Da una lunga esperienza nello sviluppo di tecnologie per ricerca, elaborazione delle informazioni e AI, nascono i modelli linguistici proprietari di Istella, progettati per un uso consapevole, controllato e sovrano del dato, adattabili ai diversi contesti aziendali.
Dalla ricerca applicata all’ingegneria AI
Il percorso di Istella nasce da competenze consolidate nello sviluppo di tecnologie per la ricerca, l’elaborazione delle informazioni, la comprensione del linguaggio e l’apprendimento automatico. Nel tempo, questa esperienza ha portato alla progettazione di modelli e soluzioni AI sicure, personalizzabili e governabili, pensate per operare in contesti organizzativi complessi.
Istella rende applicabili i propri modelli linguistici nei contesti enterprise, integrandoli con dati, workflow e conoscenza di dominio. Il dato viene raccolto e organizzato, la conoscenza viene strutturata e resa accessibile, il linguaggio viene analizzato e interpretato, mentre l’AI generativa utilizza questo contesto per produrre risposte, analisi e supporto operativo.
Orchestrazione e governance
L’efficacia di questo approccio dipende dalla capacità di coordinare modelli, strumenti, dati e flussi di lavoro in funzione degli obiettivi dell’organizzazione. L’integrazione con i sistemi aziendali e la personalizzazione delle soluzioni consentono di adattare l’AI ai diversi contesti operativi.
La governance completa questo impianto attraverso la definizione di regole, accessi, controlli, tracciabilità, sicurezza e conformità. In questo modo, la tecnologia può operare in modo affidabile, trasparente e sotto il controllo dell’organizzazione.
Il percorso di ricerca applicata sviluppato da Istella ha dato origine a un patrimonio di tecnologie proprietarie, modelli e brevetti, trasformando la sperimentazione metodologica in soluzioni applicabili all’intelligenza artificiale, alla ricerca e all’analisi dell’informazione.
Brevetti
La ricerca applicata di Istella si riflette anche nella proprietà intellettuale. L’azienda ha sviluppato tecnologie proprietarie nel campo del machine learning e del ranking dei documenti, trasformando competenze scientifiche e ingegneristiche in soluzioni applicabili ai sistemi di ricerca e di analisi dell’informazione.
Tra i brevetti pubblicamente consultabili e assegnati a Istella figura il brevetto statunitense “Method to rank documents by a computer, using additive ensembles of regression trees and cache optimisation, and search engine using such a method”, che descrive una metodologia basata su machine learning per ordinare documenti attraverso alberi decisionali e tecniche di ottimizzazione della cache.
Pubblicazioni scientifiche
Le pubblicazioni scientifiche documentano il contributo di Istella alla ricerca applicata nel campo del ranking, del machine learning e della valutazione dei sistemi di ricerca. I lavori presentati includono dataset, algoritmi e metodologie sviluppati per migliorare l’efficienza, l’efficacia e la scalabilità dei sistemi che ordinano e selezionano informazioni su larga scala.
- The Istella22 Dataset: Bridging Traditional and Neural Learning to Rank Evaluation — D. Dato, S. MacAvaney, F. M. Nardini, R. Perego, N. Tonellotto, SIGIR 2022 – La pubblicazione tratta il dataset progettato per confrontare approcci tradizionali di Learning to Rank e modelli neurali sullo stesso patrimonio informativo.
- Fast Ranking with Additive Ensembles of Oblivious and Non-Oblivious Regression Trees — D. Dato, C. Lucchese, F. M. Nardini, S. Orlando, R. Perego, N. Tonellotto, R. Venturini, ACM Transactions on Information Systems, 2016 – La pubblicazione descrive metodi di ranking basati su ensemble di alberi decisionali, in relazione al dataset Istella LETOR.
- Post-Learning Optimization of Tree Ensembles for Efficient Ranking — C. Lucchese, F. M. Nardini, S. Orlando, R. Perego, F. Silvestri, S. Trani, SIGIR 2016 – Il lavoro, sviluppato da ricercatori Istella e collaboratori, presenta tecniche per ottimizzare gli ensemble di alberi e rendere più efficiente il ranking dei documenti.
- Selective Gradient Boosting for Effective Learning to Rank — C. Lucchese, F. M. Nardini, R. Perego, S. Orlando, S. Trani, SIGIR 2018 – La pubblicazione, sviluppata da ricercatori Istella e collaboratori, descrive un metodo di gradient boosting selettivo per migliorare l’efficacia dei modelli di Learning to Rank.