AI predittiva

Negli ultimi anni abbiamo assistito a una vera esplosione dei sistemi di raccomandazione. Ogni piattaforma cerca di prevedere cosa acquisteremo, quale film guarderemo o quale articolo leggeremo. Amazon suggerisce prodotti, Netflix propone serie TV, Spotify crea playlist personalizzate e gli e-commerce cercano continuamente di anticipare i nostri desideri.

Ma esiste una domanda ancora più interessante.

Grazie a sistemi con AI predittiva, è possibile prevedere non soltanto cosa farà un utente, ma comprendere perché lo farà?

È proprio qui che, a mio avviso, entra in gioco ROE (RAGraph Ontological Engine).

Dal dato alla conoscenza

Nella maggior parte delle piattaforme moderne i dati vengono raccolti sotto forma di eventi.

Un utente visualizza un prodotto.

Lo salva tra i preferiti.

Lo inserisce in una wishlist.

Lo abbina ad altri prodotti.

Lo acquista.

Dal punto di vista informatico questi sono semplicemente eventi.

Utente A
↓

visualizza

↓

Vestito X

oppure

Utente A

aggiunge

Scarpa Y

alla Wishlist

Sono dati preziosi, ma rimangono eventi isolati.

Un algoritmo di Machine Learning può certamente imparare che chi acquista una determinata scarpa compra spesso anche una certa borsa. È il principio del collaborative filtering, utilizzato da moltissimi sistemi di recommendation.

Tuttavia manca qualcosa.

Manca il significato.

Il limite delle raccomandazioni tradizionali

Immaginiamo due utenti.

Il primo costruisce diversi outfit estivi.

Il secondo crea outfit molto simili.

Entrambi inseriscono gli stessi prodotti nella wishlist.

Per un motore tradizionale i due utenti sono praticamente identici.

ROE, invece, potrebbe vedere una situazione completamente diversa.

Il primo sta organizzando una vacanza in Grecia.

Il secondo parteciperà a un matrimonio.

I prodotti sono quasi gli stessi.

L’intenzione è completamente differente.

È proprio l’intenzione che genera conoscenza.

Ai predittiva, quando un outfit diventa un concetto

Prendiamo come esempio una moderna piattaforma di fashion discovery.

Gli utenti non cercano semplicemente prodotti.

Creano outfit.

Salvano ispirazioni.

Combinano colori.

Abbinano accessori.

Descrivono occasioni d’uso.

Questo significa che ogni outfit contiene una quantità enorme di informazione implicita.

Non è soltanto:

• vestito
• scarpa
• borsa

ma diventa qualcosa di molto più ricco.

Occasione

↓

Matrimonio estivo

↓

Stile elegante

↓

Colori pastello

↓

Lino

↓

Sandalo tacco medio

↓

Borsa piccola

In altre parole, un outfit smette di essere una semplice lista di prodotti e diventa un vero concetto semantico.

L’idea alla base di ROE

Nel progetto ROE il grafo non rappresenta semplicemente documenti o manuali tecnici.

Rappresenta relazioni.

Ed è proprio dalle relazioni che nasce la conoscenza.

Ogni utente contribuisce inconsapevolmente ad arricchire il grafo.

Ad esempio:

Utente

CREA

Outfit

UTILIZZA

Camicia lino

ABBINATA

Pantalone beige

PER

Vacanza Mediterranea

Dopo migliaia di outfit il sistema non possiede più soltanto milioni di eventi.

Possiede conoscenza.

Sa che il lino viene frequentemente associato a vacanze estive.

Sa che il beige compare spesso insieme ai colori sabbia.

Sa che certi accessori vengono scelti quasi esclusivamente per eventi eleganti.

Queste informazioni non sono state programmate.

Sono emerse spontaneamente.

Dal comportamento individuale alla conoscenza collettiva

Questa è probabilmente la caratteristica che considero più interessante.

ROE non osserva solamente il comportamento del singolo utente.

Costruisce un patrimonio di conoscenza condivisa.

Immaginiamo che, nell’arco di un mese, migliaia di utenti inizino ad abbinare:

• lino verde oliva
• sandali in cuoio
• borsa in rafia

Nessuno ha ancora acquistato quei prodotti.

Le vendite devono ancora iniziare.

Un motore tradizionale vede poche conversioni.

ROE osserva invece che sta nascendo una nuova relazione tra concetti.

Il trend è già visibile.

Non perché qualcuno lo abbia dichiarato.

Ma perché il Knowledge Graph lo sta costruendo automaticamente.

La predittività non nasce dall’AI, ma dalla conoscenza

Quando si parla di intelligenza artificiale si tende a pensare immediatamente a reti neurali sempre più grandi.

In realtà la vera innovazione potrebbe trovarsi altrove.

Non nella dimensione del modello.

Ma nella qualità della conoscenza che gli viene fornita.

ROE permette proprio questo.

Trasforma migliaia di eventi indipendenti in un patrimonio di relazioni semantiche.

L’LLM non deve più indovinare.

Può ragionare sopra una struttura che rappresenta realmente il dominio.

È una differenza sostanziale.

Una possibile Proof of Concept

Immaginiamo una prima implementazione.

L’architettura potrebbe essere composta da cinque livelli.

1. Raccolta eventi

Visualizzazioni, click, wishlist, acquisti, outfit creati.

2. Estrazione semantica

Ogni outfit viene analizzato da un LLM locale che identifica:

• occasione
• stagione
• stile
• materiali
• colori
• emozioni
• brand

3. Costruzione del Knowledge Graph

Neo4j memorizza tutte le relazioni.

Qdrant mantiene gli embedding semantici.

ROE collega i due mondi.

4. Inferenza ontologica

Il motore identifica automaticamente nuovi pattern.

Ad esempio:

“Il lino viene sempre più associato alle vacanze premium.”

oppure

“Le scarpe intrecciate stanno sostituendo i mocassini nelle occasioni casual eleganti.”

5. Predizione

Il sistema non suggerisce soltanto prodotti.

Suggerisce concetti.

L’utente che sta organizzando una vacanza riceverà outfit costruiti per quel preciso contesto, anche se non ha mai cercato quei prodotti specifici.

Un motore che spiega le proprie decisioni

Uno dei vantaggi più interessanti di un approccio ontologico riguarda la spiegabilità.

Molti sistemi di recommendation funzionano come una scatola nera.

ROE, invece, potrebbe restituire una spiegazione.

Ad esempio:

“Ti proponiamo questo outfit perché negli ultimi trenta giorni è stato frequentemente associato da utenti con preferenze simili alle tue, nello stesso contesto stagionale e per la medesima occasione d’uso.”

La raccomandazione non nasce da una probabilità astratta.

Nasce da relazioni osservabili.

Ed è quindi verificabile.

Oltre il fashion

Sebbene l’esempio riguardi il settore moda, la stessa architettura potrebbe essere applicata praticamente ovunque.

Nel turismo potrebbe prevedere itinerari in base agli interessi emergenti.

Nell’industria potrebbe anticipare guasti osservando il comportamento delle macchine.

Nella formazione potrebbe costruire percorsi didattici personalizzati.

Nel commercio elettronico potrebbe trasformare milioni di interazioni in conoscenza condivisa.

In tutti questi casi il principio rimane identico.

Gli eventi diventano concetti.

I concetti costruiscono un’ontologia.

L’ontologia genera conoscenza.

E la conoscenza rende possibile una predizione molto più ricca rispetto alla semplice analisi statistica.

Conclusioni

Quando ho progettato ROE, l’obiettivo iniziale era migliorare il recupero delle informazioni nei sistemi GraphRAG attraverso una rappresentazione ontologica del dominio.

Con il tempo mi sono reso conto che la stessa architettura può essere applicata anche a un problema completamente diverso: trasformare il comportamento degli utenti in conoscenza strutturata.

Non si tratta più soltanto di rispondere meglio a una domanda.

Si tratta di comprendere come nasce un trend, perché un prodotto viene scelto, quali relazioni emergono spontaneamente e come queste possano essere utilizzate per costruire sistemi realmente predittivi.

Forse il futuro dei motori di raccomandazione non sarà semplicemente prevedere il prossimo acquisto.

Sarà comprendere il significato delle nostre scelte.

Riferimenti

• Microsoft Research, From Local to Global: A GraphRAG Approach to Query-Focused Summarization.
• Neo4j, What is GraphRAG?
• Qdrant, Build a GraphRAG Agent with Neo4j and Qdrant.
• Hogan A. et al., Knowledge Graphs, ACM Computing Surveys, 2020.