machine learning

Federated learning, come coniugare intelligenza artificiale e privacy

Cos’è il Federated learning, come funziona, perché si propone come una delle principali soluzioni ai problemi di privacy nel mondo del Machine learning e quali sono i problemi aperti

Pubblicato il 11 Gen 2023

Marco Aldinucci

Dip. di Informatica, Università di Torino e CINI HPC-KTT

Bruno Casella

Dip. di Informatica, Università di Torino e CINI HPC-KTT

Roberto Esposito

Dip. di Informatica, Università di Torino e CINI HPC-KTT

Gianluca Mittone

Dip. di Informatica, Università di Torino e CINI HPC-KTT

Mirko Polato

Dip. di Informatica, Università di Torino e CINI HPC-KTT

Machine Learning

La caratteristica fondamentale degli algoritmi di Machine learning è la capacità di apprendere autonomamente come risolvere un problema, basandosi unicamente sui dati loro forniti. Questa branca dell’Intelligenza artificiale ha già dato più volte prova delle sue immense potenzialità in moltissimi ambiti della nostra vita, dal gioco degli scacchi alla diagnosi medica, passando per la biologia.

Ognuno di noi ha a che fare con questi sistemi ogni giorno, anche se a volte può essere difficile rendersene conto: sarebbe sufficiente richiamare Siri, Google, Alexa, o anche solamente prestare attenzione ai suggerimenti di digitazione forniti dalla propria tastiera per accorgersi di quanto questi sistemi siano ormai parte integrante della nostra società.

Intelligenza artificiale e digital pathology: cosa cambia per diagnosi, prognosi e cura

L’apporto dei Big Data

Un’altra caratteristica fondamentale dei modelli di Machine learning è che necessitano di una enorme mole di dati per essere addestrati a risolvere i problemi cui vengono sottoposti, non a caso viviamo attualmente nella cosiddetta epoca dei Big data, sconfinate raccolte di dati mantenute da grandi aziende e organizzazioni statali.

È infatti possibile affermare che, maggiore è la quantità di dati messi a disposizione, più è alta la loro qualità, migliore saranno le capacità predittive del modello allenato. In tal senso, la categoria di algoritmi di Machine learning considerata in grado di consumare la più alta quantità di dati è quella delle Reti neurali profonde. Questa dipendenza dai dati è in realtà una delle colonne portanti di tutto il mondo del Machine learning, insieme alla potenza di calcolo richiesta per attuare il processo di addestramento.

Big Data e privacy

Non tutte le organizzazioni, però, hanno a disposizione raccolte di dati sufficientemente vaste da permettere un addestramento efficace di un modello di Machine learning. In tal caso, una possibile soluzione consiste nell’unire più basi di dati riguardanti lo stesso problema da risolvere. Questo processo di aggregazione dei dati non è però esente da problemi. Spesso le norme sulla sicurezza e/o sulla privacy impediscono ciò, basti pensare all’ambito medico in cui non è assolutamente possibile condividere informazioni relative ai pazienti, come previsto dal Regolamento Ue 2016/679, noto come GDPR.

Inoltre, i dati hanno spesso un enorme valore economico e strategico e l’atto di condivisione ne porterebbe ad una possibile svalutazione.

Il Federated Learning

È da queste premesse che emerge il Federated learning, una tecnica di Machine learning collaborativo capace di sfruttare la conoscenza presente in più dataset senza la necessità di metterli in comune.

L’idea alla base del Federated learning è semplice: i soggetti che possiedono i dati hanno la possibilità di creare una federazione in cui l’informazione scambiata non comprende i dati su cui si sta allenando il modello, bensì dai parametri appresi dai modelli allenati sui dati posseduti dai singoli soggetti.

In questo modo i dati rimangono all’interno delle organizzazioni che li possiedono e i veicoli di scambio dell’informazione diventano i parametri del modello allenato (nel caso delle reti neurali: i pesi). Questo approccio è stato proposto per la prima volta dai ricercatori di Google nel 2016, applicato al suggeritore automatico delle tastiere degli smartphone dotati di sistema operativo Android.

Ma come è possibile aggregare questi parametri ottenendo un modello federato unico, comprendente la conoscenza di tutti i vari dataset?

Come funziona il Federated learning

Nella sua accezione più classica, prevede due tipi di attori: i siti che posseggono i dati (client) e l’aggregatore (server) che inizializza il modello federato e orchestra l’esecuzione dell’apprendimento.

Tale processo avviene in modo iterativo, ed ogni iterazione è detta round. All’inizio di ogni round il server invia il modello globale attuale ai client (tutti o un loro sottoinsieme), i quali lo allenano sui dati locali, per poi restituirlo al server, che termina il round aggregando i modelli ricevuti e ottenendo così un nuovo modello globale. La strategia di aggregazione base del server, denominata FedAvg, consiste nell’effettuare la media pesata dei modelli ricevuti. Il processo si ripete quindi dal principio, questo meccanismo è rappresentato schematicamente nella Figura 1.

Federated learning

(Immagine: Il ciclo di vita di un modello allenato tramite FL e tutti gli attori coinvolti nel processo)

L’aggiornamento locale del modello avviene solitamente con algoritmi di ottimizzazione in grado di trovare un minimo (locale) di una funzione differenziabile. In particolare, si considera la funzione di loss del modello, che restituisce la distanza esistente tra l’output predetto dal modello attuale e l’output atteso (ottimo).

Minimizzare la funzione di loss permette l’aggiornamento dei parametri del modello nella direzione che minimizza l’errore commesso sui dati di allenamento. Due fra gli algoritmi di ottimizzazione più usati sono Sgd (Stocastic Gradient Descent) e Adam (Adaptive Moment Estimation), ma ne esiste una vasta gamma, di cui alcuni specificamente ideati per il Federated learning.

Il machine (federated) learning in Sanità, per coniugare intelligenza artificiale e privacy

Le criticità del Federated Learning

È importante sottolineare come in questo meccanismo i dati non lasciano mai il sito di appartenenza, permettendo quindi ai partecipanti alla federazione di rispettare sia le normative sulla privacy sia la privacy stessa degli utenti a cui i dati si riferiscono.

Tuttavia, il modello che i client condividono con l’aggregatore contiene informazioni riguardanti i dati su cui è stato allenato. Questo fatto rappresenta una vulnerabilità che attaccanti / malintenzionati possono sfruttare per ricavare informazioni sui dati privati dei partecipanti (Model Inversion).

Per questo motivo, gli algoritmi di Federated learning sono spesso affiancati a tecniche come la Differential Privacy, la crittografia omomorfica e/o la Secure Multiparty Computation.

Sfortunatamente, tutti questi meccanismi per garantire la privacy portano al degrado della qualità dell’apprendimento o dell’efficienza del protocollo. Per questo motivo, molti studi mirano al superamento di questi limiti mantenendo però un alto livello di privacy.

Un altro degli aspetti critici del Federated learning è conseguenza diretta della sua stessa struttura: le performance del modello federato sono pesantemente influenzate dalla distribuzione dei dati sui vari client.

Nello scenario ideale si ipotizza che i dati siano distribuiti in maniera indipendente e identicamente distribuita (Independent and Identically Distributed) tra i client, dando luogo ad una situazione in cui la distribuzione delle informazioni associate ad ogni partecipante sia congruente con quella globale.

Questa assunzione, chiaramente irrealistica, ha dato vita ad un filone di ricerca attualmente molto attivo, ricco di studi volti ad indagare in quali scenari sia vantaggioso applicare il Federated learning e quali tecniche possano essere sfruttate per ottenere buone performance di apprendimento anche in situazioni teoricamente svantaggiose.

Il motivo per cui distribuzioni non Independent and Identically Distributed (IID) rendono difficile l’apprendimento è insito nel modo in cui avviene l’apprendimento federato. Come accennato in precedenza, al termine di ogni round, il server (in FedAvg, per esempio) aggiorna il modello globale mediando i pesi dei modelli ricevuti dai client. Questa operazione assume che le diverse funzioni di loss ottimizzate lato client (tramite discesa del gradiente) siano “simili” tra loro e che quindi la direzione dei diversi gradienti sia “compatibile”. Tuttavia, essendo le funzioni di loss definite sui dati di apprendimento, questa assunzione vale se le distribuzioni dei dati locali sono Iid. In caso contrario, può accadere che le funzioni di loss siano molto diverse tra loro (ovvero i client stanno ottimizzando un problema diverso) fuorviando l’intero algoritmo di apprendimento.

Un terzo problema del Federated learning (FL), più strutturale, è dato dalla sua architettura centralizzata: il server è un’unica entità, centrale e privilegiata, dal quale dipende tutto il sistema. Questo approccio comporta una moltitudine di criticità, di cui di seguito discuteremo solo le principali.

Innanzitutto, in quanto entità centrale e organizzatrice, il server rappresenta un single point of failure per l’intero sistema, un attacco mirato verso questo singolo nodo risulterebbe critico per l’intera struttura. Inoltre, in caso di un elevato numero di client, la capacità limitata del server di recepire i modelli locali formerebbe un collo di bottiglia per l’intero sistema, intaccando pesantemente le prestazioni.

Infine, data la sua posizione privilegiata, il server ha accesso a tutti i modelli locali inviati dai client: un attacco a questa struttura potrebbe quindi comportare un rischio per la privacy di tutti i partecipanti alla federazione, come discusso in precedenza.

Questi problemi, e molti altri, costituiscono attualmente un florido campo di ricerca per i ricercatori interessati al Federated learning. Dagli approcci più orientati alla tutela della privacy, a quelli che puntano alla decentralizzazione del sistema, fino ad arrivare a quelli che puntano ad algoritmi di federazione che siano agnostici rispetto al modello utilizzato, i ricercatori stanno attivamente cercando di migliorare e generalizzare il più possibile questo approccio che, nonostante sia nato da pochi anni, ha già impattato fortemente la comunità scientifica e, sicuramente, continuerà a farlo anche nei prossimi anni.

Bibliografia

Silver, David, et al. “A general reinforcement learning algorithm that masters chess, shogi, and Go through self-play.” Science362.6419 (2018): 1140-1144

D’Ascenzo, Fabrizio, et al. “Machine learning-based prediction of adverse events following an acute coronary syndrome (PRAISE): a modelling study of pooled datasets.” The Lancet 397.10270 (2021): 199-207

Jumper, John, et al. “Highly accurate protein structure prediction with AlphaFold.” Nature 596.7873 (2021): 583-589

McMahan, Brendan, et al. “Communication-efficient learning of deep networks from decentralized data.” Artificial intelligence and statistics. AISTATS, 2017

Kairouz, Peter, et al. “Advances and open problems in federated learning.” Foundations and Trends® in Machine Learning 14.1–2 (2021): 1-210

Amari, Shun-ichi. “Backpropagation and stochastic gradient descent method.” Neurocomputing 5.4-5 (1993): 185-196

Kingma, Diederik P., and Jimmy Ba. “Adam: A method for stochastic optimization.” arXiv preprint arXiv:1412.6980 (2014)

Jonas Geiping, et al.. “Inverting Gradients – How easy is it to break privacy in federated learning?”. NeurIPS 2020

Cynthia, Dwork. “Differential privacy.” Automata, languages and programming (2006): 1-12

Gentry, Craig. A fully homomorphic encryption scheme. Stanford University, 2009

Cramer, Ronald, and Ivan Bjerre Damgård. Secure multiparty computation. Cambridge University Press, 2015

Bo Zhao, et al. “FedInv: Byzantine-Robust Federated Learning by Inversing Local Model Updates”. AAAI 2022

Bruno, Casella, et al. “Benchmarking FedAvg and FedCurv for Image Classification Tasks.” Proceedings of the 1st Italian Conference on Big Data and Data Science, ITADATA2022. Marco Anisetti, Angela Bonifati, Nicola Bena, Claudio A. Ardagna, Donato Malerba, 2022

Yin, Xuefei, Yanming Zhu, and Jiankun Hu. “A comprehensive survey of privacy-preserving federated learning: A taxonomy, review, and future directions.” ACM Computing Surveys (CSUR)54.6 (2021): 1-36

Warnat-Herresthal, Stefanie, et al. “Swarm learning for decentralized and confidential clinical machine learning.” Nature594.7862 (2021): 265-270

Polato, Mirko, Roberto Esposito, and Marco Aldinucci. “Boosting the federation: Cross-silo federated learning without gradient descent.” 2022 International Joint Conference on Neural Networks (IJCNN). IEEE, 2022

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