Is this you? As a journalist, you can create a free Muck Rack account to customize your profile, list your contact preferences, and upload a portfolio of your best work.
Claim your profile
Articles by Paolo Ceravolo
Computer Science > Artificial Intelligence
Bias in AI systems is typically framed as a flaw to be minimized, yet it also serves as a critical indicator of underlying weaknesses in data, modeling assumptions, and system design. Existing approaches often treat bias as an isolated problem rather than as evidence that can strengthen verification and governance across the AI lifecycle.
Dal process mining agli agenti AI: come cambia la gestione dei processi aziendali
Per decenni il Process Mining è stato uno strumento di osservazione. Le aziende raccoglievano event log, ricostruivano i propri flussi operativi in modelli grafici, individuavano i colli di bottiglia e poi, manualmente, decidevano come intervenire. Un ciclo analitico, retrospettivo, per sua natura passivo. Nel 2026 questo paradigma comincia a vacillare.
Quando l’AI aiuta le aziende ad anticipare ritardi ed errori
I cookie analitici, che possono essere di prima o di terza parte, sono installati per collezionare informazioni sull’uso del sito web. In particolare, sono utili per analizzare statisticamente gli accessi o le visite al sito stesso e per consentire al titolare di migliorarne la struttura, le logiche di navigazione e i contenuti.
Non tutto va automatizzato: la strategia giusta per agenti AI e processi aziendali
Diverse analisi di settore stimano che una quota significativa dei progetti iniziali di Robotic Process Automation non raggiunga gli obiettivi attesi, con percentuali indicate tra il 30% e il 50%. Le cause sono diverse, ma una ricorre con fastidiosa regolarità: si è automatizzato il processo sbagliato, o nel modo sbagliato. Per anni abbiamo costruito automazioni aziendali partendo da una domanda apparentemente ovvia: “cosa possiamo automatizzare?”.
Process mining: cos’è e perché sta cambiando le aziende
Immaginate di poter osservare dall’alto, in tempo reale, ogni singola attività che avviene all’interno della vostra organizzazione: chi fa cosa, in quale ordine, con quali tempi e con quali eccezioni. Non come dovrebbe succedere sulla carta, ma come succede davvero, ogni giorno, tra sistemi informativi, reparti e persone.
LLM e limiti dell'AI: guida all'uso consapevole
I Large Language Models (LLM) – come ChatGPT, Claude o Gemini – sono entrati rapidamente nella vita quotidiana di tutti noi. Scrivono testi, riassumono documenti, rispondono a domande complesse, assistono nel coding e supportano attività creative. È quindi fondamentale imparare a conoscere questi strumenti con le loro caratteristiche, le loro potenzialità e i loro limiti.
come costruire un’AI locale in azienda
L’AI locale sta diventando l’alternativa più concreta al “tutto cloud” quando l’obiettivo è processare documenti in modo continuo, prevedibile e sotto controllo: con un investimento in hardware, molte aziende possono ridurre costi operativi, latenza e rischi di compliance senza rinunciare all’efficacia sui task mirati. Un’azienda media che usa GPT-4 per processare documenti può spendere oltre 100.000 dollari l’anno. Con 3.000 euro di hardware, potrebbe fare lo stesso – per sempre.
Sistemi IA ad alto rischio: come dimostrare la conformità
Con l’introduzione della legge sull’AI n. 132/2025, diventa indispensabile per le organizzazioni che operano in settori ad alto rischio, adottare approcci strutturati per dimostrare l’affidabilità dei sistemi di intelligenza artificiale, garantendo al contempo la tutela dei diritti fondamentali e la sicurezza degli utenti. L’Italia è infatti il primo Paese dell’Unione Europea a dotarsi di un quadro normativo nazionale pienamente allineato all’AI Act europeo.
Valutare l'IA: dal test set al monitoraggio continuo
Nell’apprendimento automatico tradizionale, la valutazione di un modello si basa su metriche come accuratezza, precisione (precision) e recupero (recall) che sono misure di adeguatezza tra il modello e i dati di test. Il presupposto è semplice: i dati usati nella fase di test offrono una buona rappresentazione del mondo reale. Tuttavia questa assunzione è, spesso, una semplificazione eccessiva. Il test set può non rappresentare fedelmente la realtà.
L'identità perduta nell'era dei contenuti IA
Con l’avanzare dell’Intelligenza Artificiale generativa, il confine tra ciò che è umano e ciò che è artificiale diventa sempre più sottile. Se un tempo questo tema apparteneva alla fantascienza, oggi rappresenta un nodo strutturale che investe il sistema dell’informazione, i meccanismi con cui si forma il dibattito pubblico e, in ultima analisi, le libertà e i diritti fondamentali della nostra società.
[2506.03696] Comprehensive Attribute Encoding and Dynamic LSTM HyperModels for Outcome Oriented Predictive Business Process Monitoring
[Submitted on 4 Jun 2025] Title:Comprehensive Attribute Encoding and Dynamic LSTM HyperModels for Outcome Oriented Predictive Business Process Monitoring View a PDF of the paper titled Comprehensive Attribute Encoding and Dynamic LSTM HyperModels for Outcome Oriented Predictive Business Process Monitoring, by Fang Wang and Paolo Ceravolo and Ernesto Damiani View PDF HTML (experimental) Abstract:Predictive Business Process Monitoring (PBPM) aims to forecast future outcomes of ongoing business...
Automated Trace Clustering Pipeline Synthesis in Process Mining
All articles published by MDPI are made immediately available worldwide under an open access license. No special permission is required to reuse all or part of the article published by MDPI, including figures and tables. For articles published under an open access Creative Common CC BY license, any part of the article may be reused without permission provided that the original article is clearly cited. For more information, please refer to https://www.mdpi.com/openaccess.
Examining students’ course trajectories using data mining and visualization approaches
Examining students’ course trajectories using data mining and visualization approaches Autores: Rabia Maqsood, Paolo Ceravolo, Muhammad Ahmad, Muhammad Shahzad Sarfraz Localización: International Journal of Educational Technology in Higher Education, ISSN 2365-9440, Nº.
CoSMo: a Framework to Instantiate Conditioned Process Simulation Models
arXivLabs is a framework that allows collaborators to develop and share new arXiv features directly on our website. Both individuals and organizations that work with arXivLabs have embraced and accepted our values of openness, community, excellence, and user data privacy. arXiv is committed to these values and only works with partners that adhere to them. Have an idea for a project that will add value for arXiv's community? Learn more about arXivLabs.
Using Process Mining to Reduce Fraud in Digital Onboarding
5.2. Fraud Detection In the context of fraud detection, the results obtained could be divided between the analysis of the classification models for detecting fraud in the acquired dataset and their interpretability (i.e., their capacity to provide insights into the way the algorithms identify fraud). The first type of analysis began with the application of a 10-fold cross-validation to compare the RF and XGB ability to identify fraud, this meant that the embedded dataset was split into subsets.
Show More
loading
Actions
Is this you?
As a journalist, you can create a free Muck Rack account to customize your profile, list your contact preferences, and upload a portfolio of your best work.Get in touch with Paolo
Contact Paolo, search articles and posts on X, monitor coverage, and track replies from one place.
Learn more about Muck Rack