, e così le ontologie sono rimaste eleganti e vuote.

L'ontologia come punto d'incontro

Mettile insieme e ciascuna cura l'altra. Il modello linguistico legge; l'ontologia decide cosa conta come fatto e come i fatti si relazionano. Il modello popola; l'ontologia vincola, valida e ragiona. È questo lo strato semantico di Altilia: una rappresentazione basata su ontologie dei dati dei processi di business, condivisa da ogni applicazione AI dell'organizzazione, creata e popolata dagli agenti anziché a mano.

• L'ontologia definisce le entità, i loro attributi, le loro relazioni e le regole che le governano. È dichiarativa, così gli esperti di dominio la scrivono senza codice, ed è versionata, così ogni fatto può essere ricondotto alla definizione che lo ha prodotto.
• La decodifica vincolata obbliga il modello a produrre solo output conformi alla grammatica dell'ontologia. Un valore che non è conforme non può essere prodotto; un valore prodotto ha sempre un tipo, uno span di origine o un bounding box.
• Gli agenti popolano l'ontologia su larga scala: classificano i documenti, estraggono entità e oggetti gerarchici, li riconciliano tra le fonti e li scrivono nel knowledge graph con un punteggio di confidenza e un link di provenienza.
• Gli agenti creano anche le ontologie. Dato un campione di documenti e una descrizione del processo, un agente abbozza entità e relazioni, un esperto le corregge, e la bozza diventa un'ontologia versionata che i prossimi agenti popoleranno.

Ragionare sui fatti, non sul testo

Una volta che i fatti sono nel grafo, comincia la parte interessante. Un agente a cui si chiede quali gravami precedono quello del servicer in un portafoglio non cerca paragrafi che somiglino alla risposta. Attraversa l'ontologia: dal portafoglio ai finanziamenti, da ogni finanziamento al suo immobile, dall'immobile ai suoi gravami, da ogni gravame al suo grado e alla data di iscrizione, e applica la regola che definisce la priorità. La risposta è un insieme di fatti con un percorso, e il percorso è la spiegazione. GraphRAG è il nome di questo retrieval per attraversamento; l'ontologia è ciò che lo rende possibile.

Lo stesso vale per le regole che un modello linguistico tende a sfumare. Se un credito è prescritto non è una questione di interpretazione una volta che l'ontologia definisce gli eventi interruttivi e l'agente ne ha popolato le date dalle notifiche. Se una posizione di garanzia è valida è una verifica, non un'opinione. Il ruolo del modello è leggere e redigere; il ruolo dell'ontologia è rendere la conclusione deterministica, ripetibile e ammissibile in un comitato crediti.

“Il modello linguistico legge. L'ontologia decide cos'è un fatto. Insieme producono una conoscenza che un auditor può seguire.”

Perché è diverso dall'estrazione o dalla chat

L'estrazione si ferma al campo: 330 datapoint per pratica, scollegati. La chat si ferma alla risposta: un paragrafo che non si può verificare. Popolare un'ontologia produce una terza cosa, una rappresentazione persistente, tipizzata e collegata del business che ogni agente, app e processo successivo può usare. Il credit memo la cita. La vista di riconciliazione la legge. L'assistente normativo risponde da essa. Il modello distillato è addestrato su di essa. E poiché è esplicita, il team di compliance può ricostruire come si è arrivati a qualsiasi conclusione.

È anche il motivo per cui i modelli piccoli diventano praticabili. Un modello da pochi miliardi di parametri distillato su un'ontologia eguaglia un modello di frontiera su quel compito, perché l'ontologia ha rimosso gran parte dell'ambiguità su cui il modello di frontiera spendeva la sua capacità. L'intelligenza si sposta dai pesi alla struttura, dove può essere posseduta, versionata e verificata.

Da dove cominciare

Scegli un processo di cui conosci già i documenti e scrivi le venti entità che contano per quel processo. Lascia che un agente abbozzi il resto da un campione e che i tuoi esperti lo correggano. Popola il grafo da file reali, con revisione umana dove sta il rischio. Poi fai una domanda a cui né l'estrazione né la chat potrebbero rispondere, una che richieda di seguire relazioni tra documenti. Se la risposta torna con un percorso che puoi seguire, le due tradizioni si sono incontrate.