La frontiera

Quick learning per l’IA: quali sono le tre tecniche più promettenti

Troppi dati (e troppi soldi) per l’addestramento dell’IA che, al contrario degli esseri umani, ha bisogno di enormi quantità di esempi per riconoscere una categoria di oggetti. Come funziona il quick learning, potenzialità e limiti

08 Feb 2022
Danilo Benedetti

Security Solutions Architect

La sfida del machine learning contro il Covid-19

Il quick learning, o l’apprendimento veloce, è una delle priorità per lo sviluppo dell’Intelligenza Artificiale: attualmente, l’addestramento delle reti necessita infatti di enormi quantità di esempi, con costi molto elevati. One-shot learning, transfer learning e apprendimento causale promettono di risolvere il problema. Il 2022 sarà un anno interessante per verificarne la reale usabilità e validità.

Un glossario per l’intelligenza artificiale: da Algoritmo a Unsupervised Learning

Quick learning per l’IA: come funziona oggi il training

Nonostante il costo del training dei sistemi AI sia, in media, sceso piuttosto velocemente, dimezzando ogni 18 mesi[1], i costi della ricerca avanzata continuano a crescere e sono sempre più appannaggio di aziende e governi con adeguata capacità finanziaria.

WHITEPAPER
Supply Chain: ecco come ottenere un tracciamento trasparente grazie all'IoT
IoT
Industria 4.0

Ad esempio, si stima che per l’addestramento della rete Megatron-Turing Natural Language Generation (MT-NLG), contenente 530 miliardi di parametri, Microsoft abbia investito milioni di dollari: questi costi rendono lo sviluppo di progetti innovativi in queste aree impraticabili per la maggior parte dei centri di ricerca e per molti governi.

Costi così elevati sono principalmente dovuti alla necessità di utilizzare enormi quantitativi di esempi durante il training. Ad esempio, per addestrare un modello di IA a riconoscere un cavallo, è necessario mostrargli migliaia di immagini di cavalli.

Questa necessità è ciò che rende la tecnologia computazionalmente costosa e molto diversa dall’apprendimento umano: noi possiamo imparare a riconoscere una categoria di oggetti anche se ci vengono presentati pochissimi esempi, al limite uno solo. Non solo, in molti casi possiamo essere in grado di riconoscere oggetti che non abbiamo mai visto, anche solo avendone ascoltato o letto una descrizione a parole.

La necessità di un gran numero di esempi è una delle ragioni per cui l’intelligenza artificiale è un campo contiguo a quello dei big data: grandi moli di dati sono sia il terreno ideale di utilizzo dell’IA – per affiancare o sostituire il lavoro umano, ad esempio, di catalogazione delle informazioni in vari ambiti – sia lo strumento ideale per l’addestramento di questi stessi sistemi.

Questo approccio però, oltre ad avere dei limiti in termini di costo, ha anche il difetto di limitare l’utilizzo delle tecniche di intelligenza artificiale, escludendo tutti quei contesti che non dispongono di grandi volumi per il training autonomo dei sistemi di IA. Si tratta dell’ambito dei cosiddetti “small data”.

Small data possono essere utilizzati per indirizzare le scelte delle aziende o organizzazioni mediante l’utilizzo dei dati a loro disposizione: dai dati di vendita, alle visite al sito Web, ai report di magazzino, alle previsioni meteorologiche, agli avvisi di utilizzo e ogni altra informazione di facile reperimento.

Quick learning per l’IA: One shot learning

L’one shot learning, o anche LO-shot, è un insieme di tecniche il cui scopo è rendere una intelligenza artificiale in grado di “apprendere” una nuova categoria (specialmente di immagini) attraverso pochissimi esempi, al limite uno solo.

Mentre la maggioranza delle tecniche si focalizza sul “riutilizzo” di elementi del sistema già “addestrati” su immagini simili (in questo senso, il transfer learning visto più sotto rientra in questa categoria), una nuova tecnica è stata proposta da un gruppo di ricercatori dell’università di Waterloo, in Canada[2]. I ricercatori l’hanno dimostrata usando il database MNIST, che contiene 60.000 immagini di cifre da 0 a 9 scritte a mano.

L’idea è di introdurre una tecnica per “distillare” un numero molto basso di immagini (poche unità) da database di training molto grandi, per poi addestrare una rete neurale con le immagini distillate, ottenendo gli stessi risultati, in termini di affidabilità del riconoscimento, che si sarebbero ottenuti procedendo con il training “normale”, effettuato sull’intero insieme di dati.

Handwritten digits between 0 and 9 sampled from the MNIST dataset. Quick learning

Figura 1 – Esempi di cifre da 0 a 9 scritte a mano provenienti dal database MNIST

Le immagini “distillate” non esistono nel database originale, ma sono il prodotto di una computazione che prova a rappresentarne le caratteristiche salienti.

La figura seguente mostra un esempio di immagini “distillate”. Le due figure provengono da un articolo precedente del MIT[3].

quick learning

Figura 2 – Immagini “distillate” (Tongzhou W., Torralba A. et al. cit.)

L’approccio proposto dai ricercatori dell’università di Waterloo prevede di utilizzare etichette “soft”: le (poche) immagini usate nel training non rappresentano una singola cifra, ma un insieme di più cifre con diversi livelli di probabilità, ad esempio una immagine può rappresentare al 60% la cifra 3, al 30% la cifra 8 e al 10% la cifra 0.

Il potenziale rivoluzionario di questo approccio deriva dal fatto che, con le etichette “soft”, è possibile addestrare una rete neurale a riconoscere M differenti classi di oggetti utilizzando un numero N di esempi inferiore al numero di classi (N < M). Per questo motivo gli autori lo hanno definito “less than one”- shot learning.

Purtroppo, un problema pratico rimane aperto: non è chiaro come sia possibile generare automaticamente gli esempi, e nemmeno la complessità computazionale di tale azione. Il rischio è che il sistema in grado di distillare il numero minimo di esempi sia altrettanto complesso dell’esecuzione del training sulla base di dati non “distillata”, azzerando quindi il vantaggio computazionale.

Come funziona il transfer learning

Il transfer learning è un metodo di machine learning in cui un modello sviluppato per un’attività viene riutilizzato come punto di partenza per addestrare un modello per una seconda attività.

È un approccio popolare nel deep learning, dove modelli pre-addestrati vengono utilizzati come punto di partenza per lo sviluppo di modelli più specifici di visione artificiale e di elaborazione del linguaggio naturale.

Conosciuto anche come “fine-tuning“, il transfer learning è utile in quei casi in cui si dispone di pochi esempi specifici ma esistono dati abbondanti su un problema correlato.

In questo caso è possibile eseguire prima il training di un modello utilizzando un set di big data, per poi procedere ad una successiva sessione di training utilizzando il set di dati più piccolo, correlato al problema specifico.

Ad esempio, addestrando un classificatore sulle immagini del database ImageNet, alcuni ricercatori in India hanno utilizzato il transfer training per addestrare il modello a localizzare i reni all’interno di immagini ecografiche, utilizzando solo 45 esempi per il secondo addestramento[4].

Quick learning per l’IA: causal machine learning

La maggior parte dei progetti basati su Machine Learning (ML) si concentra sulla previsione dei risultati, estrapolata da un gran numero di esempi presentati durante il training, piuttosto che sulla individuazione delle relazioni causa-effetto.

In pratica, le tecniche di machine learning eccellono nell’identificare correlazioni tra i dati, ma non sono altrettanto valide nell’identificare le relazioni di causalità.

Le soluzioni basate sull’apprendimento automatico soffrono di diversi problemi, ad esempio possono riprodurre il bias presente nei dati di training, funzionano come “black box”, ovvero rendono difficile capire il “perché” di un certo risultato e sono limitati nella loro capacità di generalizzare i risultati ottenuti su uno specifico task verso compiti simili.

Inoltre, gli attuali approcci di apprendimento automatico presentano una certa tendenza all’overfitting dei dati, finendo per apprendere perfettamente il passato (i dati di training), invece di stabilire/scoprire le relazioni causa-effetto fra dati di ingresso e risultati che potrebbero risultare più stabili nel tempo.

Un modo semplice per testare la presenza di relazioni causali fra variabili è confrontare l’effetto della variabile (ad esempio, un nuovo medicinale, una campagna pubblicitaria) fra due gruppi, uno esposto alla variabile e l’altro no (rispettivamente: gruppo di trattamento e gruppo di controllo).

Confrontando i risultati tra i due gruppi, è possibile isolare l’effetto dell’intervento. Negli studi clinici questo metodo è noto come uno studio controllato randomizzato, mentre nel marketing è noto come test A/B.

Questo tipo di studi, tuttavia, richiede la partecipazione di grandi gruppi di individui per limitare il rischio che i risultati siano distorti o influenzati da caratteristiche casuali come età, sesso, stato di salute o livello di istruzione. Questo rende tali prove estremamente costose in termini economici e dispendiose in termini di tempo. Inoltre, questo tipo di studi possono testare l’effetto di uno o al massimo di pochi interventi raggruppati alla volta.

È qui che entra in gioco l’IA causale per il quick learning. Grazie ad essa, è possibile disporre di nuove opportunità per testare la causalità in individui e gruppi in modo più rapido ed efficiente, unita alla capacità di indagare la complessità sottostante. Con l’IA causale i ricercatori e i progettisti possono simulare un intervento e dedurre la causalità basandosi su dati già disponibili, e sfruttando l’IA per “simulare” i gruppi di controllo o di trattamento.

Esistono due approcci all’IA causale che si basano su principi noti da tempo: il framework dei risultati potenziali (potential outcomes framework) e i grafi causali (causal graph model).

Entrambi gli approcci consentono di testare gli effetti di un potenziale intervento utilizzando dati del mondo reale. L’IA viene usata per simulare scenari alternativi “fittizi”, contribuendo così a rivelare i modelli causali in grandi set di dati. Il Framework dei risultati potenziali permette di generare un “gruppo di controllo” fittizio partendo dai dati disponibili, e quindi confrontare con esso i risultati ottenuti dal gruppo di trattamento, dimezzando però i costi[5].

I grafi causali, invece, possono essere utilizzati come strumenti esplorativi per mappare tutti i diversi percorsi causali verso un risultato di interesse e mostrare come le diverse variabili si relazionano tra loro[6].

Le tecniche citate sembrano identificare un percorso affinché anche le piccole aziende e le organizzazioni prive di ampi mezzi finanziari possano comunque beneficiare dei risultati ottenuti su sistemi di dimensioni più grandi.

New call-to-action

___________________________________

Note

  1. Wiggers, K, “OpenAI begins publicly tracking AI model efficiency”, VentureBeats, Maggio 2020. Nello studio si fa riferimento al costo medio di training di un classificatore di immagini usando il database di immagini ImageNet.
  2. Sucholutsky, I. and Schonlau, M. 2021. ‘Less Than One’-Shot Learning: Learning N Classes From M < N Samples. Proceedings of the AAAI Conference on Artificial Intelligence. 35, 11 (May 2021)
  3. Tongzhou W., Torralba A. et al.: “Dataset Distillation”, ArXiv, Feb 2020
  4. Hariharan R. et al.: “Understanding the Mechanisms of Deep Transfer Learning for Medical Images”, arXiv:1704.06040v1, Apr 2017
  5. Koch, B. et al., “Deep Learning of Potential Outcomes”, Deep Learning of Potential Outcomes, Ottobre 2021
  6. Sema K. S., Huang, V., Charles, G.: “The Case for Causal AI”, Stanford Social Innovation Revue, Edisione estate 2020
WHITEPAPER
Smart building: una guida per semplificare la progettazione della rete
@RIPRODUZIONE RISERVATA

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

Articolo 1 di 4