SOluzioni

I sistemi multiagente, così governiamo l’intelligenza artificiale

Il trading autonomo, le automobili e i robot autonomi usati nella logistica: sono sempre di più i contesti in cui diventa rilevante la questione di come affrontare e governare situazioni in cui diversi sistemi di IA si trovano ad operare nello stesso ambiente. Se ne occupa il campo dei sistemi multiagente. Ecco come

14 Feb 2020
Francesco Amigoni

Politecnico di Milano, Dipartimento di Elettronica, Informazione e Bioingegneria

smart auto car intelligenza artificiale

I sistemi multiagente nell’ambito dell’intelligenza artificiale cominciano a profilarsi come soluzione a un problema sempre più comune.

Sappiamo che l’intelligenza artificiale (IA) si diffonde sempre più, in moltissimi ambiti applicativi, dagli assistenti virtuali alle automobili autonome.

Inizia quindi a diventare rilevante la questione di come affrontare e, possibilmente, governare situazioni in cui diversi sistemi di IA si trovano ad operare nello stesso ambiente.

Il problema dei tanti sistemi di AI che vivono assieme

I contesti in cui questa questione è rilevante (o lo sarà a breve) sono numerosi e comprendono, per esempio, il trading autonomo (o algoritmico), dove diversi sistemi computazionali indipendenti, tipicamente operanti per conto di organizzazioni diverse, effettuano ordini decidendo autonomamente i volumi da acquistare o vendere all’interno di un certo mercato; le automobili autonome che, per conto di utenti diversi, percorrono le stesse strade per raggiungere le proprie destinazioni in modo sicuro ed efficiente; e i robot autonomi impiegati nella logistica per la movimentazione di merci che operano all’interno di un magazzino, in ultima analisi per migliorare il profitto dell’azienda che li impiega.

WHITEPAPER
La RPA in 9 step: da dove si comincia?
Intelligenza Artificiale
Realtà virtuale

Dal punto di vista della progettazione e realizzazione dei sistemi di IA, la soluzione più semplice, ma anche la più inefficiente, sarebbe lasciare le interazioni fra i questi sistemi non coordinate e non governate, con ovvie conseguenze sulla affidabilità e sulle prestazioni. Si pensi, per esempio, alle inefficienze di una automobile autonoma che non consideri le altre automobili autonome come entità indipendenti, ma semplicemente come ostacoli da evitare. In molte situazioni l’automobile potrebbe rimanere ferma a debita distanza dalle altre automobili per evitare di avvicinarsi troppo a quelli che considera come ostacoli, perdendo la possibilità di effettuare movimenti sulla base del comportamento atteso delle altre automobili, che può essere determinato solo riconoscendole come entità autonome dotate di certe capacità, con obiettivi da raggiungere e sottostanti a limitazioni relative al codice della strada.

I sistemi multiagente, cosa sono

Forme di coordinamento fra sistemi di IA operanti in uno stesso ambiente appaiono quindi necessarie. Questo è l’obiettivo dell’area di ricerca che, nell’ambito dell’IA, studia i cosiddetti sistemi multiagente [3,4]. L’astrazione che si usa per rendere lo studio indipendente dagli specifici contesti applicativi considera i sistemi di IA come agenti autonomi che agiscono in un ambiente prendendo delle decisioni su cosa fare sulla base delle informazioni raccolte dall’ambiente e comunicate dagli altri agenti. Si noti che gli ambienti possono essere sia fisici, come nel caso di robot e automobili autonome, sia virtuali, come nel caso di sistemi per il trading automatico o degli assistenti virtuali. A partire da tale astrazione, il campo dei sistemi multiagente si propone di studiare, progettare e realizzare i meccanismi di interazione fra gli agenti autonomi.

In generale, i meccanismi con cui gli agenti autonomi possono interagire fra loro sono classificabili in due grandi categorie: meccanismi competitivi e cooperativi. Nel primo caso, si assume, con qualche semplificazione, che ogni agente sia “egoista”, cioè persegua unicamente il proprio obiettivo locale, anche a scapito del raggiungimento degli obiettivi locali degli altri agenti. La situazione tipica è quella del trading automatico dove ogni sistema cerca di massimizzare il proprio guadagno indipendentemente e, spesso, a svantaggio del guadagno degli altri agenti. Nel secondo caso, sempre con qualche semplificazione, è possibile individuare un obiettivo globale per il sistema multiagente nel suo complesso ed è possibile assumere che gli agenti siano “benevolenti”, cioè che contribuiscano, ognuno per le proprie capacità, a raggiungere tale obiettivo. Un esempio tipico è relativo ai robot per la logistica, per i quali l’obiettivo globale è la massimizzazione della produttività o la minimizzazione dei tempi di attesa per la consegna della merce.

Molte situazioni del mondo reale coinvolgono aspetti sia competitivi sia cooperativi. Si pensi, per esempio, alle automobili autonome in circolazione in una città. Da un lato, questi agenti competono per occupare lo spazio comune e arrivare prima alle proprie destinazioni percorrendo le stesse strade. Da un altro lato, gli agenti cooperano nel rispettare le regole della strada e nell’evitare incidenti.

Soluzioni per governare le interazioni cooperative

Nel seguito ci concentriamo sull’illustrazione di alcune soluzioni utilizzate per governare le interazioni cooperative fra agenti che operano nello stesso ambiente e, in particolare, su due approcci, uno per le interazioni fra agenti che operano in ambienti virtuali e l’altro per le interazioni fra agenti che operano in ambienti fisici.

Ottimizzazione distribuita

Consideriamo la situazione in cui degli assistenti virtuali intelligenti, ognuno dei quali gestisce l’agenda di una persona diversa, debbano coordinarsi per decidere la data di una riunione. Ad oggi, il problema è spesso risolto “manualmente” dagli utenti, tramite piattaforme come Doodle oppure tramite l’imposizione di una data da parte di chi convoca la riunione o del partecipante con i vincoli più stringenti. In un prossimo futuro, assistenti virtuali intelligenti si faranno carico di individuare la data più opportuna per la riunione.

Il problema può essere rappresentato come un problema di ottimizzazione distribuita [1] nel modo seguente. Sulla base degli impegni e delle abitudini del proprio utente, ogni agente ha un certo insieme di opzioni disponibili per la data della riunione. Non è in generale possibile trovare una data per la riunione semplicemente lasciando che ogni agente scelga casualmente una delle proprie opzioni (che, in generale, saranno diverse per ogni agente). Il problema richiede il rispetto di alcuni vincoli sulle date scelte dagli agenti singoli. Il più banale è quello che impone che tutti gli agenti scelgano la stessa data. Si possono definire anche vincoli più complessi, per esempio imponendo che il maggior numero possibile di partecipanti sia presente alla riunione oppure che almeno una persona appartenente a un sottogruppo (per esempio, quello delle persone di uno stesso dipartimento all’interno di una azienda o con competenze simili) possa partecipare alla riunione. Solitamente tali vincoli sono rappresentati attribuendo, a ogni combinazione di date che possono essere scelte dagli agenti, un valore numerico legato a quanto bene la combinazione soddisfa i vincoli. L’obiettivo per ogni agente è di scegliere una data fra quelle possibili in modo tale che la combinazione delle date scelte soddisfi i vincoli nel modo migliore. Questo problema di ottimizzazione è distribuito, in quanto non esiste un singolo decisore centralizzato, ma ogni agente è in ultima analisi co-responsabile dalla data scelta, nel rispetto dei vincoli che sono stati definiti.

Esistono numerosi algoritmi per la risoluzione di questo tipo di problemi, sia ottimi (che garantiscono di trovare la soluzione ottima), ma poco efficienti dal punto di vista computazionale, sia sub-ottimi ma generalmente più efficienti. Esistono anche numerose varianti del problema base illustrato sopra, che per esempio consentono di preservare la privacy dei partecipanti (nel nostro caso, evitando che gli agenti esplicitino le date disponibili per i loro utenti) e che ottimizzano più obiettivi.

Oltre al problema di decidere una data condivisa per una riunione, numerosi altri problemi sono attualmente modellati e risolti seguendo l’approccio dell’ottimizzazione distribuita. Per esempio, il coordinamento di mezzi autonomi di soccorso in operazioni di ricerca e soccorso, l’inseguimento di un bersaglio tramite droni autonomi e telecamere intelligenti e la gestione del consumo energetico di elettrodomestici e altri dispositivi, come i satelliti.

Consideriamo ora un gruppo di robot mobili per la logistica che si muovono nello stesso ambiente fisico, per esempio un magazzino. In questo caso, ogni robot, o agente, ha un compito da svolgere che, semplificando, possiamo rappresentare come il compito di muoversi da un punto A ad un punto B in un ambiente noto. Durante i loro movimenti, i robot non devono ovviamente scontrarsi. Il problema è quindi quello di pianificare i percorsi per tutti gli agenti in modo tale che, quando i robot seguono tali percorsi, tutti raggiungano le loro destinazioni partendo dalle posizioni iniziali, che non ci siano collisioni e che una determinata funzione obiettivo sia ottimizzata, come per esempio la lunghezza complessiva dei percorsi o la lunghezza del percorso più lungo. Questo problema, chiamato multiagent path planning oppure multiagent path finding [3], è recentemente affrontato con grande interesse per la sua rilevanza non solo per la logistica, ma anche per la movimentazione degli aeroplani negli aeroporti e per i videogiochi.

Soluzioni ai problemi di multiagent path finding

Numerosi approcci sono stati proposti per affrontare problemi di multiagent path finding. Si possono dividere in approcci centralizzati e distribuiti. Nei primi, un singolo decisore pianifica il percorso di tutti gli agenti, ovviamente evitando i conflitti e potenzialmente trovando soluzioni ottime. Nei secondi, ogni agente pianifica il proprio percorso e lo “armonizza” con quelli pianificati dagli altri agenti. Una possibilità, per esempio, è ordinare gli agenti secondo qualche criterio. Il primo agente nell’ordinamento pianifica il proprio percorso senza considerare vincoli, il secondo agente pianifica il proprio percorso considerando il percorso del primo come dato e quindi evitando collisioni con esso, il terzo agente pianifica il proprio percorso considerando i percorsi del primo e del secondo agente come dati ed evitando collisioni con essi, e così via. Lo svantaggio di tale approccio è che, considerando fissi di volta in volta i percorsi di un numero sempre maggiore di agenti, gli ultimi agenti a pianificare potrebbero non essere in grado di trovare percorsi per raggiungere le proprie destinazioni. Quello appena descritto è un esempio di una famiglia di approcci che prevede che ogni agente inizialmente pianifichi il proprio percorso e che, in una fase successiva, questi percorsi siano armonizzati.

Una seconda famiglia di approcci, invece, considera una “pianificazione condivisa” dei percorsi. Per esempio, gli agenti comunicano gli uni agli altri i movimenti che hanno deciso di effettuare come prime azioni dei loro percorsi per raggiungere le proprie destinazioni a partire dalle loro posizioni iniziali. Se un sottoinsieme di questi movimenti previsti provoca un conflitto, gli agenti interessati possono modificare le proprie azioni per fare in modo che le prime azioni previste da tutti gli agenti siano senza conflitti. Il processo procede in questo modo fino a pianificare percorsi completi e privi di conflitti.

Una terza famiglia di approcci, infine, prevede la istituzione di “regole sociali”, simili a quelle del codice della strada, che gli agenti sono obbligati a rispettare. In questo modo, ogni agente può pianificare indipendentemente il proprio percorso e, mentre lo percorre, gli eventuali conflitti sono risolti sulla base delle regole stabilite. Per esempio, si può evitare che due robot occupino la stessa posizione dell’ambiente definendo regole di precedenza (come: passa prima il robot che arriva da destra).

In conclusione, l’ambito dei sistemi multiagente è molto attivo a livello scientifico. Possiamo citare l’apprendimento in contesti caratterizzati dalla presenza di più agenti (che qui non abbiamo trattato) come tema di grande interesse attuale. Come abbiamo visto, la rilevanza dei sistemi multiagente si sta estendendo a moltissimi domini applicativi, nei quali più sistemi intelligenti si trovano ad operare nello stesso ambiente, favorito anche dalla crescente disponibilità di piattaforme (solitamente in Java o Python) per lo sviluppo software di tali sistemi e di librerie che implementano le soluzioni algoritmiche più efficaci. Sia scientificamente sia praticamente, quindi, le sfide poste dal coordinamento di diversi sistemi di IA rappresentano una delle direzioni di maggiore interesse per l’ulteriore sviluppo della disciplina.

___________________________________________________________________

Bibliografia

  1. Ferdinando Fioretto, Enrico Pontelli, William Yeoh, Distributed Constraint Optimization Problems and Applications: A Survey, Journal of Artificial Intelligence Research, 61:623-698, 2018
  2. Roni Stern, Nathan R. Sturtevant, Ariel Felner, Sven Koenig, Hang Ma, Thayne T. Walker, Jiaoyang Li, Dor Atzmon, Liron Cohen, T. K. Satish Kumar, Eli Boyarski, Roman Bartak, Multi-Agent Pathfinding: Definitions, Variants, and Benchmarks, Proceedings of the Twelfth International Symposium on Combinatorial Search (SoCS), 151-158, 2019
  3. Gerhard Weiss, Multiagent Systems (Second Edition), The MIT Press, 2013
  4. Michael Wooldridge, An Introduction to MultiAgent Systems (Second Edition), Wiley, 2009

WEBINAR
18 Ottobre 2022 - 15:00
Strategia Omnicanale: quanto la conosci e la usi? Sfide e strategie per essere un passo avanti
Digital Transformation
Intelligenza Artificiale
@RIPRODUZIONE RISERVATA

Speciale PNRR

Tutti
Incentivi
PA
Sostemibilità
Analisi
Formazione
Salute digitale
Sicurezza
Sostenibilità
Digital Economy
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
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