La serie sull'architettura dell'IA – Parte 3

Il collo di bottiglia nei flussi di lavoro relativi agli investimenti spesso non è l'analisi in sé, bensì tutte le operazioni che devono essere svolte prima che l'analisi possa avere inizio: l'esecuzione di controlli di conformità, l'allineamento delle posizioni di portafoglio ai criteri del mandato, la classificazione di un fondo in base a uno standard normativo, l'individuazione di casi controversi all'interno di un universo, oltre a molte altre attività simili.

Non si tratta di attività analitiche. Sono piuttosto operazioni di recupero e formattazione che si nascondono dietro la facciata del lavoro analitico. L'architettura che abbiamo descritto nell'articolo precedente è stata progettata proprio per risolvere questo problema.

Nelle parti 1 e 2 della serie dedicata all'architettura dell'IA, abbiamo spiegato perché le scelte architetturali si accumulano nel tempo e come i quattro livelli (LLM, MCP, competenze e agenti) si integrano tra loro in teoria. In questo articolo passiamo alla pratica, analizzando il contributo di ciascun livello ai flussi di lavoro reali degli investitori, cosa rivela un caso d'uso concreto sulle possibilità attuali e i limiti dei protocolli di contesto dei modelli (MCP).

Il problema che vale la pena menzionare nell'analisi degli investimenti

Un tempo la disponibilità dei dati rappresentava un ostacolo per l'analisi degli investimenti e la conformità normativa. Tuttavia, con la maturazione della rendicontazione aziendale e la moltiplicazione delle fonti di dati, per molte aziende questo ostacolo si è ribaltato. La quantità di dati a loro disposizione ha superato la loro capacità di utilizzarli. Il risultato è una sorta di "conoscenza inutilizzata", caratterizzata dal divario tra le informazioni presenti in un sistema e le decisioni che è effettivamente possibile prendere sulla base di esse.

Si consideri il caso di un analista incaricato di verificare la conformità a un mandato. Le fasi che precedono la sua analisi comprendono l'individuazione del set di dati o del file corretto, la selezione del portafoglio appropriato, l'individuazione del mandato pertinente, l'avvio della verifica di conformità, l'interpretazione dei risultati a livello di metriche e l'identificazione delle violazioni e dei fattori che le hanno determinate. Nessuna di queste fasi richiede un giudizio approfondito o un pensiero critico. Si tratta piuttosto di sapere dove cliccare e di essere in grado di ripetere il processo in modo affidabile.

Non si tratta di una critica ai sistemi esistenti. È piuttosto una descrizione di come hanno sempre funzionato la maggior parte dei prodotti basati su dati strutturati: sistemi potenti che richiedono agli utenti di sapere come utilizzarli.

L'intelligenza artificiale, e in particolare l'architettura verso cui questa serie di articoli si è progressivamente orientata, ci permette di ripensare questo status quo. Il ragionamento generale di un LLM, abbinato ai dati specifici del settore e alle metodologie di un MCP specializzato, riduce la distanza tra domanda e risposta. Il lavoro "accessorio" che un tempo occupava la mattinata di un analista (la navigazione, il filtraggio, l'esportazione, la formattazione) scompare. Ciò che rimane è il giudizio; il lavoro differenziato per cui l'analista è stato assunto.

Monitoraggio degli incarichi basato sull'intelligenza artificiale: un esempio concreto

In quanto azienda tecnologica, la filosofia Clarity AIè quella di andare incontro ai clienti sul loro posto di lavoro, anziché chiedere loro di venire da noi.

Il nostro approccio incentrato sulle API fa sì che il livello degli agenti sia una naturale estensione di tale principio guida. La nostra suite di MCP, che include una soluzione specificamente progettata per monitorare la conformità del portafoglio ai mandati di investimento, integra i dati e la metodologia Clarity AIdirettamente nelle applicazioni di intelligenza artificiale o nei sistemi interni che i nostri clienti già utilizzano. Questi MCP facilitano flussi di lavoro end-to-end tramite semplici comandi in linguaggio naturale, come ad esempio «verifica la conformità del mio portafoglio al mio mandato di investimento».

Una singola frase in linguaggio semplice mette in moto un intero flusso di lavoro. In assenza di ulteriori indicazioni da parte dell'utente, Claude analizza i requisiti delle richieste e, in risposta, attiva una serie di strumenti distinti, estraendo i mandati dell'utente e le posizioni in portafoglio, eseguendo i controlli di conformità a livello di indicatori e compilando i risultati.

I risultati vengono visualizzati sotto forma di tabella strutturata e interattiva all'interno della chat, includendo i risultati di superamento/fallimento a livello di metrica e l'elenco delle aziende che hanno violato i criteri. Tutti i valori sono tracciabili tramite domande di approfondimento o collegamenti diretti all'applicazione web Clarity AIper un'analisi più approfondita.

Ciò che prima richiedeva di accedere a un portale dati, individuare il portafoglio e il mandato corretti, interpretare i dati a livello di indicatori, formattare i risultati e filtrare i casi di inadempienza, ora si risolve con un unico scambio.

Un'applicazione web ben progettata è lo strumento ideale per esplorare i dati, in particolare nel caso di domande aperte in cui una struttura visiva aiuta l'utente a orientarsi in un ambiente ricco di possibilità. Dopotutto, molte delle domande più interessanti nascono proprio dall'esplorazione dei dati. Tuttavia , il flusso di lavoro sopra descritto non è di tipo esplorativo.

Il gestore del portafoglio conosce la domanda, il portafoglio e il mandato, e vuole la risposta. Per questo tipo di attività orientata a risultati concreti, anche l'interfaccia meglio progettata comporta una fase di traduzione in cui l'utente deve convertire una domanda in linguaggio semplice in una sequenza di clic. L'architettura MCP elimina questa fase di traduzione e accorcia il percorso dalla domanda alla risposta. L'utente pone la domanda nel linguaggio che avrebbe usato con un analista, e il sistema fornisce la risposta in pochi secondi.

Tale integrazione dipende dal fatto che l'MCP svolga un compito che l'LLM da solo non è in grado di svolgere. I modelli di base come Claude possiedono un'enorme quantità di conoscenze generali, ma non dispongono dei dati specializzati e curati né delle informazioni fondate su basi metodologiche di cui dipendono i settori regolamentati.

Si consideri un gestore di portafoglio che gestisce un mandato basato su valori di fede attraverso un portafoglio di fondi.

Un modello di linguaggio generico (LLM) con accesso al web dovrebbe identificare le partecipazioni di ciascun fondo (raramente rese pubbliche e solitamente obsolete di un trimestre), armonizzare le convenzioni di denominazione tra PDF e schede informative, individuare venti valori metrici per ciascuna delle forse un centinaio di partecipazioni per fondo, scomporre metriche composite riportate in modo non uniforme tra le società, stimare i valori per i soggetti che non divulgano informazioni, normalizzare le unità tra standard di rendicontazione e calendari fiscali e conservare una traccia di audit difendibile dinanzi alle autorità di regolamentazione in ogni fase. Si tratta di 2.000 punti dati per fondo, in un portafoglio che può contenerne dozzine, senza un livello di governance che stabilisca le definizioni e senza alcun modo di sapere quali partecipazioni siano state silenziosamente saltate perché i dati non erano reperibili o la pagina non era accessibile.

Il compito è strutturalmente impossibile da svolgere per un modello che si basi esclusivamente sull'accesso al web. Pertanto, l'MCP specializzato funge da "potenziatore" che dota il ragionatore generale di competenze specifiche del settore, in questo caso relative alle partecipazioni verificate, ai criteri di mandato, al contesto normativo e ai dati codificati nella metodologia richiesti dal flusso di lavoro. 

Questo è solo il primo passo verso un valore realmente trasformativo. Poiché questo processo ora opera all’interno di un potente livello applicativo ricco di potenziali integrazioni (programmi, caselle di posta, CRM, calendari, ecc.), può essere integrato in un flusso di lavoro automatizzato end-to-end. Un'attività pianificata in Claude può eseguire lo stesso controllo ogni mattina nei giorni feriali, segnalare e documentare le modifiche rilevanti, redigere un riepilogo secondo le vostre linee guida di tono, allineare la grafica degli avvisi allo stile di design del vostro studio e inviarlo alla casella di posta del gestore del portafoglio entro le 9 del mattino.

Quel flusso di lavoro, che in precedenza richiedeva strumenti dedicati o un notevole impegno manuale, è configurabile in meno di trenta minuti. È proprio questo che rende possibile il livello degli agenti, ovvero la combinazione di un modello di linguaggio di grandi dimensioni (LLM), MCP e competenze.

Anatomia del flusso di lavoro di un agente: i quattro elementi fondamentali

Il flusso di lavoro sopra descritto si articola in quattro elementi fondamentali. Ciascuno svolge una funzione specifica. Presi singolarmente, nessuno di essi è sufficiente; è la loro combinazione a renderli efficaci. Di seguito sono riportati tali elementi applicati a un flusso di lavoro di monitoraggio dei mandati. A ogni elemento fondamentale è associato un esempio concreto che potete provare voi stessi.

Claude, il modello LLM, è il motore di ragionamento. Interpreta il prompt, decide quali strumenti utilizzare, li ordina in sequenza, legge i risultati e redige l'output. L'utente non deve specificare nulla di tutto ciò in anticipo.

Gli MCP gestiscono gli accessi. Ad esempio, un MCP dedicato ai database recupera i dati relativi al portafoglio e alle partecipazioni nei fondi, i dati extra-finanziari associati e le metodologie, ed esegue il controllo di conformità. Un connettore Gmail o Outlook invia l'avviso. Gli strumenti definiscono a quali sistemi l'LLM può accedere.

Le competenze determinano il modo in cui il sistema deve eseguire il lavoro. Esse guidano il modello di linguaggio di grandi dimensioni (LLM) nell’eseguire un’attività in modo ripetibile secondo una serie specifica di criteri, anziché in modo improvvisato ogni volta. In un esempio in cui a Claude vengono fornite sia una competenza di redazione di e-mail che una di formattazione di report, la prima codifica il tono preferito dallo studio; la seconda codifica il modo in cui lo studio comunica le analisi, come la struttura di una nota del comitato di investimento, l’ordine in cui vengono evidenziati i rischi e il modo in cui vengono presentate le raccomandazioni. Le competenze consentono agli LLM di operare effettivamente secondo i metodi di lavoro istituzionali degli studi.

La pianificazione è il fattore determinante. Trasforma il flusso di lavoro da reattivo (sei tu a richiedere l'azione) a proattivo (il sistema agisce secondo la cadenza da te stabilita). Senza di essa, la generazione del briefing di questo esempio rimane inattiva, in attesa che qualcuno se ne ricordi.

Il risultato riportato di seguito è ciò che tali elementi generano quando vengono integrati dall'utente: un documento informativo sulla conformità personalizzato con il marchio dell'azienda, che arriva nella casella di posta del gestore di portafoglio entro le 9 del mattino, redatto nello stile aziendale, formattato secondo gli standard dell'azienda e basato su dati verificati relativi alle partecipazioni, al mandato e a informazioni extra-finanziarie provenienti dal sistema collegato a MCP, senza che nessuno abbia dovuto avviare il processo.

Presa singolarmente, ogni componente è limitata, ma nel loro insieme si potenziano a vicenda. Se si elimina la pianificazione, l’analista deve comunque ricordarsi di avviare il flusso di lavoro. Senza le competenze necessarie, il briefing risulta generico, inapplicabile e aleatorio. Se si elimina l’MCP, i dati risultano o del tutto indisponibili o completamente inaffidabili.

Perché la qualità dei dati rappresenta il vero ostacolo nei flussi di lavoro basati sull'intelligenza artificiale

Gli MCP non sono una bacchetta magica. La qualità dei risultati che producono riflette direttamente la qualità dei dati in ingresso. Nell'esempio di flusso di lavoro descritto sopra, ciò che conta è la qualità dei dati extra-finanziari e relativi alle partecipazioni. Se tali dati sono inaffidabili, l'intero flusso di lavoro è inutile.

Ogni elemento fondamentale della qualità dei dati costituisce una disciplina a sé stante:

• La copertura dei dati richiede un'enorme potenza di calcolo e attività di ricerca primaria, oltre a competenze avanzate nel campo dell'apprendimento automatico per le stime.
• La freschezza dei dati richiede operazioni dedicate e continue che coprano i cicli di acquisizione, convalida e aggiornamento su migliaia di fonti.
• Il rigore metodologico richiede un monitoraggio normativo, una profonda competenza nel settore e una gestione rigorosa delle versioni su migliaia di metriche.
• La verificabilità richiede un'infrastruttura in grado di preservare la provenienza in ogni fase della trasformazione, in modo che ogni dato possa essere ricondotto alla sua fonte.

Queste discipline non derivano da un modello più avanzato. Al contrario, si sviluppano in modo graduale e ponderato, grazie a quel tipo di competenza che non può essere sintetizzata in una finestra di contesto. L'implicazione è di natura strutturale. Man mano che i modelli trasformano il ragionamento in un prodotto di massa, il vantaggio competitivo si sposta verso il substrato: i dati.

Oltre l'architettura: quattro domande da porre a qualsiasi fornitore di IA

L'architettura descritta in questo articolo è destinata a diffondersi. Nei prossimi anni, ogni fornitore che si rispetti ne proporrà una propria versione. Le domande da porre ai fornitori dovrebbero quindi concentrarsi su quali elementi supportano tale architettura.

Seguiteci su LinkedIn o iscrivetevi alla nostra newsletter per ricevere Clarity AI .