FAQ
Domande frequenti raggruppate per tema: rapporto tra questo verticale AI e l’hub software del gruppo, assistenti vocali e ambienti rumorosi, copilot sui dati con SQL governato, RAG su documenti e contesti regolati, machine learning operativo, sicurezza e scelte infrastrutturali. Le risposte sono orientate a decisori IT e business; per casi specifici contattateci.
Leggete le sezioni come checklist mentale: se una domanda vi riguarda, probabilmente affronteremo lo stesso argomento in discovery. Non sostituiscono una due diligence legale o un parere del vostro DPO: integrano la comprensione tecnico-organizzativa di cosa proponiamo e aiutano a preparare workshop interni prima della prima call con i nostri consulenti.
Spinoff e commerciale
Qui chiarite il posizionamento di Purple AI, cosa significa lavorare con PMI rispetto a grandi gruppi, come impostiamo manutenzione e perché due domini .ai e .io convivono senza confondere l’offerta. Se state valutando più fornitori, usate queste risposte per confrontare apples-to-apples su responsabilità post go-live, confini di servizio e modalità di escalation operative.
Perché due domini (questo sito e purplesoft.io)? Cosa trovo su ciascuno?
Qui trovate il verticale AI di Purple AI S.r.l. (marchio Purple AI), parte di Purple Holding S.r.l.: consulenza, soluzioni, integrazioni LLM/RAG/agenti, formazione. purplesoft.io è l’hub di sviluppo software, web ed e-commerce del gruppo, senza focus esclusivo sull’AI.
Siete solo consulenza o anche sviluppo?
Entrambi: strategia, proof of concept e implementazione fino a produzione, con manutenzione e integrazione nei sistemi esistenti.
Lavorate con PMI o solo grandi aziende?
Lavoriamo con una gamma di clienti; l’ingegnerizzazione e la governance dei dati scalano in base al contesto (PMI in crescita e mid-market inclusi).
Quanto costa un progetto AI?
Dipende da ambito, dati disponibili, integrazioni e SLA. Dopo una call di qualificazione proponiamo una stima o un pacchetto (audit, workshop, MVP). Contattateci.
Offrite manutenzione e SLA dopo il go-live?
Sì, come parte naturale di soluzioni in produzione: monitoraggio, aggiornamenti modello/corpus, supporto e miglioramenti incrementali.
Voice / assistenti
Gli assistenti vocali industriali devono convivere con rumore, guanti, dialetti e interruzioni. In questa sezione spieghiamo cosa resta in cloud, cosa può andare in edge e come impostiamo privacy e conformità sulle registrazioni o sui metadati di sessione.
L’assistente vocale funziona offline? Cosa resta in cloud?
Di solito STT/TTS e modelli “pesanti” sono in cloud o regioni dedicate; l’edge gestisce capture audio, sessione e comandi leggeri. Il mix dipende da latenza, privacy e costi — progettiamo caso per caso.
Quali lingue e come gestite rumore in fabbrica?
Lingue in base a provider STT/TTS e tuning; per ambienti rumorosi servono test sul campo, microfoni adeguati e fallback (conferme, ripetizione).
Come proteggiamo conversazioni e dati vocali (GDPR)?
Minimizzazione, retention configurabile, crittografia in transito, ruoli e accordi su trattamento; allineamento a policy aziendali e sede dati concordata.
Copilot dati / NL2SQL
Il linguaggio naturale su database aziendale è utile solo se l’IT mantiene controllo su cosa è interrogabile. Qui descriviamo template SQL, ruoli, audit e integrazione con Excel o BI esistenti. Per un approfondimento narrativo vedere anche l’articolo sul blog e la pagina servizio embeddings se il caso mescola testo libero e dati strutturati in produzione reale oggi stesso.
Il sistema può eseguire qualsiasi SQL?
No: usiamo template e query governate, permessi per ruolo, audit e validazione per ridurre errori e accessi non autorizzati.
Quali database supportate? Serve un data warehouse?
Tipicamente SQL relazionali (es. SQL Server, PostgreSQL, MySQL) in base al cliente; un DW non è sempre obbligatorio ma migliora performance e modelli semantici.
Come si integra con Excel e report esistenti?
Export schedulati (es. Excel), collegamento a cartelle condivise o BI già in uso; il copilot interroga le stesse fonti controllate.
RAG / documenti / PA
Il retrieval aumentato richiede corpus curato, pipeline di aggiornamento e chiarezza su responsabilità quando il testo è normativo o sensibile. Utile per chi valuta progetti in PA, legal tech o knowledge management interno.
Da dove prendono le risposte i vostri sistemi? Come citano le fonti?
Da corpus indicizzato (documenti ufficiali, policy interne, ecc.) con recupero semantico; le risposte possono includere riferimenti a paragrafi/fonti secondo design concordato.
Come aggiornate il corpus con nuova normativa?
Pipeline di ingestione periodica o event-driven, versionamento e notifiche su aggiornamenti rilevanti per il dominio del cliente.
Chi è responsabile se l’AI sbaglia un’interpretazione legale?
I sistemi sono strumenti di supporto decisionale, non sostituti del parere di un legale o di un professionista abilitato, salvo progetti con soggetti specificamente incaricati.
ML / previsioni
Il machine learning su serie temporali per uso operativo ha requisiti di dati e metriche diverse dal marketing predittivo generico. Chiarite cosa chiediamo come storico, come valutiamo modelli e perché distinguiamo forecasting operativo da consulenza finanziaria.
Di cosa avete bisogno come dati storici?
Dipende dal caso: stagionalità, frequenza, qualità e completezza. Valutiamo insieme la finestra minima utile e i rischi di bias.
Come valutate l’accuratezza del modello?
Metriche su hold-out, backtest e — dove possibile — confronto con baseline e processi esistenti; obiettivi definiti con il business.
Differenza tra previsione operativa e consulenza finanziaria
Offriamo forecasting operativo (domanda, scorte, manutenzione, ecc.) e piattaforme dati; non vendiamo consulenza in investimenti al dettaglio.
Tecnico / sicurezza
Cloud ibrido, modelli open source vs API, gestione PII nei log: argomenti che il vostro security officer vorrà affrontare prima di firmare. Qui trovate le nostre linee generali; il dettaglio contrattuale e architetturale si definisce per progetto.
On-prem, cloud o ibrido? Azure / AWS / GCP?
Tutte le opzioni sono valutabili in base a requisiti di residenza dati, latenza e costi; integrazioni comuni su Azure e ambienti Microsoft.
Usate modelli open source o API (OpenAI, Anthropic, …)?
Entrambi, in base a vincoli di privacy, costi e qualità; possiamo combinare modelli self-hosted e API gestite.
Come gestite PII e log degli LLM?
Filtraggio input/output, mascheramento, retention limitata, accesso basato su ruoli e — dove richiesto — esclusione di contenuti sensibili dai log dei fornitori.
Non avete trovato la risposta?
Scrivete da Contatti con contesto (settore, vincolo principale, urgenza). Se la domanda ricorre, potremo aggiungerla a questa pagina per beneficio di tutti. Consultate anche Servizi, Casi studio e Chi siamo per il quadro complessivo. Per aggiornamenti periodici iscrivetevi alla newsletter tecnica.