Intelligenza Artificiale · HR & Finance

InvestFood
AI Assistant

Un assistente conversazionale 100% offline per la gestione intelligente delle risorse umane e dei dati finanziari. Nessun dato aziendale lascia i nostri server.

PlatformONE API  ·  AtomicBI  ·  LLM Locale  ·  Tool Calling  ·  100% Offline

Il Problema

Dati frammentati, decisioni lente

HR: dati dispersi

Timbrature, assenze, turni e contratti distribuiti su sistemi diversi. Ogni verifica richiede accessi multipli, esportazioni manuali e tempo prezioso del personale amministrativo.

Finance: analisi complessa

I dati finanziari sono gestiti tramite AtomicBI su Google Cloud. Estrarre insight richiede conoscenze tecniche e tempi non compatibili con decisioni operative rapide.

Nessuna visione unificata

HR e Finance non dialogano tra loro. Correlare presenze, costi del personale e performance finanziaria richiede ore di lavoro manuale su fogli di calcolo separati.

Rischio dati con tool cloud

Le soluzioni AI esistenti richiedono di inviare dati aziendali sensibili a server esterni. Dati di dipendenti, stipendi e bilanci non possono uscire dall'azienda.

La Soluzione

Un assistente AI conversazionale e sicuro

Utente
Manager HR
Domanda in italiano
CFO
Query Finance
Chat
AI Assistant
LLM · Tool Calling
100% Offline
Nessun dato verso cloud
API
Sorgenti Dati
PlatformONE
Timbrature, turni, assenze
AtomicBI
Business Intelligence · Google Cloud
Demo · Conversazione reale

Come funziona in pratica

Modulo HR
Manager
Quante ore straordinarie ha fatto William questo mese?
Assistente AI
William ha effettuato 14 ore di straordinario a marzo 2026, distribuite su 6 giornate. La media degli ultimi 3 mesi è 11,3 ore.
Manager
Chi ha assenze non giustificate questa settimana?
Risultano 3 assenze non giustificate: Giulia (lun 31/03), Andrea Ferri (mar 01/04), Rachel (lun-mar). Vuoi inviare le notifiche automatiche?
Modulo Finance · AtomicBI
CFO
Qual è il margine operativo delle sedi di Milano rispetto al trimestre precedente?
Le sedi di Milano registrano un margine operativo del 18,4% nel Q1 2026, in crescita di 2,1 punti rispetto al Q4 2025 (16,3%). Corso Venezia e Corso Lodi contribuiscono per il 67% del totale.
CFO
Genera un report con questi dati.
Report generato: "Analisi margini Q1 2026 - Sedi Milano.pdf". Include tabella comparativa, grafico andamento e dettaglio per sede. Disponibile nella cartella Report condivisa.
Tecnologia · Stack Tecnico

Architettura offline-first

LLM Locale

Modello linguistico eseguito interamente sul server aziendale. Nessuna chiamata a servizi cloud. I dati restano sempre all'interno della rete aziendale.

Tool Calling

Il modello chiama tool specifici per interrogare PlatformONE e AtomicBI. Ogni risposta è basata su dati reali e aggiornati, non su allucinazioni.

Backend Python

FastAPI gestisce le sessioni di conversazione, l'orchestrazione dei tool e il contesto storico. Architettura asincrona ad alte prestazioni.

Sicurezza totale

Stipendi, bilanci e dati dipendenti non lasciano mai il server. Autenticazione per ruolo: HR manager e CFO vedono solo i dati di loro competenza.

Stack: Python 3.11+ FastAPI LLM locale PlatformONE API AtomicBI Google Cloud SQL
Metodologia · Come addestriamo il sistema

Dataset mirati, RAG e fine-tuning guidato

Fase 1 · Dataset Mirati
In corso · raccolta e curation
  • Dataset HR in italiano: contratti, presenze, turni, query gestionali
  • Dataset Finance: analisi margini, budget, flussi di cassa, KPI
  • Esempi reali anonimizzati dal dominio ristorazione
  • Conversioni in formato Alpaca (instruction / input / output)
  • Validazione manuale della qualità su ogni categoria
poi
Fase 2 · RAG
Retrieval-Augmented Generation
  • Knowledge base vettoriale con tutti i documenti aziendali HR e Finance
  • Embedding di contratti, procedure, report storici e manuali operativi
  • Recupero contestuale preciso: il modello cerca prima nella base di conoscenza
  • Aggiornamento incrementale: nuovi documenti indicizzati senza riaddestrare
  • Risposte ancorate a fonti verificabili, nessuna allucinazione
poi
Fase 3 · Fine-Tuning
Con i Professori · LoRA adaptation
  • Più modelli specializzati ("professori") generano esempi sintetici di alta qualità
  • Ogni professore copre un dominio: HR, Finance, italiano, ragionamento numerico
  • I dati generati vengono validati e filtrati prima del training
  • Adattamento LoRA: aggiornamento leggero (~50 MB) sul modello base
  • Il modello finale è specifico per InvestFood, non generico
Esempio formato dataset · Alpaca
dataset_hr_001.jsonl
"instruction": "Quante ore di straordinario ha accumulato il dipendente questo mese?"
"input": "dipendente_id: 1042, mese: marzo 2026, sede: Milano"
"output": "Il dipendente 1042 ha registrato 14 ore di straordinario a marzo 2026, distribuite su 6 giornate lavorative."
dataset_finance_001.jsonl
"instruction": "Qual è il margine operativo della sede nel trimestre corrente?"
"input": "sede: Corso Venezia, trimestre: Q1 2026, metrica: margine_operativo"
"output": "La sede di Corso Venezia registra un margine operativo del 18,4% nel Q1 2026, in crescita di 2,1 punti rispetto al Q4 2025."
Sviluppo · Piano di implementazione

Roadmap di progetto

Fase 1 · Connessione Dati

Integrazione PlatformONE API e AtomicBI. Definizione dei tool disponibili e mapping delle query più frequenti.

Fase 2 · LLM e Tool Calling

Deploy del modello LLM in locale, implementazione del sistema di tool calling, test di accuratezza e validazione su dataset reali.

Fase 3 · Interfaccia Conversazionale

Sviluppo della chat UI, gestione del contesto storico, personalizzazione per ruolo (HR manager, CFO, operativo).

Fase 4 · Report Automatici

Generazione automatica di report PDF, notifiche proattive su anomalie e scadenze, export dati strutturati.

Stato attuale
Architettura e design Completato
Tool Calling modulo HR In corso
Interfaccia ChatPianificato
Report automatici PDFPianificato
Benefici · Impatto atteso

Cosa cambia concretamente

Velocità decisionale
Da ore di ricerca manuale a secondi. Il management ha sempre il dato aggiornato disponibile in linguaggio naturale, senza coinvolgere il reparto IT.
Zero rischio dati
100% offline. Stipendi, bilanci e dati dipendenti non lasciano mai i server aziendali. Nessuna dipendenza da API cloud esterne per l'elaborazione AI.
Riduzione errori
Il sistema accede direttamente ai dati sorgente e produce analisi coerenti, eliminando errori di trascrizione e rielaborazioni manuali su fogli di calcolo.
Autonomia operativa
Manager HR e CFO accedono ai dati in modo autonomo senza attendere report periodici. L'AI risponde in linguaggio naturale su qualsiasi domanda operativa.
Report automatici
Generazione automatica di report periodici in PDF. Trend e anomalie vengono identificati e comunicati proattivamente senza intervento manuale.
Scalabilità
L'architettura modulare permette di aggiungere nuove sorgenti dati (magazzino, vendite, logistica) senza riprogettare il sistema. Ogni modulo si integra nella stessa interfaccia.

Dati aziendali,
intelligenza locale

Un assistente AI che parla la lingua del business, accede ai dati reali e non condivide nulla con l'esterno. HR e Finance finalmente a portata di conversazione.

1 / 9