Riassunto analitico
Questa tesi analizza l’evoluzione dell’intelligenza artificiale, a partire dai primi approcci simbolici degli anni ’50, passando per il paradigma connessionista e l’avvento del machine learning, fino ad arrivare alle recenti innovazioni del deep learning e dei Transformer. Tali evoluzioni hanno progressivamente superato le limitazioni degli algoritmi tradizionali, abilitando sistemi in grado di elaborare enormi moli di dati non strutturati (Big Data) e di generare contenuti complessi attraverso processi come la tokenizzazione, l’embedding e il meccanismo di auto-attenzione. L’architettura dei Transformer, in particolare, ha rivoluzionato il Natural Language Processing, consentendo ai moderni Large Language Models (LLMs) di interpretare e generare testo con precisione e coerenza.
L’obiettivo finale della tesi è applicare queste tecnologie per supportare le aziende nella redazione dei reports sui bilanci integrati aggiornati, trasformando i dati relativi alla sostenibilità non strutturati in informazioni di valore. In particolare, si propone di mappare i KPIs forniti nel bilancio associandoli ai moderni requisiti ESRS, sfruttando l’analisi semantica e contestuale offerta da uno Small Language Model di proprietà. Tale approccio permette di estrarre insight significativi da documenti complessi, migliorando l’efficienza del reporting aziendale e facilitando processi decisionali data-driven, il tutto mantenendo la proprietà dei dati aziendali.
La ricerca si avvale di un’analisi dettagliata dei principi operativi dei modelli basati su Transformer e dei relativi algoritmi di deep learning, evidenziando come la combinazione di tecniche statistiche, connessioniste e simboliche abbia reso possibile la creazione di sistemi intelligenti in grado di rispondere alle sfide poste dalla digitalizzazione e dal crescente focus sul campo della sostenibilità. In questo contesto, l’applicazione dei moderni LLM rappresenta un’opportunità strategica per colmare il divario tra le metodologie tradizionali di reporting e le esigenze emergenti di trasparenza e compliance, offrendo alle imprese uno strumento innovativo per la trasformazione digitale.
|
Abstract
This thesis analyzes the evolution of artificial intelligence, starting from the first symbolic approaches in the 1950s, through the connectionist paradigm and the advent of machine learning, to the recent innovations of deep learning and Transformers. These evolutions have progressively overcome the limitations of traditional algorithms, enabling systems capable of processing huge masses of unstructured data (Big Data) and generating complex content through processes such as tokenization, embedding, and self-attention mechanism. The Transformer architecture, in particular, has revolutionized Natural Language Processing, enabling modern Large Language Models (LLMs) to interpret and generate text with accuracy and consistency. The ultimate goal of this thesis is to apply these technologies to support companies in reporting on up-to-date integrated financial statements, transforming unstructured sustainability data into valuable information. Specifically, it is proposed to map the KPIs provided in the financial statements by associating them with modern ESRS requirements, leveraging the semantic and contextual analysis offered by a proprietary Small Language Model. This approach allows meaningful insights to be extracted from complex documents, improving the efficiency of corporate reporting and facilitating data-driven decision-making processes, all while maintaining ownership of corporate data. The research uses a detailed analysis of the operating principles of Transformer-based models and related deep learning algorithms, highlighting how the combination of statistical, connectionist and symbolic techniques has made possible the creation of intelligent systems capable of responding to the challenges posed by digitization and the growing focus on the field of sustainability. In this context, the application of modern LLMs represents a strategic opportunity to bridge the gap between traditional reporting methodologies and emerging needs for transparency and compliance, offering companies an innovative tool for digital transformation.
|
