Immagine AI

Quando pensiamo alla società FICO, spesso la prima cosa che ci viene in mente è il punteggio di credito: quel numero che determina la nostra affidabilità finanziaria. Ma dietro quell’acronimo (Fair Isaac Corporation) c’è un’azienda che ha da tempo mani e occhi puntati sul machine learning, sui modelli predittivi e ora – in modo più ambizioso – su come integrare intelligenza artificiale generativa in un settore che non può permettersi errori.

Recentemente FICO ha annunciato l’arrivo di due modelli fondativi propri: FICO Focused Language (FLM) e FICO Focused Sequence (FSM). Ma non si tratta semplicemente di lanciare un “altro modello grande di IA” sul mercato: l’elemento centrale dell’approccio di FICO è la gestione del rischio, attraverso un meccanismo chiamato Trust Score che valuta ogni output generato dal modello in termini di accuratezza, coerenza ai dati di addestramento e compliance normativa.

Il mondo finanziario è uno di quelli nei quali “l’errore non è ammesso”: una predizione sbagliata, un consiglio scorretto o un’interpretazione ambigua possono avere conseguenze enormi per le persone, per le istituzioni e per i regolatori. FICO ha scelto di non affidarsi solamente a modelli generali (quelli che ormai dominano i titoli dei giornali), ma ha costruito i propri modelli “from scratch”, utilizzando il proprio archivio di dati finanziari, algoritmi collaudati e competenza interna.

La strategia consente a FICO di mantenere pieno controllo sui dati, sulle metriche di performance e, soprattutto, sul funzionamento interno del modello. Questo livello di trasparenza e proprietà è il fondamento che permette di introdurre una misura – il Trust Score – che attribuisce a ogni output generato un voto di affidabilità.

I due modelli messi in campo da FICO hanno scopi distinti, pensati per coprire due ambiti centrali nel dominio finanziario:

  • FICO Focused Language (FLM) è pensato per il linguaggio naturale, le conversazioni, i testi. È utile quando l’IA deve “capire” dialoghi, documenti bancari, norme legali o estrarre informazioni da richieste scritte. In ambito finanziario, ciò significa che FLM può aiutare nella fase di compliance, interpretazione di regolamenti, oppure nell’assistenza ai clienti, rilevando anche segnali come difficoltà finanziarie del cliente durante la conversazione.
  • FICO Focused Sequence (FSM) opera invece sui dati transazionali: acquisti, spese, pattern di comportamento. FSM analizza la sequenza storica delle transazioni di un utente o di un’entità per identificare anomalie o cambiamenti nuovi che possono segnalare frodi o rischio elevato.

I numeri tecnici sono importanti: questi modelli sono “piccoli” rispetto agli LLM generalisti — FLM ha meno di 10 miliardi di parametri, FSM è inferiore a 1 milione — con l’intento di renderli più efficienti, controllabili e specializzati per compiti ben definiti.

L’elemento più distintivo dell’approccio di FICO è il Trust Score. Ogni volta che il modello genera una risposta, il sistema assegna un punteggio che riflette quanto l’output è connesso ai dati di training, quanto è giustificato dal contesto e quanto si discosta (o meno) da aree rischiose. Se il punteggio è alto, l’output è considerato affidabile; se è basso, può essere revisionato, scartato o suggerire un intervento umano.

Questo non è un semplice “filtro finale”, ma un meccanismo intrinseco al flusso del modello: serve da guida — un “guardrail” — per evitare che il modello generi risposte troppo libere, fantasiose o soggette a errori di allucinazione (ossia affermazioni non supportate da dati reali).

Inoltre, poiché FICO possiede i dati esatti usati per l’addestramento, il Trust Score può misurare quanto un output si discosta da quei dati di base, oltre a tener conto del “contesto” — ad esempio, se una risposta riguarda strumenti finanziari europei, il sistema valuta se il testo prodotto è coerente con il contesto normativo europeo.

Un’idea chiave dietro la scelta di FICO è che, nelle imprese, non sempre serve un modello colossale e generalista: spesso è meglio avere modelli più piccoli, specializzati e controllabili. Le grandi piattaforme AI, per quanto potenti, possono introdurre “rumore” e rischi che in ambiti sensibili non sono accettabili.

FICO ritiene che molte aziende — soprattutto nel settore regolamentato — adotteranno, nel tempo, una strategia ibrida: modelli grandi “generalisti” per alcuni compiti, affiancati da modelli “locali” piccoli e focalizzati, ciascuno con il proprio livello di monitoraggio e controllo.

Di Fantasy