minimizzazione dei dati

AI e Federated Learning, il mix ideale “salva privacy”

Il Federated Learning consente ai modelli di Machine Learning di operare senza trasferire i dati personali per l’addestramento su un server centrale. In combinazione con la “privacy differenziale” e altre tecnologie come la crittografia omomorfa, può supportare sistemi di IA rispettosi della privacy e della sicurezza

Pubblicato il 27 Apr 2023

Luigi Mischitelli

Legal & Data Protection Specialist at Fondazione IRCCS Casa Sollievo della Sofferenza

intelligenza artificiale ai act

Il Federated Learning, combinato con la cosiddetta “privacy differenziale” (Differential Privacy), permette di ottenere sia la minimizzazione che l’anonimizzazione dei dati, supportando così sistemi rispettosi della privacy che possono apprendere in modo sicuro il comportamento dei consumatori e fornire servizi cruciali come il supporto alle attività di marketing.

Privacy: ecco perché è cruciale per un’AI etica e responsabile

Cos’è il Federated Learning

Per “funzionare” al meglio, l’Intelligenza Artificiale e le sue diverse declinazioni (come il Deep Learning, apprendimento profondo) richiedono, in genere, corposi e validi insiemi di dati “su larga scala”. Si pensi all’addestramento dei modelli di apprendimento automatico (il Machine Learning) ad alte prestazioni come le reti neurali artificiali (ispirate a quelle umane). Tuttavia, non sempre è possibile addestrare dei modelli in “piena libertà”.

Questo succede, ad esempio, se gli insiemi di dati (i cosiddetti “dataset”) non possono essere liberamente condivisi. Sul punto, un aiuto fondamentale arriva dal cosiddetto apprendimento federato (o “Federated Learning”). Grazie alla capacità di addestrare gli algoritmi su diversi dataset senza scambiare i cosiddetti “dati grezzi” (non ancora elaborati), l’apprendimento federato è una tra quelle tecnologie emergenti che riescono ad essere, con le dovute accortezze, “privacy-friendly”.

Introdotto dai ricercatori di Google nel 2016[1], il Federated Learning si riferisce a una forma di Machine Learning che elabora i dati “alla fonte” (i già citati dati grezzi), consentendo agli utenti interessati di ottenere approfondimenti dalle informazioni combinate in insiemi di dati (dataset) decentralizzati. In genere, i modelli di Machine Learning vengono addestrati su un singolo dataset tramite il più tradizionale “apprendimento centralizzato” (Centralized Learning). Con tale tipo di apprendimento, come il suo nome lascia intuire, tutti i dati di formazione (cosiddetti “training data”) vengono inviati a un server “centralizzato” che addestra e ospita il modello.

Il modello “addestrato” e aggiornato viene poi inviato a tutti i partecipanti alla rete del Centralized Learning. Poiché questo approccio si basa sulla duplicazione dei dataset “locali” per eseguire l’addestramento in una posizione centrale, l’uso del Machine Learning centralizzato può aumentare i rischi per la sicurezza e la protezione dei dati personali. Il Federated Learning, invece, consente ai modelli di Machine Learning di operare senza trasferire i dati personali necessari per l’addestramento su un server centrale. I dati grezzi non lasciano mai il dispositivo e non vengono mai raccolti in una posizione centrale. Il modello di Centralized Learning, invece, per essere addestrato viene inviato a dispositivi come smartphone, laptop e server privati, esponendo i dati a diversi rischi di sicurezza e privacy. Il modello di Centralized Learning viene aggiornato localmente sui dispositivi e poi inviato a un server centrale. Qui gli aggiornamenti vengono aggregati e incorporati in un “modello globale” condiviso. In molti casi, i parametri del modello, che fanno “avanti e indietro” tra il server centrale e il dispositivo”, sono criptati prima di essere scambiati. Questo processo continua per più iterazioni finché il modello non è completamente addestrato. A questo punto può essere ridistribuito ai dispositivi per condividere i diversi risultati delle analisi effettuate.

Federated Learning “orizzontale” e “verticale”

Il Federated Learning si può dividere in “Horizontal” e “Vertical”. Quello Horizontal (orizzontale ed omogeneo) viene utilizzato per insiemi di dati omogenei che contengono casi diversi e che condividono un insieme coerente di caratteristiche, come ad esempio gli stessi tipi di punti di dati per clienti diversi. Il Vertical Federated Learning (verticale ed eterogeneo), invece, viene utilizzato quando gli insiemi di dati contengono almeno alcuni degli stessi casi ma hanno set di caratteristiche diverse, ad esempio quando le organizzazioni condividono alcuni clienti con punti di dati divergenti. Il Federated Transfer Learning, invece, combina i due approcci orizzontali e verticali, consentendo a un modello già addestrato di risolvere nuovi problemi con set di caratteristiche diverse e casi diversi (pur con obiettivi simili). Strettamente correlato al Federated Learning è la Federated Analytics che, come il primo, funziona eseguendo calcoli “in locale” condividendo solo i risultati aggregati. A differenza dell’apprendimento federato, però, l’obiettivo di calcolo della Federated Analytics non è l’addestramento di un modello di Machine Learning, bensì il calcolo di metriche o altre statistiche aggregate sui dati degli utenti.

Federated Learning e la minimizzazione dei dati 

Ma torniamo al rapporto tra Federated Learning e la protezione dei dati personali. Sin dalla sua comparsa sulle scene mondiali, il Federated Learning possiede architetture che supportano strutturalmente il principio della minimizzazione dei dati. Questo principio a noi europei, peraltro, non è affatto nuovo. L’Art. 5.1 lett. c) del GDPR afferma che “[i dati personali debbano essere] adeguati, pertinenti e limitati a quanto necessario rispetto alle finalità per le quali sono trattati”.

Un principio, quello della minimizzazione, che si ritrova anche in altre legislazioni sparse per il mondo. Minimizzazione dei dati che garantisce che vengano raccolti e conservati solo i dati personali necessari per uno specifico scopo legittimo. In pratica, la minimizzazione dei dati include la restrizione dell’accesso ai dati utilizzando meccanismi di sicurezza come la crittografia e le liste di controllo degli accessi, oltre a garantire l’esistenza di politiche e procedure per identificare e rimuovere i dati raccolti superflui. Il Federated Learning supporta questo aspetto limitando intrinsecamente l’accesso diretto ai dati personali elaborati e utilizzando solo i dati necessari per garantire l’efficacia del modello. Gli aggiornamenti del modello provenienti dal dispositivo possono ancora contenere informazioni private, ma ne contengono meno rispetto ai “dati di formazione grezzi”. Inoltre, i modelli comunicati non vengono archiviati regolarmente su server cloud, ma scartati immediatamente dopo essere stati integrati nel modello globale. Il Federated Learning, inoltre, limita “la superficie di attacco” al solo dispositivo, piuttosto che al dispositivo e al server cloud in coppia tra loro. Pertanto, l’apprendimento federato è stato indicato come un controllo di sicurezza per ridurre al minimo il rischio di violazione dei dati personali.

Lato pratico, il Federated Learning è sempre più utilizzato nel “mondo reale” da diversi produttori e Big Tech. Tra gli altri esempi che si possono citare, Google ha utilizzato l’apprendimento federato per la previsione delle parole successive e i suggerimenti di emoji nella sua tastiera (la sua “Gboard”), per alimentare la funzione musicale sui suoi smartphone “Pixel” e per personalizzare la funzione “Smart Reply” nella sua APP di messaggistica. Analogamente, Apple ha sviluppato soluzioni di Federated Learning per personalizzare i suoi dispositivi e le sue piattaforme, tra cui Siri e QuickType. Ma le speranze di un suo utilizzo “di successo” sono particolarmente alte per i settori della sanità, della tecnologia medica e nel settore farmaceutico, i quali potrebbero trarre grandi benefici dall’uso dell’apprendimento federato, fornendo nuove conoscenze e mettendo in piedi ecosistemi sanitari multicentrici. Il Federated Learning viene discusso come soluzione per le opportunità della sanità digitale, in particolare per l’assistenza sanitaria “intelligente”. Alcuni esempi concreti includono lo sviluppo di sistemi di classificazione dei tumori cerebrali e del cancro al seno, la ricerca in oncologia e la collaborazione per la scoperta di nuovi farmaci.

Il Federated Learning ha anche dei difetti

Nonostante i numerosi vantaggi però, il Federated Learning non è esente da problemi di privacy e sicurezza. I modelli di apprendimento federato addestrati con i dati personali delle persone, tra cui numeri di telefono, indirizzi e numeri di carte di credito, possono essere oggetto di attacchi di inferenza (si parla anche di “Machine Learning Hacking”[2]).

Attraverso questi attacchi, i “server maligni” possono sapere se determinati dati sono stati utilizzati durante il processo di formazione. Questi attacchi sono chiamati rispettivamente “membership attacks” e “reconstruction attacks”. Alcuni di questi attacchi possono anche essere orchestrati da altri client che partecipano alla stessa rete. Anche l’addestramento dei modelli può essere “avvelenato”, sia tramite “attacchi di avvelenamento dei dati” (data poisoning attacks) sia tramite “attacchi di avvelenamento dei modelli” (model poisoning attacks). L’avvelenamento dei dati altera i training data, portando a una riduzione complessiva delle prestazioni del modello a causa di input sbagliati. L’avvelenamento dei modelli, invece, costituisce un approccio più attivo e aggressivo, perché gli aggressori si concentrano sugli aggiornamenti del modello, piuttosto che sui training data.

L’obiettivo di questi attacchi è far sì che il modello classifichi o interpreti in modo errato i dati di input a causa di aggiornamenti del modello “avvelenati”. Influenzare gli aggiornamenti può portare a cambiamenti fondamentali nell’efficacia e nel funzionamento del modello. Inoltre, gli aggressori possono prendere di mira il metodo utilizzato per comunicare tra il server centrale e gli utenti. Il Federated Learning richiede che una moltitudine di dispositivi si scambino frequentemente gli aggiornamenti dei modelli appresi, portando così ad un “sovraccarico di comunicazione”. Ciò impone una sfida importante per il Federated Learning su reti realistiche che sono limitate nelle risorse computazionali e di comunicazione. Gli attacchi possono sfruttare questi colli di bottiglia e costringere alcuni dispositivi a disconnettersi dal sistema, introducendo errori nel modello. Inoltre, la comunicazione non sicura tra il modello e i suoi utenti può essere sfruttata sotto forma di attacchi man-in-the-middle (attacco informatico in cui qualcuno segretamente si intromette tra due persone che credono di comunicare direttamente tra di loro), in cui gli aggiornamenti del modello vengono dirottati per rubare dati sensibili o alterati prima che vengano trasmessi al server centrale. Detto ciò, è chiaro come nel futuro prossimo sarà necessario concentrarsi sullo sviluppo di controlli e verifiche di sicurezza e privacy più efficaci.

Federated Learning e privacy differenziale

A differenza del principio di minimizzazione dei dati, punta di diamante della tecnologia in esame, il Federated Learning non affronta direttamente il problema dell’anonimizzazione o della de-identificazione dei dati degli utenti.

Per risolvere questo problema, l’apprendimento federato può essere, appunto, combinato con la cosiddetta “privacy differenziale” (Differential Privacy), un approccio presentato da Google, Meta e Apple. Tale “potente” combinazione permette di ottenere sia la minimizzazione che l’anonimizzazione dei dati, supportando sistemi di Federated Learning rispettosi della privacy che possono apprendere in modo sicuro il comportamento dei consumatori e fornire servizi cruciali come il supporto alle attività di marketing. Allo stesso modo, il Federated Learning è sempre più combinato con altre tecnologie emergenti, come la crittografia omomorfa, il calcolo multipartitico o i dati sintetici.

Il numero crescente di casi d’uso del Federated Learning e la prospettiva di una migliore protezione della privacy e della sicurezza attraverso queste tecnologie sono stati recentemente notati dalle autorità di regolamentazione di tutto il mondo. Ad esempio, all’inizio di quest’anno, l’esecutivo statunitense ha annunciato la prima collaborazione tra Stati Uniti e Unione Europea in materia di Intelligenza Artificiale[3]. In questo contesto e con l’attesa di nuove e più complete iniziative normative sull’Intelligenza Artificiale a livello globale (aspettiamo ancora quella dell’Unione Europea in “cantiere perpetuo”[4]), il settore è da tenere sotto stretta osservazione.[5]

Note

  1. Federated Learning: Strategies for Improving Communication Efficiency. Google Research. https://research.google/pubs/pub45648/
  2. Machine Learning Hacking: gli attacchi di inferenza sull’appartenenza.Red Hot Cyber. https://www.redhotcyber.com/post/machine-learning-hacking-gli-attacchi-di-inferenza-sull-appartenenza/
  3. Statement by National Security Advisor Jake Sullivan on the New U.S.-EU Artificial Intelligence Collaboration. The White House. https://www.whitehouse.gov/briefing-room/statements-releases/2023/01/27/statement-by-national-security-advisor-jake-sullivan-on-the-new-u-s-eu-artificial-intelligence-collaboration/
  4. Regulatory framework proposal on artificial intelligence. European Commission. https://digital-strategy.ec.europa.eu/en/policies/regulatory-framework-ai
  5. Federated learning: Supporting data minimization in AI. IAPP. https://iapp.org/news/a/federated-learning-supporting-data-minimization-in-ai/

Valuta la qualità di questo articolo

La tua opinione è importante per noi!

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 3