Dalla Data Platform alla Data Knowledge Platform: come AMELIA trasforma i dati in conoscenza

Una Data Platform può raccogliere e processare grandi volumi di informazioni senza migliorare necessariamente le decisioni. Il limite emerge quando dataset tecnicamente disponibili restano difficili da trovare, interpretare o mettere in relazione. La pipeline funziona, ma il significato dipende ancora da poche persone; dashboard e modelli producono risultati, ma utenti diversi non condividono definizioni e contesto.

Il passaggio verso una Data Knowledge Platform nasce dall’esigenza di colmare il divario tra disponibilità del dato e capacità di comprenderlo, condividerlo e utilizzarlo nelle decisioni. Ingestion, storage e trasformazione restano fondamentali, ma vengono collegati a metadati attivi, semantica, governance, strumenti analitici e modalità di fruizione adatte a competenze diverse.

AMELIA, progettata e realizzata da Exprivia per il progetto GRINS (Growing Resilient, INclusive and Sustainable), traduce questo approccio in una piattaforma che integra dati economici, sociali, ambientali, sanitari e finanziari, con l’obiettivo di trasformare fonti eterogenee in conoscenza condivisibile e utilizzabile nelle decisioni.

Perché una Data Platform non basta sempre a generare conoscenza

La diffusione delle pratiche data-driven non riguarda più soltanto le grandi organizzazioni. Nel 2025, l’89% delle PMI italiane svolge attività di analisi dei dati, 10 punti percentuali in più rispetto all’anno precedente (Fonte: Osservatorio Big Data & Business Analytics, Politecnico di Milano, 2025). Più cresce l’uso dei dati, più diventa centrale la capacità di governarli e interpretarli in modo coerente. Raccogliere e analizzare informazioni, infatti, non basta se significati, relazioni e regole restano frammentati tra sistemi e funzioni aziendali.

Raccolta e conservazione sono solo il punto di partenza

Una Data Platform gestisce acquisizione, storage, trasformazione, serving e componenti per analytics e AI. Può aumentare scalabilità e controllo, ridurre copie non governate e standardizzare le pipeline. Questi benefici non risolvono definizioni incoerenti, ownership frammentata o difficoltà di discovery.

Il segnale da osservare è il tempo tra una domanda e l'identificazione di dati idonei. Se gli analisti devono intervistare esperti e ricostruire trasformazioni, la piattaforma conserva informazioni ma non trasferisce conoscenza. Anche un modello accurato perde utilità se fonti, limiti e campo di applicazione non sono compresi.

Il divario tra disponibilità del dato e capacità decisionale

Avere accesso ai dati non significa ancora disporre delle informazioni necessarie per decidere. Perché un dato possa essere interpretato e utilizzato correttamente, occorre conoscerne il significato, il livello di aggiornamento, le relazioni con altri fenomeni, le condizioni che ne regolano l’uso e il grado di incertezza associato ai risultati che contribuisce a generare.

È proprio su questa esigenza di contesto che si innesta il framework del NIST per la gestione del rischio legato all’Intelligenza Artificiale. Il NIST AI 100-1 organizza infatti il processo attorno a quattro funzioni – Govern, Map, Measure e Manage – e attribuisce un ruolo centrale alla comprensione del contesto in cui sistemi, dati e output vengono utilizzati. Prima di valutare o impiegare un risultato, è necessario chiarirne finalità, soggetti coinvolti, possibili impatti e limiti.

Per una piattaforma orientata alla conoscenza, questo significa non separare il dato dal contesto che ne consente l’interpretazione: metadati, regole di governance, relazioni semantiche, provenienza e informazioni sui modelli devono restare collegati agli asset e ai risultati che supportano.

Che cos'è una Data Knowledge Platform

Una Data Knowledge Platform è un ambiente integrato che raccoglie, organizza, collega e analizza dati per produrre conoscenza contestualizzata. Rispetto a una Data Platform tradizionale, il cambiamento non riguarda quindi soltanto le tecnologie utilizzate, ma il modo in cui dati, significati, regole e strumenti di analisi restano collegati lungo tutto il ciclo di utilizzo.

La differenza emerge con maggiore chiarezza osservando alcune dimensioni chiave.

Il passaggio centrale è quindi dalla disponibilità del dato alla possibilità di comprenderlo nel suo contesto. Non basta sapere dove si trova un dataset: occorre capire che cosa descrive, come si collega ad altri asset, da dove proviene e secondo quali definizioni può essere interpretato. È qui che semantica e relazioni diventano una componente strutturale della Data Knowledge Platform.

Contesto, semantica e relazioni tra informazioni

La semantica permette di rendere espliciti concetti, entità e relazioni tra dati che, pur descrivendo lo stesso territorio, la stessa impresa o lo stesso fenomeno, possono utilizzare codifiche, strutture e vocabolari differenti.

Ontologie, tassonomie e knowledge graph servono proprio a costruire questo livello di collegamento: aiutano a riconciliare informazioni provenienti da fonti diverse e consentono ricerche e interrogazioni che attraversano più domini senza perdere il significato originario dei dati.

Un esempio di come queste relazioni possano essere formalizzate viene dal modello RDF del W3C. Il primer RDF 1.2 descrive infatti una rappresentazione basata su triple soggetto-predicato-oggetto, attraverso cui è possibile esprimere in forma machine-readable il rapporto tra due risorse.

Il punto, per una Data Knowledge Platform, non è adottare necessariamente RDF come tecnologia, ma rendere esplicite e interrogabili relazioni che altrimenti rimarrebbero implicite nei documenti, nelle strutture dei database o nella conoscenza degli esperti. In questo modo la semantica affianca qualità, metadati e governance e contribuisce a rendere il dato più comprensibile, combinabile e riutilizzabile.

Dall'asset informativo alla conoscenza condivisa

Quando significato, provenienza, qualità, condizioni d’uso e relazioni restano associati al dato, l’asset informativo può essere compreso, riutilizzato e condiviso senza perdere il proprio contesto. È questo passaggio che consente di trasformare un patrimonio di dati in una base comune di conoscenza.

La stessa informazione può così alimentare dashboard, analisi, simulazioni o modelli predittivi mantenendo tracciabili definizioni, fonti e criteri di utilizzo. Il valore non deriva quindi soltanto dalla possibilità di accedere al dato, ma dalla capacità di utilizzarlo in modo coerente lungo casi d’uso differenti.

La piattaforma AMELIA è pensata per integrare grandi volumi di dati economici, sociali, ambientali e territoriali e accompagnare analisi, simulazioni e valutazioni d'impatto tramite servizi e funzioni appositamente sviluppate. Il salto di livello sta proprio nel non limitarsi a distribuire dataset, ma nel creare le condizioni perché informazioni provenienti da domini diversi possano essere interpretate e utilizzate come base condivisa per decisioni pubbliche e private fondate su evidenze.

Le capacità che distinguono il modello AMELIA

Exprivia ha progettato AMELIA come un ambiente in cui gestione del dato, analytics e machine learning operano in continuità, invece di restare separati in strumenti o fasi distinte.

Il punto non è soltanto mettere a disposizione più funzionalità, ma fare in modo che metadati, relazioni semantiche, regole di accesso e criteri di qualità accompagnino il dato lungo tutto il suo percorso. Una relazione individuata nel catalogo deve poter essere utilizzata anche in fase di analisi; allo stesso modo, una regola di governance definita a monte deve continuare a valere negli ambienti di fruizione, nelle dashboard e nei modelli.

È questa continuità tra acquisizione, organizzazione, controllo e utilizzo a distinguere una piattaforma che gestisce dati da una piattaforma che li rende realmente utilizzabili come base di conoscenza.

Ingestion, qualità, governance e interoperabilità

AMELIA è progettata per integrare dati provenienti da sistemi, applicazioni e fonti eterogenee, con formati e livelli di granularità differenti. Per gestire questa complessità, l’architettura distingue le risorse dedicate a ingestion, processamento e storage, consentendo a ciascuna componente di scalare in funzione dei carichi e delle esigenze operative.

L’integrazione, però, non si esaurisce nell’acquisizione dei dati. Prima che possano essere utilizzati per analisi e servizi, entrano in gioco processi di data quality e standardizzazione, mentre autenticazione, autorizzazione, segregazione e offuscamento regolano l’accesso alle informazioni, soprattutto quando sono coinvolti dati personali o sensibili. Qualità, sicurezza e interoperabilità diventano così parti dello stesso percorso: rendere disponibili fonti diverse mantenendole affidabili, governate e utilizzabili in modo coerente.

La dimensione dell’ecosistema rende evidente la necessità di questo approccio. L’architettura AMELIA è stata progettata per armonizzare oltre 400 database, comprendendo dati strutturati, semi-strutturati e non strutturati. In un ecosistema di queste dimensioni, l’interoperabilità non può dipendere da integrazioni puntuali o mapping costruiti caso per caso: richiede metadati condivisi, standard, lineage e controlli sistematici che permettano di mantenere nel tempo coerenza e tracciabilità tra fonti differenti.

Catalogazione semantica e ricerca evoluta

La data knowledge platform AMELIA organizza dataset, dashboard e servizi attraverso metadati attivi, regole condivise e diversi livelli di visibilità. La classificazione semantica e l’individuazione delle relazioni tra asset aiutano a superare una ricerca basata sulla sola corrispondenza tra parole, facilitando la discovery anche tra domini differenti.

Le sue funzioni di catalogo svolgono quindi una funzione diversa a seconda di chi lo utilizza. I producer descrivono e pubblicano gli asset secondo criteri comuni; i consumer possono individuare risorse pertinenti e comprenderne più rapidamente significato, provenienza e possibilità d’uso.

Il catalogo può quindi essere letto come un’interfaccia di conoscenza: non si limita a segnalare dove si trova un dato, ma ne restituisce il contesto, le relazioni e le condizioni d’uso necessarie per valutarlo e riutilizzarlo.

Dashboard, analytics avanzati e modelli AI/ML

Una volta individuati e contestualizzati, gli asset possono essere utilizzati attraverso strumenti diversi in funzione delle competenze e degli obiettivi dell’utente. AMELIA integra ambienti di sviluppo per Python, R e Scala, strumenti no-code, dashboard e servizi specialistici, creando un continuum tra esplorazione, analisi avanzata e fruizione dei risultati.

Il servizio di geoportale consente di leggere i dati in relazione al territorio; modelli previsionali e indici compositi supportano la costruzione di scenari; le interfacce conversazionali permettono di interrogare dati e risultati in modo più immediato; le componenti di explainable AI aiutano a comprendere criteri, variabili e limiti dei modelli.

La varietà dei servizi e strumenti risponde a livelli di competenza diversi: gli ambienti di coding sono pensati per i profili specialistici, il no-code amplia l’accesso ad analisti e ricercatori, mentre dashboard e visualizzazioni facilitano il confronto delle evidenze. Il valore dell’AI, in questo modello, dipende dalla possibilità di lavorare su asset tracciati e di ricondurre i risultati al loro contesto, alle fonti e alle regole con cui sono stati prodotti.

Come cambia l'esperienza per PA, imprese e ricerca

Una stessa base di conoscenza deve poter rispondere a esigenze e responsabilità diverse. Ricerca, imprese e pubbliche amministrazioni utilizzano gli stessi asset con obiettivi differenti, mantenendo però comuni definizioni, fonti e regole di utilizzo. 

Esplorare dati e costruire scenari

Per la ricerca, AMELIA armonizza dataset e offre ambienti collaborativi per analisi statistiche e machine learning. Per le imprese, i servizi possono sostenere valutazioni su rischio climatico, performance ESG, sostenibilità finanziaria e dinamiche di mercato. Per i decisori pubblici, integrazione e modellazione aiutano a leggere territori, simulare alternative e confrontare effetti ex ante ed ex post.

La condizione di successo è mantenere visibili fonti, assunzioni e intervalli di validità. Uno scenario va inteso come strumento per valutare conseguenze sotto ipotesi esplicite, senza assimilarlo a una previsione certa. La piattaforma deve quindi facilitare il confronto tra alternative senza nascondere qualità e limiti dei dati.

Condividere risultati e accelerare decisioni consapevoli

Dashboard, notebook, dataset elaborati e modelli diventano oggetti condivisibili con autorizzazioni coerenti. La collaborazione non richiede che tutti utilizzino gli stessi strumenti, ma che possano risalire alle stesse definizioni e fonti.

AMELIA applica i principi FAIR (Findable, Accessible, Interoperable, Reusable) per rendere gli asset trovabili, accessibili, interoperabili e riutilizzabili e i principi SAFE (Safety, Accuracy, Fairness, Explainability) per orientare un utilizzo dell’AI sicuro, accurato, equo e spiegabile. Questa combinazione collega efficienza e responsabilità: ridurre il tempo di accesso ha valore solo se le evidenze restano affidabili e l’uso è governato.

Dal caso d'uso alla Data Knowledge Platform

L’evoluzione verso una Data Knowledge Platform non richiede necessariamente di sostituire subito l’infrastruttura esistente. Può partire dai casi d’uso in cui trovare, interpretare, mettere in relazione e riutilizzare i dati è ancora complesso e aggiungere, in modo progressivo, le capacità che mancano.

Questo significa intervenire sui domini a maggiore attrito introducendo, per esempio, metadati più ricchi, relazioni semantiche, lineage, regole di governance e strumenti di accesso più adatti agli utenti. La Data Platform continua quindi a svolgere il proprio ruolo di base tecnologica, mentre viene progressivamente arricchita con elementi che aiutano a trasformare il dato disponibile in conoscenza più facilmente comprensibile e utilizzabile nelle decisioni.

Criteri per valutare il salto evolutivo

Il passaggio verso una Data Knowledge Platform diventa rilevante quando emergono difficoltà ricorrenti nel modo in cui i dati vengono interpretati e utilizzati: più funzioni possono usare gli stessi concetti con definizioni diverse, la ricerca delle informazioni può assorbire troppo tempo, i modelli possono dipendere da un contesto distribuito tra fonti differenti oppure i risultati possono dover essere spiegati a stakeholder non tecnici. Per affrontare questi scenari servono però alcune condizioni di base, come owner chiaramente identificati, metadati disponibili, qualità misurabile e casi d’uso associati a responsabilità definite.

Senza una domanda concreta, il rischio è introdurre complessità senza produrre valore. Per questo l’evoluzione dovrebbe essere accompagnata da metriche capaci di misurare non solo la disponibilità tecnica dei dati, ma anche il tempo necessario per trovare e comprendere un asset, il suo riuso tra domini, il numero di riconciliazioni richieste, la tracciabilità delle analisi e l’effettivo utilizzo dei servizi a supporto delle decisioni.

Una roadmap progressiva orientata al valore

Una volta individuato il caso d’uso prioritario, il percorso può procedere mappando le fonti coinvolte, gli utenti, le decisioni da supportare e le relazioni semantiche necessarie a interpretare correttamente i dati. Su questa base si configurano in modo progressivo ingestion, qualità, catalogo, regole di accesso e strumenti analitici, facendo in modo che ogni intervento lasci in eredità asset riutilizzabili, come vocabolari, regole, pipeline, servizi o modelli.

AMELIA mostra come questo approccio possa funzionare in un ecosistema multidisciplinare e multi-utente, in cui dati, funzioni, analisi e governance devono rimanere coerenti lungo tutto il percorso di utilizzo. In questa logica, la priorità non è stabilire quanti dataset migrare, ma individuare quale problema decisionale rendere più semplice da affrontare e governare.

Il valore emerge quando diminuisce il lavoro necessario per trovare, comprendere e mettere in relazione le informazioni e aumenta, allo stesso tempo, la capacità di ricostruire come dati, regole e analisi abbiano contribuito a una decisione.