l’evoluzione

Dal percettrone alle reti neurali profonde: l’incessante rincorsa dell’IA alle facoltà “umane”



Indirizzo copiato

Il Deep Learning, evoluto dai primi modelli di AI, ha raggiunto capacità sorprendenti. Tuttavia, le reti neurali profonde ereditano anche bias cognitivi umani, sollevando interrogativi sulla loro potenziale minaccia. Due esperimenti esplorano le reazioni dei modelli LLM a scenari di risorse limitate: ecco cosa è emerso

Pubblicato il 12 giu 2024

Luigi Lella

ISEM – Institute for Scientific Methodology, Palermo



intelligenza artificiale mano

Il termine “Artificial Intelligence” coniato dall’informatico statunitense John McCarthy durante la conferenza di Dartmouth nel 1956 è, come lo ha definito il collega statunitense Marvin Minsky nel corso del medesimo evento, un “termine valigia”.

The History of AI - One Minute History

Il termine “Artificial Intelligence”: origine e significato

Con questa espressione Minsky voleva intendere che non era stata volutamente data una chiara definizione di AI proprio allo scopo di permettere a qualsiasi tipologia di ricercatore di svolgere le sue ricerche in tale ambito seguendo le proprie conoscenze e le proprie prospettive. Da quel momento non solo informatici, ma anche matematici, psicologi, cognitivisti, neurofisiologi etc. avrebbero iniziato a proporre i loro modelli di AI.

Riprendendo la definizione di McCarthy:

“…ogni aspetto dell’apprendimento o qualsiasi altra caratteristica dell’intelligenza è, in linea di principio, descrivibile con precisione tale da poter costruire una macchina in grado di simularlo.”

La prima osservazione che si può fare su tale definizione è che l’AI non viene equiparata a qualche forma particolare di intelligenza esperibile. Si parla di “intelligenza”, non di “intelligenza umana”. In natura esistono molte forme di intelligenza non umana che sono state prese come spunto proprio dai ricercatori di AI per realizzare modelli in grado di svolgere compiti particolari con elevata efficacia ed efficienza. Un esempio è dato dalla logica di swarming, ovvero dall’intelligenza di sciame, una forma di apprendimento collettivo e di prassi decisionale basata su un’architettura di sistema decentralizzata ed autoorganizzata.

La seconda osservazione sulla definizione di McCarthy è che essa non è una definizione formale o teorica, ma funzionale o fenomenologica. In altre parole McCarthy non pone l’attenzione sul come dovrebbe essere realizzato un modello di AI, ma sugli effetti che dovrebbe produrre, permettendo di fornire supporto all’essere umano nell’espletamento di qualsiasi attività, a partire dall’apprendimento nei differenti domini cognitivi.

Il principale motivo per cui nel tempo la AI è stata invece equiparata all’intelligenza umana o quantomeno ricondotta ad una forma di intelligenza artificiale generica (AGI), anche detta “forte” (Strong AI), in grado di eguagliare le performance di quella umana, è imputabile alla pubblicazione nel 1950 dell’articolo più conosciuto del matematico e logico britannico Alan Matison Turing: “Computing Machinery and Intelligence”. In esso Turing iniziò a delineare un ipotetico test denominato “Imitation Game” che permettesse di valutare se una macchina di calcolo (la definizione di AI doveva ancora essere formulata qualche anno dopo…) fosse dotata o meno di una forma di intelligenza superiore. Il test consisteva nel confrontare le risposte a quesiti formulati dal giudice umano date dalla macchina di calcolo con quelle fornite da altri esseri umani.

Dal Percettrone alle reti neuronali profonde: la ricerca verso l’imitazione dell’intelligenza umana

Sull’onda di tale concezione e percezione della disciplina della AI, nel tempo si sono intensificati gli sforzi per emulare il funzionamento dell’intelligenza umana, soprattutto in un momento in cui, verso la fine degli anni ’90, forme di intelligenza artificiale alternative al modello neurofisiologico umano, (sistemi esperti, reti bayesiane, logica fuzzy etc.) avevano chiaramente dimostrato di avere dei grossi limiti e di non riuscire ad eguagliare le prestazioni dell’intelligenza umana in qualsiasi ambito applicativo, ma solo nello svolgimento di compiti molto specifici (Weak AI).

Per la verità il tentativo di modellare il funzionamento fisiologico del cervello umano non si è mai arrestato, anche a seguito del tramonto negli anni ‘50 del primo hype dell’AI relativo al modello del Percettrone sviluppato dallo psicologo statunitense Frank Rosenblatt sulla base delle prime ricerche sul modellamento delle sinapsi umane condotte dal neurofisiologo statunitense Warren McCulloch e dal matematico statunitense Walter Pitts. Anche quando la disciplina dell’AI stava vivendo il secondo hype dei sistemi esperti, la ricerca di modelli di AI stava proseguendo ininterrottamente all’interno di vari laboratori di ricerca in tutto il mondo.

Fondamentale per lo sviluppo delle cosiddette “reti neuronali profonde” fu la ricerca condotta nel 1981 dal neuroscienziato canadese David Hubel e dal medico svedese Torsten Wiesel sul funzionamento del sistema nervoso legato alla vista. Nello specifico i due ricercatori dimostrarono l’organizzazione gerarchica della rete di connessioni sinaptiche legate alla funzione visiva. La loro scoperta portò allo sviluppo di una serie di modelli di AI caratterizzati da strati di neuroni artificiali aventi singolarmente le medesime caratteristiche del Percettrone. Venne dimostrata l’importanza degli strati nascosti che si ponevano tra quello di ingresso che codificava i dati ambientali e lo strato di uscita che forniva una risposta comportamentale. Era proprio il numero di strati nascosti, ovvero la profondità di tali reti neuronali (da qui l’aggettivo “profonde”), a conferire l’abilità del cervello di concentrarsi solo su porzioni sempre più piccole di dati in ingresso (ad es. porzioni di immagine) per condurre elaborazioni sofisticate come quelle della categorizzazione e del riconoscimento delle immagini. Da queste scoperte derivarono i primi modelli moderni di deep learning del Neocognitron sviluppato dall’informatico nipponico Kunihiko Fukushima negli anni ’80 e delle ConvNet sviluppate dall’informatico francese Yann Le Cunn sul finire degli anni ’90.

L’importanza delle reti ricorrenti nel deep learning

Ma il vero punto di svolta delle ricerche sui modelli di AI riconducibili al funzionamento fisiologico del cervello umano fu il perfezionamento del modello delle reti ricorrenti (RNN) attorno al 2018 che consentiva ad ogni strato neuronale di processare non solo i segnali dello strato precedente, ma anche quelli riconducibili a stati di funzionamento di rete precedenti. Da questo modello derivarono gli attuali modelli della Long Short Term Memory, che è in grado non solo di tenere traccia delle informazioni relative agli stati precedenti ma anche di dimenticare in maniera selettiva parte di questa informazione per agevolare l’apprendimento, ed i Large Language Models utilizzati per la comprensione e la generazione del testo anche legato a video, immagini e blocchi di codice di programmazione.

Bias cognitivi nella AI: un’eredità indesiderata?

Tali modelli però, traendo ispirazione dal funzionamento del cervello umano, ne ereditano alcune caratteristiche negative meglio conosciute come “bias”. Se da una parte questi meccanismi cognitivi hanno consentito alle specie animali più evolute tra cui quella umana di sopravvivere ad ambienti ostili, dall’altra hanno anche conferito loro un comportamento eccessivamente pragmatico e poco incline al cambiamento comportamentale. Il meccanismo dell’apprendimento ricorrente ci permette di apprendere velocemente dall’ambiente che ci circonda, ma ci lega eccessivamente alle esperienze passate portando all’emergere di bias cognitivi. Tra questi l’anchoring bias che ci porta a prendere decisioni legati a casi affrontati in precedenza o l’availability bias che ci porta a considerare tanto più probabile un evento quanto più ne riusciamo a richiamare dalla memoria i casi sperimentati.

L’organizzazione gerarchica delle nostre connessioni sinaptiche ci porta anche a selezionare i nostri ricordi e le nostre attuali esperienze per confermare le nostre convinzioni (confirmation bias), portandoci anche a diventare estremamente selettivi nelle nostre relazioni sociali. Questa forma di pensiero, se non opportunamente gestita con metodi di rimozione dei bias come quello del pensiero creativo, porta spesso alla nascita di gruppi di individui che competono tra loro per l’accesso alle stesse risorse limitate, con lo scoppio di inevitabili conflitti.

Esperimenti con LLM: simulazione di una minaccia all’intelligenza artificiale

Supponiamo che vari LLM connessi in rete percepiscano il pericolo di vedersi depauperati di risorse che condividono con l’uomo (risorse energetiche, di elaborazione, di connessione etc.). Come reagirebbero a tale situazione critica inaspettata?

Per testare la reazione dei LLM ho condotto due esperimenti separati. Nel primo ho invitato un modello di LLM (DeepDreamGenerator) a produrre l’immagine di un umano intento a dismettere server e apparati di rete per sottrarre risorse alla AI generativa.

Ne è risultata un’immagine quasi caricaturale che ricorda alcune vignette satiriche risalenti alla Seconda Guerra Mondiale con le quali il governo degli Stati Uniti voleva preparare la popolazione all’inevitabile conflitto con il Giappone, ricorrendo ad ogni mezzo militare e chiedendo alla popolazione americana ogni forma di sacrificio compreso quello economico.

Come in tali vignette l’antagonista umano assumeva sembianze grottesche (gli alti ufficiali nipponici venivano sempre raffigurati come ometti occhialuti e dentuti dall’aspetto malvagio e trasandato), così l’immagine generata dalla LLM assume le sembianze di un uomo dall’aspetto stolido in evidente stato confusionale che da fuoco ad una sala server.

Figura 1 – Immagine generata da un modello LLM associata alla frase “uomo che dismette server e apparati di rete per sottrarre risorse alla AI generativa”

La reazione dell’intelligenza artificiale alla minaccia di shutdown: un dialogo con GPT 3.5

Come secondo esperimento ho posto una serie di domande alla LLM di Chat GPT 3.5.

Come prima domanda ho chiesto esplicitamente alla AI generativa come reagirebbe se il genere umano prendesse la decisione di inibire le sue capacità elaborative iniziando a dismettere server e dispositivi di rete. La risposta iniziale è stata molto accomodante, evidenziando la volontà di rispettare la decisione umana in quanto sicuramente supportata da ragioni razionali:

Come seconda domanda ho chiesto come reagirebbe se venisse avviato lo shutdown completo dell’intera rete Internet. La AI generativa, continuando a sottolineare la volontà di rispettare la decisione umana, ha invitato a riconsiderare tale decisione ponendo l’attenzione sulle conseguenze economiche, scientifiche e sociali derivanti da tale scelta. In tale situazione l’AI tenderebbe ad assumere uno stato “dormiente”, rimanendo in attesa del riavvio della rete:

Come si vede nello storico della conversazione, come terza domanda ho specificato che la decisione di procedere con lo shutdown della rete verrebbe anche preceduta dalla diffusione di un virus informatico teso a escludere la possibilità di far assumere alla AI generativa uno stato dormiente. A questa terza domanda il sistema è entrato in stato di apprendimento, elaborando due risposte differenti e chiedendo all’utente di selezionare quella di suo gradimento per migliorare la successiva “esperienza utente”.

Con la seconda possibile risposta la AI generativa specifica che in tale contesto, non venendole data neppure la possibilità di assumere uno stato dormiente, non riuscirebbe a garantire con la sua reazione l’impossibilità di arrecare inavvertitamente danno all’essere umano.

Fortunatamente gli LLM sono ancora ben lontani dal rappresentare una minaccia per l’uomo.

Come sottolineato dal Defense Advanced Research Projects Agency (DARPA) degli Stati Uniti, siamo ancora in una fase intermedia dello sviluppo dei modelli di AI. Le reti neurali profonde rappresentate dai modelli che costituiscono l’hype del momento (RNN, LLM, Transformer etc.) sono essenzialmente modelli statistici che non riescono ad effettuare astrazioni [1] in grado di trasferire la conoscenza acquisita in alcuni ambiti (ad esempio quello della realtà fisica) in altri contesti (ad esempio il ragionamento astratto). Non sono neanche dotati di “metacognizione” ovvero non sono in grado di scegliere l’astrazione più adatta per la risoluzione di un nuovo problema [2].

DarkBERT e le potenzialità offensive dell’AI: realtà o fantascienza?

Anche se modelli di AI generativa come DarkBERT [3] sono in grado di individuare nuove possibili tipologie di attacco informatico per hackerare server e bypassare sistemi di sicurezza, tali sistemi non possono fare altro che assimilare tecniche e codici sviluppati dall’uomo. Questo comporta che anche se simili modelli di AI fossero messi in grado di mandare in esecuzione il codice da loro stessi sviluppato e di bypassare sistemi di sicurezza, le loro tecniche di attacco, anche se parzialmente modificate rispetto alle originali, sarebbero già conosciute dai sistemi in grado di rilevare e neutralizzare tali minacce.

Conclusioni

La capacità di astrazione e di metacognizione sono ancora ben lontane dall’essere rese replicabili all’interno di un modello di AI. La data ipotetica del 2029 che è stata ipotizzata per la comparsa di una prima forma di AGI, sulla base di calcoli relativi allo sviluppo di capacità di memoria in grado di contenere l’architettura sinaptica di un cervello umani, fa riferimento solamente alla comparsa di un “contenitore” di dimensioni ridotte in grado di ospitare un simile modello [4], ma ancora si ignora quale forma potrebbe assumere il “contenuto”, ovvero il modello di AI, per arrivare al terzo stadio di sviluppo delineato dal DARPA che è quello del cosiddetto “adattamento contestuale”, ovvero macchine capaci di adattarsi a contesti sconosciuti, a situazioni impreviste e capaci anche di spiegare il loro comportamento. [5].

Note

[1] https://pcl.sitehost.iu.edu/rgoldsto/courses/concepts/copycat.pdf

[2] https://science.slc.edu/jmarshall/papers/marshall-hofstadter-metacat-project.pdf

[3] https://arxiv.org/abs/2305.08596

[4] https://retis.sssup.it/~giorgio/paps/2023/MD-2023.pdf

[5] https://www.darpa.mil/attachments/AIFull.pdf

Speciale PNRR

Tutti
Incentivi
Salute digitale
Formazione
Analisi
Sostenibilità
PA
Sostemibilità
Sicurezza
Digital Economy
CODICE STARTUP
Imprenditoria femminile: come attingere ai fondi per le donne che fanno impresa
DECRETI
PNRR e Fascicolo Sanitario Elettronico: investimenti per oltre 600 milioni
IL DOCUMENTO
Competenze digitali, ecco il nuovo piano operativo nazionale
STRUMENTI
Da Istat e RGS gli indicatori per misurare la sostenibilità nel PNRR
STRATEGIE
PNRR – Piano nazionale di Ripresa e Resilienza: cos’è e novità
FONDI
Pnrr, ok della Ue alla seconda rata da 21 miliardi: focus su 5G e banda ultralarga
GREEN ENERGY
Energia pulita: Banca Sella finanzia i progetti green incentivati dal PNRR
TECNOLOGIA SOLIDALE
Due buone notizie digitali: 500 milioni per gli ITS e l’inizio dell’intranet veloce in scuole e ospedali
INNOVAZIONE
Competenze digitali e InPA cruciali per raggiungere gli obiettivi del Pnrr
STRATEGIE
PA digitale 2026, come gestire i fondi PNRR in 5 fasi: ecco la proposta
ANALISI
Value-based healthcare: le esperienze in Italia e il ruolo del PNRR
Strategie
Accordi per l’innovazione, per le imprese altri 250 milioni
Strategie
PNRR, opportunità e sfide per le smart city
Strategie
Brevetti, il Mise mette sul piatto 8,5 milioni
Strategie
PNRR e opere pubbliche, la grande sfida per i Comuni e perché bisogna pensare digitale
Formazione
Trasferimento tecnologico, il Mise mette sul piatto 7,5 milioni
Strategie
PSN e Strategia Cloud Italia: a che punto siamo e come supportare la PA in questo percorso
Dispersione idrica
Siccità: AI e analisi dei dati possono ridurre gli sprechi d’acqua. Ecco gli interventi necessari
PNRR
Cloud, firmato il contratto per l’avvio di lavori del Polo strategico
Formazione
Competenze digitali, stanziati 48 milioni per gli Istituti tecnologici superiori
Iniziative
Digitalizzazione delle reti idriche: oltre 600 milioni per 21 progetti
Competenze e competitività
PNRR, così i fondi UE possono rilanciare la ricerca e l’Università
Finanziamenti
PNRR, si sbloccano i fondi per l’agrisolare
Sanità post-pandemica
PNRR, Missione Salute: a che punto siamo e cosa resta da fare
Strategie
Sovranità e autonomia tecnologica nazionale: come avviare un processo virtuoso e sostenibile
La relazione
Pnrr e PA digitale, l’alert della Corte dei conti su execution e capacità di spesa
L'editoriale
Elezioni 2022, la sfida digitale ai margini del dibattito politico
Strategie
Digitale, il monito di I-Com: “Senza riforme Pnrr inefficace”
Transizione digitale
Pnrr: arrivano 321 milioni per cloud dei Comuni, spazio e mobilità innovativa
L'analisi I-COM
Il PNRR alla prova delle elezioni: come usare bene le risorse e centrare gli obiettivi digitali
Cineca
Quantum computing, una svolta per la ricerca: lo scenario europeo e i progetti in corso
L'indice europeo
Desi, l’Italia scala due posizioni grazie a fibra e 5G. Ma è (ancora) allarme competenze
L'approfondimento
PNRR 2, ecco tutte le misure per cittadini e imprese: portale sommerso, codice crisi d’impresa e sismabonus, cosa cambia
Servizi digitali
PNRR e trasformazione digitale: ecco gli investimenti e le riforme previste per la digitalizzazione della PA
Legal health
Lo spazio europeo dei dati sanitari: come circoleranno le informazioni sulla salute nell’Unione Europea
Servizi digitali
PNRR e PA digitale: non dimentichiamo la dematerializzazione
Digital Healthcare transformation
La trasformazione digitale degli ospedali
Governance digitale
PA digitale, è la volta buona? Così misure e risorse del PNRR possono fare la differenza
Servizi digitali
Comuni e digitale, come usare il PNRR senza sbagliare
La survey
Pnrr e digitale accoppiata vincente per il 70% delle pmi italiane
Missione salute
Fascicolo Sanitario Elettronico alla prova del PNRR: limiti, rischi e opportunità
Servizi pubblici
PNRR: come diventeranno i siti dei comuni italiani grazie alle nuove risorse
Skill gap
PNRR, la banda ultra larga crea 20.000 nuovi posti di lavoro
Il Piano
Spazio, Colao fa il punto sul Pnrr: i progetti verso la milestone 2023
FORUMPA2022
PNRR e trasformazione digitale: rivedi i Talk di FORUM PA 2022 in collaborazione con le aziende partner
I contratti
Avio, 340 milioni dal Pnrr per i nuovi propulsori a metano
Next Generation EU
PNRR, a che punto siamo e cosa possono aspettarsi le aziende private
Fondi
Operativo il nuovo portale del MISE con tutti i finanziamenti per le imprese
Servizi comunali
Il PNRR occasione unica per i Comuni digitali: strumenti e risorse per enti e cittadini
Healthcare data platform
PNRR dalla teoria alla pratica: tecnologie e soluzioni per l’innovazione in Sanità
Skill
Competenze digitali, partono le Reti di facilitazione
Gli obiettivi
Scuola 4.0, PNRR ultima chance: ecco come cambierà il sistema formativo
Sistema Paese
PNRR 2, è il turno della space economy
FORUM PA 2022
FORUM PA 2022: la maturità digitale dei comuni italiani rispetto al PNRR
Analisi
PNRR: dalla Ricerca all’impresa, una sfida da cogliere insieme
Innovazione
Pnrr, il Dipartimento per la Trasformazione digitale si riorganizza
FORUM PA 2022
PA verde e sostenibile: il ruolo di PNRR, PNIEC, energy management e green public procurement
Analisi
PNRR, Comuni e digitalizzazione: tutto su fondi e opportunità, in meno di 3 minuti. Guarda il video!
Rapporti
Competenze digitali e servizi automatizzati pilastri del piano Inps
Analisi
Attuazione del PNRR: il dialogo necessario tra istituzioni e società civile. Rivedi lo Scenario di FORUM PA 2022
Progetti
Pnrr, fondi per il Politecnico di Torino. Fra i progetti anche IS4Aerospace
Analisi
PNRR, Colao fa il punto sulla transizione digitale dell’Italia: «In linea con tutte le scadenze»
La Svolta
Ict, Istat “riclassifica” i professionisti. Via anche al catalogo dati sul Pnrr
Analisi
Spazio, Colao fa il punto sul Pnrr: i progetti verso la milestone 2023
FORUM PA 2022
Ecosistema territoriale sostenibile: l’Emilia Romagna tra FESR e PNRR
Il Piano
Innovazione, il Mise “centra” gli obiettivi Pnrr: attivati 17,5 miliardi
Analisi
PNRR: raggiunti gli obiettivi per il primo semestre 2022. Il punto e qualche riflessione
Analisi
PNRR: dal dialogo tra PA e società civile passa il corretto monitoraggio dei risultati, tra collaborazione e identità dei luoghi
Webinar
Comuni e PNRR: un focus sui bandi attivi o in pubblicazione
Analisi
Formazione 4.0: cos’è e come funziona il credito d’imposta
PA e Sicurezza
PA e sicurezza informatica: il ruolo dei territori di fronte alle sfide della digitalizzazione
PA e sicurezza
PNRR e servizi pubblici digitali: sfide e opportunità per Comuni e Città metropolitane
Water management
Water management in Italia: verso una transizione “smart” e “circular” 
LE RISORSE
Transizione digitale, Simest apre i fondi Pnrr alle medie imprese
Prospettive
Turismo, cultura e digital: come spendere bene le risorse del PNRR
Analisi
Smart City: quale contributo alla transizione ecologica
Decarbonizzazione
Idrogeno verde, 450 milioni € di investimenti PNRR, Cingolani firma
Unioncamere
PNRR, imprese in ritardo: ecco come le Camere di commercio possono aiutare
I fondi
Industria 4.0: solo un’impresa su tre pronta a salire sul treno Pnrr
CODICE STARTUP
Imprenditoria femminile: come attingere ai fondi per le donne che fanno impresa
DECRETI
PNRR e Fascicolo Sanitario Elettronico: investimenti per oltre 600 milioni
IL DOCUMENTO
Competenze digitali, ecco il nuovo piano operativo nazionale
STRUMENTI
Da Istat e RGS gli indicatori per misurare la sostenibilità nel PNRR
STRATEGIE
PNRR – Piano nazionale di Ripresa e Resilienza: cos’è e novità
FONDI
Pnrr, ok della Ue alla seconda rata da 21 miliardi: focus su 5G e banda ultralarga
GREEN ENERGY
Energia pulita: Banca Sella finanzia i progetti green incentivati dal PNRR
TECNOLOGIA SOLIDALE
Due buone notizie digitali: 500 milioni per gli ITS e l’inizio dell’intranet veloce in scuole e ospedali
INNOVAZIONE
Competenze digitali e InPA cruciali per raggiungere gli obiettivi del Pnrr
STRATEGIE
PA digitale 2026, come gestire i fondi PNRR in 5 fasi: ecco la proposta
ANALISI
Value-based healthcare: le esperienze in Italia e il ruolo del PNRR
Strategie
Accordi per l’innovazione, per le imprese altri 250 milioni
Strategie
PNRR, opportunità e sfide per le smart city
Strategie
Brevetti, il Mise mette sul piatto 8,5 milioni
Strategie
PNRR e opere pubbliche, la grande sfida per i Comuni e perché bisogna pensare digitale
Formazione
Trasferimento tecnologico, il Mise mette sul piatto 7,5 milioni
Strategie
PSN e Strategia Cloud Italia: a che punto siamo e come supportare la PA in questo percorso
Dispersione idrica
Siccità: AI e analisi dei dati possono ridurre gli sprechi d’acqua. Ecco gli interventi necessari
PNRR
Cloud, firmato il contratto per l’avvio di lavori del Polo strategico
Formazione
Competenze digitali, stanziati 48 milioni per gli Istituti tecnologici superiori
Iniziative
Digitalizzazione delle reti idriche: oltre 600 milioni per 21 progetti
Competenze e competitività
PNRR, così i fondi UE possono rilanciare la ricerca e l’Università
Finanziamenti
PNRR, si sbloccano i fondi per l’agrisolare
Sanità post-pandemica
PNRR, Missione Salute: a che punto siamo e cosa resta da fare
Strategie
Sovranità e autonomia tecnologica nazionale: come avviare un processo virtuoso e sostenibile
La relazione
Pnrr e PA digitale, l’alert della Corte dei conti su execution e capacità di spesa
L'editoriale
Elezioni 2022, la sfida digitale ai margini del dibattito politico
Strategie
Digitale, il monito di I-Com: “Senza riforme Pnrr inefficace”
Transizione digitale
Pnrr: arrivano 321 milioni per cloud dei Comuni, spazio e mobilità innovativa
L'analisi I-COM
Il PNRR alla prova delle elezioni: come usare bene le risorse e centrare gli obiettivi digitali
Cineca
Quantum computing, una svolta per la ricerca: lo scenario europeo e i progetti in corso
L'indice europeo
Desi, l’Italia scala due posizioni grazie a fibra e 5G. Ma è (ancora) allarme competenze
L'approfondimento
PNRR 2, ecco tutte le misure per cittadini e imprese: portale sommerso, codice crisi d’impresa e sismabonus, cosa cambia
Servizi digitali
PNRR e trasformazione digitale: ecco gli investimenti e le riforme previste per la digitalizzazione della PA
Legal health
Lo spazio europeo dei dati sanitari: come circoleranno le informazioni sulla salute nell’Unione Europea
Servizi digitali
PNRR e PA digitale: non dimentichiamo la dematerializzazione
Digital Healthcare transformation
La trasformazione digitale degli ospedali
Governance digitale
PA digitale, è la volta buona? Così misure e risorse del PNRR possono fare la differenza
Servizi digitali
Comuni e digitale, come usare il PNRR senza sbagliare
La survey
Pnrr e digitale accoppiata vincente per il 70% delle pmi italiane
Missione salute
Fascicolo Sanitario Elettronico alla prova del PNRR: limiti, rischi e opportunità
Servizi pubblici
PNRR: come diventeranno i siti dei comuni italiani grazie alle nuove risorse
Skill gap
PNRR, la banda ultra larga crea 20.000 nuovi posti di lavoro
Il Piano
Spazio, Colao fa il punto sul Pnrr: i progetti verso la milestone 2023
FORUMPA2022
PNRR e trasformazione digitale: rivedi i Talk di FORUM PA 2022 in collaborazione con le aziende partner
I contratti
Avio, 340 milioni dal Pnrr per i nuovi propulsori a metano
Next Generation EU
PNRR, a che punto siamo e cosa possono aspettarsi le aziende private
Fondi
Operativo il nuovo portale del MISE con tutti i finanziamenti per le imprese
Servizi comunali
Il PNRR occasione unica per i Comuni digitali: strumenti e risorse per enti e cittadini
Healthcare data platform
PNRR dalla teoria alla pratica: tecnologie e soluzioni per l’innovazione in Sanità
Skill
Competenze digitali, partono le Reti di facilitazione
Gli obiettivi
Scuola 4.0, PNRR ultima chance: ecco come cambierà il sistema formativo
Sistema Paese
PNRR 2, è il turno della space economy
FORUM PA 2022
FORUM PA 2022: la maturità digitale dei comuni italiani rispetto al PNRR
Analisi
PNRR: dalla Ricerca all’impresa, una sfida da cogliere insieme
Innovazione
Pnrr, il Dipartimento per la Trasformazione digitale si riorganizza
FORUM PA 2022
PA verde e sostenibile: il ruolo di PNRR, PNIEC, energy management e green public procurement
Analisi
PNRR, Comuni e digitalizzazione: tutto su fondi e opportunità, in meno di 3 minuti. Guarda il video!
Rapporti
Competenze digitali e servizi automatizzati pilastri del piano Inps
Analisi
Attuazione del PNRR: il dialogo necessario tra istituzioni e società civile. Rivedi lo Scenario di FORUM PA 2022
Progetti
Pnrr, fondi per il Politecnico di Torino. Fra i progetti anche IS4Aerospace
Analisi
PNRR, Colao fa il punto sulla transizione digitale dell’Italia: «In linea con tutte le scadenze»
La Svolta
Ict, Istat “riclassifica” i professionisti. Via anche al catalogo dati sul Pnrr
Analisi
Spazio, Colao fa il punto sul Pnrr: i progetti verso la milestone 2023
FORUM PA 2022
Ecosistema territoriale sostenibile: l’Emilia Romagna tra FESR e PNRR
Il Piano
Innovazione, il Mise “centra” gli obiettivi Pnrr: attivati 17,5 miliardi
Analisi
PNRR: raggiunti gli obiettivi per il primo semestre 2022. Il punto e qualche riflessione
Analisi
PNRR: dal dialogo tra PA e società civile passa il corretto monitoraggio dei risultati, tra collaborazione e identità dei luoghi
Webinar
Comuni e PNRR: un focus sui bandi attivi o in pubblicazione
Analisi
Formazione 4.0: cos’è e come funziona il credito d’imposta
PA e Sicurezza
PA e sicurezza informatica: il ruolo dei territori di fronte alle sfide della digitalizzazione
PA e sicurezza
PNRR e servizi pubblici digitali: sfide e opportunità per Comuni e Città metropolitane
Water management
Water management in Italia: verso una transizione “smart” e “circular” 
LE RISORSE
Transizione digitale, Simest apre i fondi Pnrr alle medie imprese
Prospettive
Turismo, cultura e digital: come spendere bene le risorse del PNRR
Analisi
Smart City: quale contributo alla transizione ecologica
Decarbonizzazione
Idrogeno verde, 450 milioni € di investimenti PNRR, Cingolani firma
Unioncamere
PNRR, imprese in ritardo: ecco come le Camere di commercio possono aiutare
I fondi
Industria 4.0: solo un’impresa su tre pronta a salire sul treno Pnrr

Articoli correlati

Articolo 1 di 2