# Tasaract — Davut Emre Taşar > Parti da una domanda e segui i collegamenti al progetto, ai riscontri e alla fonte originale. ## Il tesseratto di Emre Benvenuti. Dal tono di una frase in turco a una misura quantistica, qui ritrovo le domande a cui torno sempre. ### [La prossima mossa di un programma](https://tasaract.com/it/?scene=project%3Ameaning-native-computing#journey) Con Meaning-Native Computing mi chiedo se conoscere le regole di un programma aiuti a prevederne l’istruzione successiva. Una verifica indipendente stabilisce se quel passo può essere eseguito. [Fonte originale](https://tasaract.com/en/#meaning-native-computing) ### [Il tono di una recensione in turco](https://tasaract.com/it/?scene=repository%3Aturkish-binary-reviews#journey) · 2021 Ho addestrato un modello BERT a distinguere le recensioni positive da quelle negative in turco. Nel 2022 ne ho pubblicato un altro capace di riconoscere anche le recensioni neutre. [Fonte originale](https://github.com/detasar/BERT-TR-Finetuned4-Pos-Neg-Reviews) ### [Ascoltare il turco](https://tasaract.com/it/?scene=work%3Aturkish-asr#journey) · 2024 Con le registrazioni di Common Voice abbiamo insegnato a trascrivere il turco a un modello vocale già addestrato su 53 lingue. Sulle registrazioni riservate al test il tasso di errore per parola è stato del 23%. [Fonte originale](https://dergipark.org.tr/en/pub/acin/article/1338604) ### [Quanto spazio serve a una previsione?](https://tasaract.com/it/?scene=repository%3Aregression-atlas#journey) · 2026 Con un intervallo molto ampio è facile includere il valore reale. Su 67 insiemi di dati ho confrontato quanto spesso ci riusciva ciascun metodo e quanto doveva allargare l’intervallo. [Fonte originale](https://github.com/detasar/regression-conformal-prediction-research-atlas) ### [Quali casi richiedono un secondo esame?](https://tasaract.com/it/?scene=work%3Acoverage-deferral#journey) · 2025 Nella mia simulazione sui dati Adult, calibrare ogni gruppo separatamente ha avvicinato i rispettivi tassi di copertura. È cresciuta però la differenza tra i gruppi nella frequenza dei casi affidati alla revisione umana. [Fonte originale](https://www.preprints.org/manuscript/202512.2631) ### [Due qubit, quattro esiti](https://tasaract.com/it/?scene=work%3Aquantum-conformal#journey) · 2025 Misurare due qubit può dare quattro esiti diversi. Ho usato esempi precedenti per stimare insieme l’incertezza delle quattro probabilità, poi ho verificato le stime su dati nuovi. [Fonte originale](https://journals.gen.tr/index.php/jqtair/article/view/2702) ### [Gruppi di clienti fra segnali e rumore](https://tasaract.com/it/?scene=patent%3A2026-004441#journey) · 2026 Quanto sono stabili i gruppi che troviamo nei dati finanziari? Nella domanda TR 2026/004441 proponiamo di formarli con il clustering quantistico e di quantificare l’incertezza con la predizione conformale. [Fonte originale](https://www.turkpatent.gov.tr/arastirma-yap?form=patent) ### [Un varco largo un dito](https://tasaract.com/it/?scene=patent%3A2023-011901#journey) · 2023 La nostra domanda turca descrive un microrobot snodato che potrebbe infilarsi tra le macerie con una telecamera e un cavo di collegamento. La domanda internazionale per la stessa invenzione è stata pubblicata nel 2025. [Fonte originale](https://patents.google.com/patent/TR2023011901A2/en) ### [Quando l’agente dice «fatto»](https://tasaract.com/it/?scene=work%3Aagent-chronicle#journey) · 2026 Ho creato Agent Chronicle per poter ricostruire una sessione di programmazione. Da una decisione posso risalire ai file modificati e aprire i controlli che documentano il risultato. [Fonte originale](https://github.com/detasar/agent-chronicle-community) ### [Un modello può ripararne un altro?](https://tasaract.com/it/?scene=work%3Aweight-editing#journey) · 2026 Quando ho affidato un classificatore danneggiato a modelli linguistici, in una prova l’accuratezza bilanciata è salita di poco e quella complessiva è scesa. Con SmolLM2 integro, la ricerca ha selezionato i pesi originali. [Fonte originale](https://github.com/detasar/llm-weight-editing-study) ## Da dove cominciare - [Un computer può prevedere meglio quali istruzioni verranno eseguite se conosce le regole del programma?](https://tasaract.com/it/#meaning-native-computing) — Meaning-Native Computing - [A chi tocca aspettare un secondo esame?](https://tasaract.com/it/work/coverage-deferral/) — Copertura e riesame umano (Prestampa) - [Cosa si può inferire da un numero finito di misure?](https://tasaract.com/it/work/quantum-conformal/) — Predizione conforme per misure quantistiche (Articolo su rivista) - [Un agente di programmazione dice di aver finito. Che cosa è cambiato?](https://tasaract.com/it/work/agent-chronicle/) — Agent Chronicle (Repository) ## In questa edizione - [Guida testuale](https://tasaract.com/it/guide/) - [Grafo della conoscenza](https://tasaract.com/it/graph/) - [Profilo](https://tasaract.com/it/profile/) ## Chi sono Lavoro come data scientist nel team AI Innovation, che fa parte dell’area AI Transformation di BBVA. Per il mio dottorato all’Università di Navarra studio come misurare e ridurre l’incertezza dei modelli di IA per rendere più eque le decisioni in ambito bancario. Sono di İzmir, sulla costa egea della Turchia. Facevo l’ingegnere civile finché, come in Skyrim, non mi sono preso una freccia nel ginocchio. Ho scambiato il casco da cantiere con il camice da laboratorio. Oggi lavoro come data scientist nel team AI Innovation di BBVA a Madrid. Nel mio dottorato all’Università di Navarra studio come misurare e ridurre l’incertezza dei modelli di IA per rendere più eque le decisioni delle banche. Lo Strategic Management Executive Programme di Oxford mi ha fatto guardare alla questione anche dalla parte di chi deve decidere nell’incertezza. Mi piace scoprire legami inattesi. Matematica astratta, fisica quantistica e filosofia, per esempio, si incontrano in una domanda che mi affascina. Dopo una misura, che cosa possiamo dire di sapere davvero? Mentre imparo lo spagnolo, scopro Madrid e mi avvicino alle culture della Spagna e dell’America Latina. Mi piace anche dipingere e giocare a scacchi. A casa preparo parecchio caffè. Ho una piccola darbuka, una kalimba e una Zanpakuto ispirata a Bleach, con cui pratico il kendo. Appena posso, invento qualche storia buffa per la mia bambina. [La mia macchina da espresso preferita.](https://tasaract.com/it/#espresso) [Una foto del mio intervento sulla ricerca di dottorato alle V Jornadas Científicas de DATAI, all’Università di Navarra.](https://tasaract.com/it/#scholar) Nel 2024 ho ricevuto il premio We Think Big di BBVA per il mio lavoro sui brevetti e per i miei contributi alla ricerca accademica. · [Guarda la foto del premio](https://tasaract.com/it/#we-think-big) - [GitHub](https://github.com/detasar) - [Hugging Face](https://huggingface.co/emre) - [Scholar](https://scholar.google.com/citations?user=IZZM_JAAAAAJ) - [LinkedIn](https://www.linkedin.com/in/detasar/) - [X](https://x.com/mehanixs) - [ORCID](https://orcid.org/0000-0002-7788-0478) - [Università di Navarra](https://www.unav.edu/web/instituto-de-ciencia-de-los-datos-e-inteligencia-artificial/equipo#:~:text=Enhancing%20Fairness%20in%20AI%20Systems) ## [Quattro domande dal mio taccuino](https://tasaract.com/it/#idea-notebook-title) ### Ontologie e strutture dati Che cosa cambia nel grafo quando un treno è in ritardo? La stazione è un luogo, la partenza un evento. Se uso due tipi di nodo e registro la fonte di ogni orario, posso risalire a tutte le coincidenze interessate da un solo ritardo? Immaginiamo due treni che devono partire alle nove dalla stessa stazione. In un grafo posso rappresentare la stazione una volta sola e dare un’identità distinta a ciascuna partenza. Così posso aggiornare l’orario di un treno senza cambiare quello dell’altro. Terrei sia l’orario previsto sia quello aggiornato, insieme alla fonte di ciascuno. Se una partenza slitta dalle nove alle nove e dieci, posso seguire i collegamenti di quell’evento e individuare le coincidenze da verificare. Un unico orario associato alla stazione farebbe perdere questa distinzione. [RDF 1.1 · W3C](https://www.w3.org/TR/rdf11-concepts/) ### [Meaning-Native Computing](https://tasaract.com/it/#meaning-native-computing) Un computer può prevedere meglio quali istruzioni verranno eseguite se conosce le regole del programma? Meaning-Native Computing è il mio progetto di ricerca indipendente. Vorrei confrontare due metodi di previsione sullo stesso programma, con risorse di calcolo comparabili. A uno dei due fornisco anche una descrizione esplicita delle regole che il programma deve rispettare. Questo lo aiuta ad anticipare i passi successivi? Prima che una modifica prevista abbia effetto, una verifica indipendente deve confermare che rispetti quelle regole. In questo progetto di ricerca indipendente voglio confrontare due metodi che osservano lo stesso programma in esecuzione e dispongono di risorse di calcolo simili. A uno dei due fornisco anche un’ontologia eseguibile, ossia una descrizione delle regole del programma in una forma che il computer può applicare. Conoscerle aiuta a prevedere quali istruzioni verranno eseguite dopo? Le regole potrebbero ammettere due passi successivi diversi. Un metodo potrebbe sbagliare previsione pur rispettando ogni regola. Voglio confrontare la previsione con quello che il programma fa davvero. Prima di applicare una modifica proposta, una verifica indipendente deve accertare che sia ammessa. ### Teoria delle categorie Che cosa si conserva quando compongo due trasformazioni? Un processo ricava un grafo dagli orari, un altro vi cerca un itinerario. Quando li compongo, come conservo il legame tra ogni orario e la sua stazione? Un procedimento trasforma un orario ferroviario in un grafo. Un altro trova un percorso al suo interno. Concatenare i due procedimenti è un esempio di composizione. Mi interessa capire se, sul percorso finale, posso ancora risalire alla stazione cui corrisponde ciascun orario. Supponiamo che due stazioni abbiano entrambe una partenza alle nove. Se il primo passaggio salva solo l’ora e scarta la stazione, chi cerca il percorso non può ricostruire il legame dall’ora soltanto. Anche un piccolo orario aiuta a capire quali informazioni debbano arrivare al passaggio successivo. [Seven Sketches in Compositionality](https://arxiv.org/abs/1803.05316) ### Misura quantistica E se facessi una domanda diversa allo stesso qubit? Preparo lo stato “+”. Misurando nella base X ottengo sempre +. Nella base Z, 0 e 1 sono equiprobabili. Mi affascina che la scelta della misura cambi la risposta a parità di preparazione. Immaginiamo di preparare di nuovo un qubit nello stato «più» prima di ogni misura. Nella base X, una misura ideale dà sempre «più». Con la stessa preparazione, nella base Z ottengo 0 e 1 con la stessa probabilità. Dieci misure nella base Z potrebbero dare sette volte zero e tre volte uno. La probabilità di ottenere zero è pari a un mezzo in ogni prova, ma questo non fissa il numero degli zeri in un gruppo di dieci. È una distinzione facile da perdere di vista davanti a una breve serie di risultati. [Quantum Information · IBM](https://quantum.cloud.ibm.com/learning/en/courses/basics-of-quantum-information/single-systems/quantum-information) [Specify observables in the Pauli basis · IBM Quantum Documentation](https://quantum.cloud.ibm.com/docs/en/qiskit/specify-observables-pauli) ## Atlante della ricerca ### [Incertezza](https://tasaract.com/it/#topic-uncertainty) Un modello può riconoscere i propri limiti? La predizione conforme e la calibrazione aiutano a studiare l’incertezza che separa una previsione da una decisione. - [Copertura e riesame umano](https://tasaract.com/it/work/coverage-deferral/) - [Predizione conforme per misure quantistiche](https://tasaract.com/it/work/quantum-conformal/) - [Regression Conformal Prediction Research Atlas](https://tasaract.com/it/lab/regression-atlas/) ### [Equità](https://tasaract.com/it/#topic-fairness) Chi sostiene il costo dell’incertezza? Studio come le stime dell’incertezza e il rinvio a una revisione umana incidano sui diversi gruppi coinvolti in una decisione. - [Copertura e riesame umano](https://tasaract.com/it/work/coverage-deferral/) - [Fairness Metrics](https://tasaract.com/it/lab/fairness-metrics/) ### [Sistemi ad agenti](https://tasaract.com/it/#topic-agents) Come si verifica cosa ha fatto davvero un agente? Esploro strumenti che collegano le azioni automatiche a tracce verificabili e permettono a una persona di seguirne lo svolgimento. - [Agent Chronicle](https://tasaract.com/it/work/agent-chronicle/) - [Un assistente che risponde e agisce](https://tasaract.com/it/work/chat-assistant/) - [BIRD · Text-to-SQL experiments](https://tasaract.com/it/lab/bird-sql/) ### [Ricerca quantistica](https://tasaract.com/it/#topic-quantum) Che cosa può dirci una misura? Studio la calibrazione statistica, il rilevamento delle anomalie e i limiti della valutazione nelle misure quantistiche. - [Predizione conforme per misure quantistiche](https://tasaract.com/it/work/quantum-conformal/) - [TARA · Test con ranghi adattivi](https://tasaract.com/it/work/tara/) - [Quantum Time Experiment](https://tasaract.com/it/lab/quantum-clocks/) ### [Invenzioni](https://tasaract.com/it/#topic-invention) Quanto dovrebbe essere piccolo un robot da soccorso? Le domande riguardano robotica di soccorso, interfacce conversazionali, grafi della conoscenza personali e metodi quantistici. - [Un assistente che risponde e agisce](https://tasaract.com/it/work/chat-assistant/) - [Microrobot per la ricerca e il soccorso](https://tasaract.com/it/work/micro-robot-rescue/) ### [Linguaggio](https://tasaract.com/it/#topic-language) Come fanno le macchine a capirci? Riconoscimento del parlato in turco, adattamento di modelli linguistici e contributi alla ricerca multilingue aperta. - [Un assistente che risponde e agisce](https://tasaract.com/it/work/chat-assistant/) - [Terminali di pagamento comandati in linguaggio naturale](https://tasaract.com/it/work/ai-pos/) - [Turkish Sentiment Analysis · TSAM](https://tasaract.com/it/lab/turkish-sentiment/) ## Nota di ricerca — [Copertura e riesame umano](https://tasaract.com/it/work/coverage-deferral/) A chi tocca aspettare un secondo esame? Tabella 4 · Punti percentuali. 100 semi casuali. Copertura prevista del 90%. | Dataset | Divario di copertura · Calibrazione complessiva | Divario di copertura · Per gruppi | Divario nei rinvii a revisione · Calibrazione complessiva | Divario nei rinvii a revisione · Per gruppi | | --- | ---: | ---: | ---: | ---: | | Adult | 5,0 | 1,2 | 5,1 | 12,9 | | ACS Income | 0,8 | 0,8 | 3,4 | 5,4 | | Bank Marketing | 2,0 | 1,1 | 0,0 | 3,0 | | COMPAS | 1,8 | 3,3 | 5,7 | 10,8 | | German Credit | 3,5 | 5,7 | 6,1 | 24,7 | | Taiwan Credit | 1,1 | 1,3 | 3,4 | 7,7 | [Fonte originale](https://www.preprints.org/manuscript/202512.2631#:~:text=Table%204.%20Coverage-deferral%20trade-off%20across%20datasets) ## Ricerca e pubblicazioni ### [Copertura e riesame umano](https://tasaract.com/it/work/coverage-deferral/) Titolo originale · The Coverage-Deferral Trade-Off: Fairness Implications of Conformal Prediction in Human-in-the-Loop Decision Systems 2025 · Prestampa · Autore unico · Davut Emre Taşar · Preprints.org A chi tocca aspettare un secondo esame? Lo studio confronta una soglia di calibrazione comune con soglie distinte per gruppo. I casi con entrambe le risposte nell’insieme di predizione passano a una revisione umana simulata. Nel dataset Adult la calibrazione per gruppo ha ridotto il divario di copertura da 5,0 a 1,2 punti percentuali. Il divario nei rinvii a revisione è invece salito da 5,1 a 12,9 punti. Quando un modello giudica plausibili due risposte, può affidare la decisione a una persona. A chi capita più spesso di dover aspettare quella verifica? Questo preprint confronta due metodi di calibrazione su sei insiemi di dati. Calibrare ciascun gruppo separatamente ha ridotto il divario nella frequenza con cui la risposta corretta compariva tra le opzioni del modello. È cresciuta, invece, la differenza nella quota di casi sottoposti a verifica umana. [Equità](https://tasaract.com/it/#topic-fairness) · [Incertezza](https://tasaract.com/it/#topic-uncertainty) [Fonte originale](https://www.preprints.org/manuscript/202512.2631) ### [Agent Chronicle](https://tasaract.com/it/work/agent-chronicle/) 2026 · Repository · Responsabile del progetto · Agent Chronicle Community · GitHub Un agente di programmazione dice di aver finito. Che cosa è cambiato? Questo strumento locale ricostruisce una sessione di programmazione con Codex o Claude. Permette di collegare le decisioni ai file modificati e alle verifiche che documentano il risultato. Quando si riprende una sessione di programmazione dopo una pausa, le domande sono concrete. Quali file sono cambiati? C’è una decisione in sospeso? Quali verifiche sono passate? Agent Chronicle raccoglie le attività registrate di Codex o Claude in una cronologia locale e permette di risalire da ogni risposta al singolo evento. Su richiesta, un’IA riassume gli eventi selezionati. Si può esaminare il materiale prima dell’invio e tornare dal riepilogo al registro tramite i collegamenti. [Sistemi ad agenti](https://tasaract.com/it/#topic-agents) [Fonte originale](https://github.com/detasar/agent-chronicle-community) ### [Predizione conforme per misure quantistiche](https://tasaract.com/it/work/quantum-conformal/) Titolo originale · Quantum-Enhanced Conformal Methods for Multi-Output Uncertainty: A Holistic Exploration and Experimental Analysis 2025 · Articolo su rivista · Autore unico · Davut Emre Taşar · Journal of Quantum Technologies and Informatics Research Cosa si può inferire da un numero finito di misure? Ho studiato come stimare congiuntamente le probabilità di diversi esiti di una misura. Ho valutato copertura e dimensione degli insiemi di predizione su simulazioni e misure in più basi. Misurare due qubit in una base dà quattro possibili esiti. Ripetendo la misura in tre basi diverse, le probabilità da stimare insieme diventano dodici. Lo studio combina un modello di regressione con la previsione conforme per delimitare una regione attorno all’insieme delle stime. Verifica con quale frequenza la regione contenga contemporaneamente tutte le probabilità da stimare e quanto debba essere ampia per raggiungere quel livello di copertura. [Incertezza](https://tasaract.com/it/#topic-uncertainty) · [Ricerca quantistica](https://tasaract.com/it/#topic-quantum) [Fonte originale](https://journals.gen.tr/index.php/jqtair/article/view/2702) ### [TARA · Test con ranghi adattivi](https://tasaract.com/it/work/tara/) Titolo originale · TARA Test-by-Adaptive-Ranks for Quantum Anomaly Detection with Conformal Prediction Guarantees 2025 · Prestampa · Primo autore · Davut Emre Taşar, Ceren Öcal Taşar · arXiv Quando comincia a risultare anomala una sequenza di misure? Con Ceren Öcal Taşar ho studiato come rilevare variazioni nelle correlazioni quantistiche man mano che arrivano le misure. La prestampa riporta esperimenti su IBM Torino e IonQ Forte Enterprise. Quando una sequenza di misure quantistiche dà ragioni sufficienti per mettere in dubbio una spiegazione classica? Un test di TARA confronta le letture con un riferimento ricavato da un modello classico. Un altro accumula evidenza a ogni nuova lettura e, sotto le ipotesi del lavoro, controlla il rischio di falsi allarmi anche esaminando ripetutamente i dati. Il preprint riporta prove su due processori quantistici diversi, IBM Torino e IonQ Forte Enterprise. [Ricerca quantistica](https://tasaract.com/it/#topic-quantum) · [Incertezza](https://tasaract.com/it/#topic-uncertainty) [Fonte originale](https://arxiv.org/abs/2512.04016) ### [Un assistente che risponde e agisce](https://tasaract.com/it/work/chat-assistant/) Titolo originale · A chat assistant system 2025 · Domanda di brevetto (PCT) · Coinventore · WIPO · PCT Quando dovrebbe una conversazione tradursi in un’azione? La domanda propone un assistente capace di cercare informazioni per rispondere a una domanda e di eseguire un’operazione su richiesta, nella stessa conversazione. La domanda internazionale è stata pubblicata il 3 aprile 2025. A una domanda a voce o per iscritto, l’assistente proposto risponde in chat dopo aver cercato in fonti esterne e valutato la pertinenza dei risultati. Può anche eseguire un comando. La domanda descrive la conservazione delle ricerche e delle analisi per un uso successivo e la consultazione periodica di fonti come i notiziari e i flussi di dati finanziari. [Invenzioni](https://tasaract.com/it/#topic-invention) · [Sistemi ad agenti](https://tasaract.com/it/#topic-agents) · [Linguaggio](https://tasaract.com/it/#topic-language) [Fonte originale](https://patents.google.com/patent/WO2025071524A1/en) ### [Microrobot per la ricerca e il soccorso](https://tasaract.com/it/work/micro-robot-rescue/) Titolo originale · A system for providing search and rescue operation via a micro-robot 2025 · Domanda di brevetto (PCT) · Coinventore · WIPO · PCT Cosa potrebbe raggiungere una persona passando da uno spazio largo un dito? La domanda descrive un robot articolato grande come un dito per esplorare gli spazi fra le macerie con telecamera e sensori. Un cavo permetterebbe di comunicare e portare assistenza. In un edificio crollato o in una miniera, una fessura può essere l’unica via per raggiungere una persona. La domanda descrive un piccolo robot articolato che si orienta con una telecamera e dei sensori. Se localizza un superstite, un cavo stabilisce un collegamento e porta le condotte di rifornimento. I soccorritori possono usare i dati per decidere dove scavare e quali necessità affrontare per prime. [Invenzioni](https://tasaract.com/it/#topic-invention) · [Sistemi ad agenti](https://tasaract.com/it/#topic-agents) [Fonte originale](https://patents.google.com/patent/WO2025071525A1/en) ### [Terminali di pagamento comandati in linguaggio naturale](https://tasaract.com/it/work/ai-pos/) Titolo originale · An artificial intelligence-aided point of sale device management system 2024 · Domanda di brevetto (PCT) · Coinventore · WIPO · PCT Un esercente potrebbe controllare il terminale di pagamento con la voce? La domanda descrive la gestione a distanza di un terminale di pagamento tramite istruzioni vocali o scritte. Prevede anche risultati in formato QR e l’analisi delle transazioni per individuare indizi di frode. Un commerciante potrebbe gestire a distanza il terminale del punto vendita con richieste a voce o scritte nel linguaggio di tutti i giorni. Per ogni operazione il sistema proposto può generare un codice QR che ne rappresenta i dati. Usa inoltre cronologia degli acquisti e preferenze per suggerire offerte e può inviare un avviso al terminale se rileva una possibile frode. [Invenzioni](https://tasaract.com/it/#topic-invention) · [Linguaggio](https://tasaract.com/it/#topic-language) [Fonte originale](https://patents.google.com/patent/WO2024220062A1/en) ### [Gesti al posto di tastiera e mouse](https://tasaract.com/it/work/virtual-input/) Titolo originale · A system for using a virtual keyboard and a mouse 2025 · Domanda di brevetto (PCT) · Coinventore · WIPO · PCT Dov’è la tastiera quando lo schermo è virtuale? La proposta usa una telecamera per interpretare i movimenti delle mani come comandi di tastiera e mouse nella realtà virtuale e aumentata. Il deposito turco e la pubblicazione internazionale riguardano la stessa invenzione. Come si scrive o si indica un oggetto senza tastiera né mouse davanti a sé? Il sistema descritto riconosce i movimenti delle mani nelle immagini di una telecamera e li traduce in comandi da tastiera e mouse nella realtà virtuale o aumentata. Chi lo usa può regolare la disposizione virtuale e il riconoscimento dei gesti in base ai propri movimenti. [Invenzioni](https://tasaract.com/it/#topic-invention) [Fonte originale](https://patents.google.com/patent/WO2025063923A1/en) ### [Suggerimenti personalizzati sul lavoro](https://tasaract.com/it/work/personalized-suggestions/) Titolo originale · A system for increasing employee productivity by providing personalized suggestions 2025 · Domanda di brevetto (PCT) · Coinventore · WIPO · PCT Come può un assistente adattare un suggerimento alla giornata lavorativa? La domanda descrive un assistente che userebbe informazioni quotidiane sull’umore e sulla salute di chi lavora per formulare suggerimenti durante la giornata. Una passeggiata nel tardo pomeriggio può arrivare al momento giusto, anche se un’ora prima non avrebbe avuto senso. L’app proposta per il lavoro mette insieme l’umore dichiarato dalla persona, i dati dello smartwatch e l’ora del giorno. Suggerisce una pausa, una camminata o della musica e ricalibra il consiglio successivo in base alla risposta e alle nuove misurazioni. [Invenzioni](https://tasaract.com/it/#topic-invention) [Fonte originale](https://patents.google.com/patent/WO2025063924A1/en) ### [I limiti della certificazione quantistica](https://tasaract.com/it/work/adversarial-quantum/) Titolo originale · Adversarial Limits of Quantum Certification: When Eve Defeats Detection 2025 · Prestampa · Autore unico · Davut Emre Taşar · arXiv Un buon risultato regge se cambiano le condizioni del test? Ho studiato come la scelta dei dati di calibrazione e valutazione influenzi i test sulle correlazioni quantistiche. La prestampa mette a confronto simulazioni e misure di IBM Quantum. Un punteggio alto in un test di certificazione quantistica dipende in parte dagli esempi scelti come riferimento. Questo preprint confronta le correlazioni osservate in misure quantistiche con quelle generate da un modello classico. Cambiando i dati di riferimento per la calibrazione, cambiavano le prestazioni misurate dei rilevatori. In una delle condizioni sperimentali nessuno dei metodi esaminati distingueva le due fonti meglio di una scelta casuale. [Ricerca quantistica](https://tasaract.com/it/#topic-quantum) · [Incertezza](https://tasaract.com/it/#topic-uncertainty) [Fonte originale](https://arxiv.org/abs/2512.04391) ### [Riconoscimento del parlato in turco](https://tasaract.com/it/work/turkish-asr/) Titolo originale · Transformer-Based Turkish Automatic Speech Recognition 2024 · Articolo su rivista · Primo autore · Davut Emre Taşar, Kutan Koruyan, Cihan Çılgın · Acta Infologica Cosa può trasferire un modello del parlato quando impara il turco? Con Kutan Koruyan e Cihan Çılgın ho adattato Wav2Vec 2.0 alle registrazioni turche di Mozilla Common Voice. Sulla porzione di test del corpus il tasso di errore per parola è stato del 23%. Il sistema trascrive il parlato turco a partire da una registrazione. Lo studio parte da XLSR-Wav2Vec 2.0, preaddestrato sul parlato di 53 lingue, e lo affina con registrazioni e trascrizioni turche di Mozilla Common Voice. Nella parte del corpus riservata al test, il tasso di errore sulle parole è stato del 23 %. La misura conta parole inserite, omesse o sostituite rispetto alla trascrizione di riferimento. [Linguaggio](https://tasaract.com/it/#topic-language) [Fonte originale](https://dergipark.org.tr/en/pub/acin/article/1338604) ### [Qwen-0.5B addestrato con GRPO](https://tasaract.com/it/work/qwen-grpo/) Titolo originale · Qwen-0.5B-GRPO: A Fine-Tuned Math Reasoner 2025 · Modello · Sviluppatore · Davut Emre Taşar · Hugging Face Models Un piccolo modello può dare una risposta matematica ben strutturata? Ho adattato Qwen2.5-0.5B-Instruct ai problemi matematici di GSM8K. L’addestramento premia separatamente il risultato numerico corretto e il rispetto della struttura richiesta. I pesi sono pubblici. Un modello piccolo può imparare sia a risolvere un problema di matematica sia a presentare la risposta? Questo Qwen da mezzo miliardo di parametri ha svolto un solo passaggio sui problemi di GSM8K. Scrive la soluzione e riserva una sezione al risultato finale. Durante l’addestramento con GRPO, ricompense specifiche controllavano separatamente il valore numerico e il formato. Una soluzione ben impaginata può comunque contenere un errore di calcolo. [Linguaggio](https://tasaract.com/it/#topic-language) [Fonte originale](https://huggingface.co/emre/Qwen-0.5B-GRPO) ### [TARA · Ragionamento in turco](https://tasaract.com/it/work/turkish-reasoning-benchmark/) Titolo originale · TARA: Turkish Advanced Reasoning Assessment Dataset 2025 · Dataset · Co-curatore del dataset · Davut Emre Taşar, Ceren Öcal Taşar · Hugging Face Datasets Come si valuta il ragionamento di un modello linguistico in turco? Con Ceren Öcal Taşar ho raccolto cento esempi sintetici in dieci categorie, fra cui logica, pianificazione, Python e SQL. Sono consultabili i quesiti, le risposte attese e i limiti del campione. TARA v1 contiene 100 coppie sintetiche di domande e risposte in turco, una per ogni combinazione di dieci ambiti e dieci livelli di difficoltà. Per ogni problema il modello riceve una domanda e un testo di supporto. Una risposta di riferimento e criteri di valutazione espliciti chiariscono cosa conta come successo, dallo scrivere una query SQL per un dato schema al creare un racconto rispettando vincoli precisi. [Linguaggio](https://tasaract.com/it/#topic-language) [Fonte originale](https://huggingface.co/datasets/emre/TARA_Turkish_LLM_Benchmark) ### [Un unico modello linguistico per più chatbot](https://tasaract.com/it/work/multilingual-chatbots/) Titolo originale · Performance Trade-Off for Bert Based Multi-Domain Multilingual Chatbot Architectures 2021 · Articolo su rivista · Primo autore · Davut Emre Taşar, Şükrü Ozan, Seçilay Kutal, Oğuzhan Ölmez, Semih Gülüm, Fatih Akca, Ceren Belhan · Journal of Artificial Intelligence and Data Science Servono tredici modelli per tredici compiti conversazionali? Abbiamo studiato un BERT multilingue condiviso su tredici compiti e 333 classi in turco, inglese e tedesco. Nel confronto fra cinque modelli la memoria richiesta è scesa da 10 a 2 GB, con una lieve perdita di accuratezza. Quando un visitatore fa una domanda, un classificatore sceglie una risposta dall’archivio del sito. Lo studio verifica se più siti possano condividere un unico classificatore BERT multilingue lasciando a ogni chatbot il proprio repertorio di risposte. Il confronto copre 13 compiti di classificazione e 333 categorie in turco, inglese e tedesco. Misura la precisione nella scelta delle risposte, la memoria del server e lo spazio di archiviazione rispetto a un modello addestrato separatamente per ogni bot. [Linguaggio](https://tasaract.com/it/#topic-language) [Fonte originale](https://dergipark.org.tr/en/pub/jaida/article/1060221) ### [Etichette incoerenti nei testi pubblicitari](https://tasaract.com/it/work/ad-text-classification/) Titolo originale · BERT Modeli’nin Sınıflandırma Doğruluğunun Sıfır-Atış Öğrenmesi ile Artırılması 2021 · Articolo su rivista · Coautore · Şükrü Ozan, Umut Özdil, Davut Emre Taşar, Büşra Arslan, Gökçe Polat · Türkiye Bilişim Vakfı Bilgisayar Bilimleri ve Mühendisliği Dergisi E se l’errore fosse nell’etichetta dell’annuncio? Abbiamo esaminato circa 101.000 annunci di 44 settori. Un modello zero-shot ci ha aiutato a verificare le etichette dubbie prima di addestrare nuovamente BERT. Il settore assegnato a un annuncio online non sempre coincide con ciò che dice il testo. Il gruppo di ricerca ha addestrato BERT a identificare il settore usando circa 101.000 annunci etichettati in 44 settori. Per le categorie più difficili, un modello zero-shot ha fornito un secondo parere sulla corrispondenza tra testo ed etichetta. Dopo aver escluso gli esempi incoerenti e riaddestrato BERT, l’accuratezza di classificazione nell’esperimento è migliorata. [Linguaggio](https://tasaract.com/it/#topic-language) [Fonte originale](https://dergipark.org.tr/tr/pub/tbbmd/article/1004781) ### [Modificare le reti neurali con i modelli linguistici](https://tasaract.com/it/work/weight-editing/) Titolo originale · Editing Neural Networks with Language Models 2026 · Repository · Autore unico · Davut Emre Taşar · GitHub Un modello può modificare i pesi di un altro? Ho testato modifiche ai pesi di un classificatore con un danno permanente sul dataset UCI Adult. La modifica proposta da Sol ha aumentato l’accuratezza bilanciata, ma l’accuratezza complessiva è diminuita e le probabilità stimate sono diventate meno affidabili. Per il modello linguistico SmolLM2 integro, in tutte le selezioni su ARC-Easy e PIQA sono stati mantenuti i pesi originali. Un modello linguistico può riparare un classificatore modificandone i pesi? Nel compito di classificazione del reddito di UCI Adult, i pesi iniziali sono stati danneggiati di proposito. Una modifica ha aumentato di 0,43 punti percentuali l’accuratezza bilanciata, che dà lo stesso peso alle due classi di reddito. Sono diminuite l’accuratezza complessiva e la qualità delle probabilità stimate. Una prova distinta è partita da SmolLM2-1.7B integro. Dopo i test con domande di scienze e di ragionamento fisico quotidiano, la ricerca ha selezionato il modello originale. [Sistemi ad agenti](https://tasaract.com/it/#topic-agents) · [Linguaggio](https://tasaract.com/it/#topic-language) [Fonte originale](https://github.com/detasar/llm-weight-editing-study) ### [BLOOM](https://tasaract.com/it/work/bloom/) Titolo originale · BLOOM: A 176B-Parameter Open-Access Multilingual Language Model 2022 · Prestampa · Coautore · BigScience Workshop · BigScience Workshop · arXiv Come è stato sviluppato apertamente un modello multilingue? Sono uno dei coautori dell’articolo di BigScience sul modello multilingue aperto BLOOM. L’articolo riporta l’elenco completo degli autori, i dati, l’architettura e l’addestramento. BLOOM prevede come potrebbe proseguire un testo. La collaborazione BigScience ha addestrato i suoi 176 miliardi di parametri su ROOTS, una raccolta di materiali in 46 lingue naturali e 13 linguaggi di programmazione. L’articolo segue lo sviluppo del modello, dalla selezione dei dati alle prove delle sue capacità multilingui. I pesi e il codice pubblicati permettono ad altri ricercatori di eseguire i test o confrontare le risposte tra lingue diverse. [Linguaggio](https://tasaract.com/it/#topic-language) [Fonte originale](https://arxiv.org/abs/2211.05100) ## Brevetti e modelli di utilità Figuro come inventore in 30 domande depositate in Turchia, di cui 28 di brevetto e due di modello di utilità. Il richiedente è Türkiye Garanti Bankası A.Ş. Alcune pubblicazioni internazionali si riferiscono alle stesse domande turche. Il totale conta le domande depositate in Turchia. Il registro ufficiale fa fede per lo stato giuridico attuale. Richiedente · TÜRKİYE GARANTİ BANKASI ANONİM ŞİRKETİ Data dell’estratto del registro · 2026-08-31 · [Registro ufficiale di TÜRKPATENT](https://www.turkpatent.gov.tr/arastirma-yap?form=patent) ### [2026/007909 · Riduzione del rumore adattata alla voce](https://tasaract.com/it/patents/2026-007909/) Domanda di brevetto · Data di deposito 2026-05-18 Il sistema isola la voce e la trascrive. Può adattare il testo al contesto o alle preferenze di chi parla, quindi rigenerare il parlato conservandone le caratteristiche vocali. Il punto di partenza è una registrazione con rumore di fondo. Il sistema isola la voce, trascrive le parole e può adattarne la formulazione all’occasione o alle preferenze di chi parla. Riproduce quindi il testo con le caratteristiche vocali della stessa persona. Data di pubblicazione · 2026-07-21 [Fonte originale](https://www.turkpatent.gov.tr/arastirma-yap?form=patent) · 2026/007909 ### [2026/007907 · IA basata sull’inferenza logica](https://tasaract.com/it/patents/2026-007907/) Domanda di brevetto · Data di deposito 2026-05-18 La proposta trasforma cronologie di transazioni, registrazioni degli utenti e collegamenti di rete in un modello logico della conoscenza, da cui trarre inferenze in finanza, sanità e logistica. Una transazione, una scheda utente e un collegamento in una rete documentano fatti diversi. La proposta esprime questi fatti e le loro relazioni in un modello logico comune per poter trarre conclusioni incrociando più registrazioni. La domanda cita la finanza, la sanità e la logistica come possibili ambiti di utilizzo. Data di pubblicazione · 2026-06-22 [Fonte originale](https://www.turkpatent.gov.tr/arastirma-yap?form=patent) · 2026/007907 ### [2026/006294 · Un’esperienza di attesa personalizzata](https://tasaract.com/it/patents/2026-006294/) Domanda di brevetto · Data di deposito 2026-04-24 Il sistema valuta lo stato emotivo di una persona in attesa e usa la valutazione per scegliere i contenuti da proporle. Due persone in attesa dello stesso servizio possono voler vedere o ascoltare cose diverse. Il sistema valuta lo stato d’animo della persona mentre aspetta e si basa su questa valutazione per scegliere i contenuti da offrirle durante l’attesa. Data di pubblicazione · 2026-05-21 [Fonte originale](https://www.turkpatent.gov.tr/arastirma-yap?form=patent) · 2026/006294 ### [2026/006289 · Pensionamento e assistenza quotidiana con un’ontologia personale](https://tasaract.com/it/patents/2026-006289/) Domanda di brevetto · Data di deposito 2026-04-24 La proposta combina un’ontologia personale con un grafo della conoscenza che evolve nel tempo per pianificare il pensionamento e anticipare esigenze quotidiane. La pianificazione della pensione e l’assistenza quotidiana possono attingere alla stessa rappresentazione della vita di una persona. Un’ontologia personale descrive i concetti importanti, mentre un grafo della conoscenza li collega. Questa rappresentazione può evolvere e aiutare sia a pianificare a lungo termine sia ad anticipare le esigenze quotidiane. Data di pubblicazione · 2026-06-22 [Fonte originale](https://www.turkpatent.gov.tr/arastirma-yap?form=patent) · 2026/006289 ### [2026/004444 · Rilevamento ambientale attento alla riservatezza](https://tasaract.com/it/patents/2026-004444/) Domanda di brevetto · Data di deposito 2026-03-26 Negli spazi in cui una telecamera sarebbe inappropriata, il sistema rileverebbe la presenza e l’attività delle persone tutelandone la riservatezza, così da regolare i consumi energetici. Anche nei luoghi in cui le telecamere sono inadeguate o soggette a restrizioni può essere necessario sapere se uno spazio è occupato. La proposta usa la presenza e l’attività delle persone per adeguare i consumi energetici, ponendo la tutela della riservatezza tra gli obiettivi espliciti del progetto. Data di pubblicazione · 2026-05-21 [Fonte originale](https://www.turkpatent.gov.tr/arastirma-yap?form=patent) · 2026/004444 ### [2026/004441 · Segmentazione finanziaria con entanglement quantistico e predizione conforme](https://tasaract.com/it/patents/2026-004441/) Domanda di brevetto · Data di deposito 2026-03-26 La proposta raggruppa clienti a partire da dati rumorosi. Combina entanglement per rappresentare schemi complessi, clustering quantistico variazionale e predizione conforme per la garanzia statistica. I gruppi di clienti possono cambiare e i dati finanziari possono contenere rumore. L’entanglement quantistico rappresenta le relazioni nei dati, il clustering quantistico variazionale forma i gruppi e la previsione conforme fornisce una misura statistica dell’incertezza di questo raggruppamento. Data di pubblicazione · 2026-04-21 [Fonte originale](https://www.turkpatent.gov.tr/arastirma-yap?form=patent) · 2026/004441 ### [2026/002909 · Un sistema di previsione](https://tasaract.com/it/patents/2026-002909/) Domanda di brevetto · Data di deposito 2026-02-26 La domanda propone di esprimere numericamente la fiducia in una previsione di IA. Gli esempi includono insolvenza di un debitore, utile o perdita di una transazione e ritardo operativo. Una previsione indica cosa potrebbe accadere. La domanda propone di accompagnarla con un numero che esprima quanta fiducia riporre nella previsione di un’IA. Il riepilogo cita tre casi: il mancato rimborso di un prestito, l’utile o la perdita di una transazione e il ritardo di un’operazione. Data di pubblicazione · 2026-03-23 [Fonte originale](https://www.turkpatent.gov.tr/arastirma-yap?form=patent) · 2026/002909 ### [2026/001992 · Identificazione e tempi di attesa in filiale con visione artificiale](https://tasaract.com/it/patents/2026-001992/) Domanda di brevetto · Data di deposito 2026-02-10 La proposta usa visione artificiale e IA per identificare la clientela, misurare la durata delle visite e stimare l’attesa. Descrive anche il monitoraggio delle uscite e la gestione della coda. Quanto è durata la visita di un cliente in filiale e quanto potrebbe aspettare chi è in coda? La proposta usa la visione artificiale per identificare i clienti, seguire visite e uscite e stimare l’attesa. Le stime possono orientare la gestione della coda. Data di pubblicazione · 2026-03-23 [Fonte originale](https://www.turkpatent.gov.tr/arastirma-yap?form=patent) · 2026/001992 ### [2025/019989 · Un sistema di ludicizzazione](https://tasaract.com/it/patents/2025-019989/) Domanda di brevetto · Data di deposito 2025-12-12 La proposta analizza l’attività bancaria per generare contenuti finanziari e scenari di gioco personalizzati. L’applicazione può raccogliere i riscontri degli utenti sugli scenari. Il gioco bancario proposto parte dall’attività finanziaria del cliente. Un modello linguistico aiuta a trasformarla in scenari di gioco e materiali di educazione finanziaria personalizzati. Il cliente può giocare nell’app della banca e dare un parere sui giochi e sui contenuti ricevuti. Data di pubblicazione · 2026-01-21 [Fonte originale](https://patents.google.com/patent/TR2025019989A2/en) · TR2025019989A2 ### [2025/011133 · Arricchimento dei contenuti acquisiti mediante apprendimento federato](https://tasaract.com/it/patents/2025-011133/) Domanda di brevetto · Data di deposito 2025-08-08 La domanda descrive la personalizzazione di ricordi audiovisivi acquisiti sul dispositivo dell’utente. L’apprendimento federato è parte del progetto proposto. La registrazione di un ricordo personale può comprendere immagini e suoni. La domanda propone di partire dal materiale catturato con il dispositivo della persona per crearne una versione su misura. Indica l’apprendimento federato come approccio a sostegno di questa personalizzazione. Data di pubblicazione · 2025-09-22 [Fonte originale](https://patents.google.com/patent/TR2025011133A2/en) · TR2025011133A2 ### [2025/008786 · Generazione di varianti multimodali mediante grafi](https://tasaract.com/it/patents/2025-008786/) Domanda di brevetto · Data di deposito 2025-06-30 Il sistema estrae caratteristiche da suoni, video o immagini e costruisce un grafo estensibile di varianti. I rami possono rappresentare passati, futuri o versioni parallele del contenuto. Cos’altro sarebbe potuto succedere in una scena? Il sistema estrae caratteristiche da suoni, video o immagini fisse e costruisce un grafo di possibilità. I rami rappresentano passati alternativi, futuri possibili o versioni parallele, e se ne possono aggiungere altri. Data di pubblicazione · 2025-08-21 [Fonte originale](https://patents.google.com/patent/TR2025008786A2/en) · TR2025008786A2 ### [2025/008273 · Cabina personale per operazioni riservate](https://tasaract.com/it/patents/2025-008273/) Domanda di brevetto · Data di deposito 2025-06-20 Una cabina modulare offrirebbe uno spazio riservato in cui svolgere operazioni delicate con diversi fornitori di servizi. Una sola cabina privata potrebbe servire chi ha bisogno di rivolgersi a più fornitori. Il progetto riserva uno spazio fisico alle conversazioni e alle operazioni delicate. La struttura modulare consente di prevedere servizi diversi all’interno della stessa cabina. Data di pubblicazione · 2025-09-22 [Fonte originale](https://patents.google.com/patent/TR2025008273A2/en) · TR2025008273A2 ### [2025/008055 · Sicurezza alla guida](https://tasaract.com/it/patents/2025-008055/) Domanda di brevetto · Data di deposito 2025-06-18 La proposta usa sensori e IA per rilevare e valutare una collisione mentre si verifica. Può avvisare i servizi competenti e suggerire trasporto o alloggio alle persone coinvolte. La proposta segue una collisione dal momento dell’impatto alle sue conseguenze pratiche. Sensori e IA valutano l’incidente mentre avviene, così da poter avvisare i servizi competenti. Il sistema considera anche i bisogni successivi delle persone coinvolte, come un mezzo di trasporto o un alloggio. Data di pubblicazione · 2025-08-21 [Fonte originale](https://www.turkpatent.gov.tr/arastirma-yap?form=patent) · 2025/008055 ### [2025/008032 · Decisioni collettive con intelligenza di sciame umana e artificiale](https://tasaract.com/it/patents/2025-008032/) Domanda di brevetto · Data di deposito 2025-06-17 La domanda combina contributi umani e di IA nello stesso processo decisionale, valutandone l’affidabilità su più livelli. Il sistema è progettato per adattarsi nel tempo. Persone e agenti di IA contribuiscono alla stessa decisione. Il sistema proposto valuta l’affidabilità dei loro contributi a più livelli prima di riunirli. Il processo è concepito per adattarsi man mano che il gruppo prende altre decisioni. Data di pubblicazione · 2025-07-21 [Fonte originale](https://www.turkpatent.gov.tr/arastirma-yap?form=patent) · 2025/008032 ### [2025/008028 · Coordinamento di un ecosistema di dispositivi](https://tasaract.com/it/patents/2025-008028/) Domanda di brevetto · Data di deposito 2025-06-17 La proposta usa l’IA per coordinare applicazioni e dispositivi. L’esperienza dovrebbe evolvere nel tempo in funzione delle interazioni della persona. Una persona può servirsi di più dispositivi e applicazioni per una stessa attività. La proposta usa l’IA per coordinarli. Il modo in cui la persona interagisce con questo insieme nel tempo orienta l’adattamento dell’esperienza alle sue abitudini. Data di pubblicazione · 2025-07-21 [Fonte originale](https://www.turkpatent.gov.tr/arastirma-yap?form=patent) · 2025/008028 ### [2025/007997 · Valutazione immobiliare, analisi e pianificazione strategica](https://tasaract.com/it/patents/2025-007997/) Domanda di brevetto · Data di deposito 2025-06-17 La domanda combina fonti di dati diverse per stimare il valore degli immobili. Un’ontologia dinamica, l’analisi di rete e l’IA generativa spiegabile collegano stima e pianificazione. La valutazione di un immobile attinge a più fonti. La proposta organizza le informazioni in un’ontologia che si evolve e ne esamina le relazioni mediante l’analisi delle reti. L’IA generativa spiegabile collega la valutazione e le sue motivazioni alla pianificazione strategica. Data di pubblicazione · 2025-07-21 [Fonte originale](https://www.turkpatent.gov.tr/arastirma-yap?form=patent) · 2025/007997 ### [2025/007995 · Ambiente di sviluppo con architettura ad agenti e formato dati](https://tasaract.com/it/patents/2025-007995/) Domanda di brevetto · Data di deposito 2025-06-17 La proposta definisce un’architettura e un formato dati per realizzare assistenti di IA. Gli agenti potrebbero spostarsi fra piattaforme e adattarsi mantenendo la personalizzazione. Se un assistente passa a un’altra piattaforma, che cosa resta del modo in cui si è adattato al suo utente? La domanda affianca all’architettura degli agenti un formato dati che consenta all’assistente di migrare, conservare la personalizzazione e continuare ad adattarsi. Data di pubblicazione · 2025-08-21 [Fonte originale](https://www.turkpatent.gov.tr/arastirma-yap?form=patent) · 2025/007995 ### [2024/003815 · Comunicazione con la clientela nel settore finanziario](https://tasaract.com/it/patents/2024-003815/) Domanda di brevetto · Data di deposito 2024-03-27 La proposta combina banca mobile, realtà aumentata e filiali virtuali affinché i clienti possano discutere fra loro di investimenti o altri temi finanziari e interagire con modelli di IA. Chi sta valutando l’acquisto di azioni potrebbe entrare in una filiale virtuale dall’app bancaria e parlarne con altri clienti o con un modello di intelligenza artificiale. La proposta collega queste conversazioni tra dispositivi mobili, realtà aumentata e ambienti virtuali. Descrive anche come analizzare voce, immagini e testi per verificare il rispetto delle norme finanziarie del paese del cliente. Data di pubblicazione · 2024-04-22 [PCT · WO2025207066A1](https://patents.google.com/patent/WO2025207066A1/en) [Fonte originale](https://patents.google.com/patent/TR2024003815A2/en) · TR2024003815A2 ### [2024/003813 · Creazione di canali di investimento](https://tasaract.com/it/patents/2024-003813/) Domanda di brevetto · Data di deposito 2024-03-27 La domanda descrive canali di investimento curati da esperti o altre figure pubbliche. Avatar di IA basati su profili specifici fornirebbero orientamento finanziario agli utenti. La proposta permette a esperti o personaggi pubblici di creare canali dedicati agli investimenti. Ogni canale può offrire indicazioni tramite un avatar di IA associato a un determinato profilo. Scegliere il canale determina quindi il profilo a cui si ispirano le indicazioni ricevute. Data di pubblicazione · 2024-04-22 [Fonte originale](https://www.turkpatent.gov.tr/arastirma-yap?form=patent) · 2024/003813 ### [2024/003592 · Assistenza reciproca nelle operazioni bancarie con consenso di entrambe le parti](https://tasaract.com/it/patents/2024-003592/) Domanda di brevetto · Data di deposito 2024-03-25 La proposta permette a un cliente di completare un’operazione con una persona di fiducia. Per partecipare occorre l’approvazione reciproca. Chi ha bisogno di aiuto per un’operazione bancaria può definirne prima i confini. L’app proposta suggerisce persone conosciute a partire dalle relazioni fra i clienti. I partecipanti dichiarano per quali operazioni sono disposti ad aiutarsi. Quando arriva una richiesta per una singola operazione, l’altra persona riceve una notifica. L’operazione viene eseguita dopo l’approvazione di entrambi. Data di pubblicazione · 2024-05-21 [PCT · WO2025207061A1](https://patents.google.com/patent/WO2025207061A1/en) [Fonte originale](https://patents.google.com/patent/TR2024003592A2/en) · TR2024003592A2 ### [2023/011901 · Ricerca e soccorso mediante microrobot](https://tasaract.com/it/patents/2023-011901/) Domanda di brevetto · Data di deposito 2023-09-25 I microrobot esplorerebbero gli spazi angusti di edifici o miniere crollati per individuare persone intrappolate. La proposta descrive anche una linea di assistenza verso l’esterno. In un edificio crollato o in una miniera, una fessura può essere l’unica via per raggiungere una persona. La domanda descrive un piccolo robot articolato che si orienta con una telecamera e dei sensori. Se localizza un superstite, un cavo stabilisce un collegamento e porta le condotte di rifornimento. I soccorritori possono usare i dati per decidere dove scavare e quali necessità affrontare per prime. Data di pubblicazione · 2023-12-21 [Pubblicazione della decisione definitiva di concessione del brevetto turco](https://www.turkpatent.gov.tr/arastirma-yap?form=patent) · 2026-02-23 [PCT · WO2025071525A1](https://patents.google.com/patent/WO2025071525A1/en) [Fonte originale](https://patents.google.com/patent/TR2023011901A2/en) · TR2023011901A2 ### [2023/011870 · Un assistente conversazionale](https://tasaract.com/it/patents/2023-011870/) Domanda di brevetto · Data di deposito 2023-09-25 L’assistente cercherebbe informazioni online in risposta a una domanda. Nella stessa conversazione potrebbe anche eseguire un’operazione su istruzione dell’utente. A una domanda a voce o per iscritto, l’assistente proposto risponde in chat dopo aver cercato in fonti esterne e valutato la pertinenza dei risultati. Può anche eseguire un comando. La domanda descrive la conservazione delle ricerche e delle analisi per un uso successivo e la consultazione periodica di fonti come i notiziari e i flussi di dati finanziari. Data di pubblicazione · 2023-12-21 [PCT · WO2025071524A1](https://patents.google.com/patent/WO2025071524A1/en) [Fonte originale](https://patents.google.com/patent/TR2023011870A2/en) · TR2023011870A2 ### [2023/011830 · Suggerimenti personalizzati per la giornata lavorativa](https://tasaract.com/it/patents/2023-011830/) Domanda di brevetto · Data di deposito 2023-09-22 La proposta usa informazioni quotidiane sulla salute e sull’umore della persona per formulare suggerimenti adatti alla sua giornata lavorativa. Una passeggiata nel tardo pomeriggio può arrivare al momento giusto, anche se un’ora prima non avrebbe avuto senso. L’app proposta per il lavoro mette insieme l’umore dichiarato dalla persona, i dati dello smartwatch e l’ora del giorno. Suggerisce una pausa, una camminata o della musica e ricalibra il consiglio successivo in base alla risposta e alle nuove misurazioni. Data di pubblicazione · 2024-08-21 [PCT · WO2025063924A1](https://patents.google.com/patent/WO2025063924A1/en) [Fonte originale](https://patents.google.com/patent/TR2023011830A2/en) · TR2023011830A2 ### [2023/011601 · Tastiera e mouse virtuali](https://tasaract.com/it/patents/2023-011601/) Domanda di brevetto · Data di deposito 2023-09-18 Il sistema rileva i movimenti delle mani e li interpreta come comandi di tastiera o mouse in ambienti di realtà virtuale e aumentata. Come si scrive o si indica un oggetto senza tastiera né mouse davanti a sé? Il sistema descritto riconosce i movimenti delle mani nelle immagini di una telecamera e li traduce in comandi da tastiera e mouse nella realtà virtuale o aumentata. Chi lo usa può regolare la disposizione virtuale e il riconoscimento dei gesti in base ai propri movimenti. Data di pubblicazione · 2023-12-21 [PCT · WO2025063923A1](https://patents.google.com/patent/WO2025063923A1/en) [Fonte originale](https://patents.google.com/patent/TR2023011601A2/en) · TR2023011601A2 ### [2023/011600 · Sicurezza al termine di un’operazione al bancomat](https://tasaract.com/it/patents/2023-011600/) Domanda di modello di utilità · Data di deposito 2023-09-18 La proposta rileva carte, banconote o ricevute dimenticate dopo un’operazione. L’app bancaria può avvisare il cliente quando si è allontanato. Un prelievo può risultare concluso nei sistemi della banca mentre le banconote sono ancora nella bocchetta. Questa domanda di modello di utilità descrive l’uso delle immagini della telecamera del bancomat per rilevare se qualcuno si allontana lasciando la carta, il denaro o la ricevuta. Il sistema può avvisare la filiale più vicina e contattare il cliente tramite l’app della banca o una chiamata automatica. Data di pubblicazione · 2024-01-22 [PCT · WO2025063922A1](https://patents.google.com/patent/WO2025063922A1/en) [Fonte originale](https://patents.google.com/patent/TR2023011600A2/en) · TR2023011600A2 ### [2023/011599 · Semplificare l’uso del bancomat](https://tasaract.com/it/patents/2023-011599/) Domanda di brevetto · Data di deposito 2023-09-18 Un telefono o tablet leggerebbe un codice sul bancomat e ne mostrerebbe i comandi in realtà aumentata. Il dispositivo fisico gestirebbe contanti e stampa delle ricevute. Qui il telefono diventa l’interfaccia del bancomat. Scansionando il codice di uno specifico sportello, il cliente apre sul proprio dispositivo un’interfaccia in realtà aumentata. La macchina continua a occuparsi dei passaggi fisici, come ricevere depositi, erogare contante e stampare ricevute. La proposta descrive anche la chiusura della sessione quando la telecamera rileva che la persona si è allontanata. Data di pubblicazione · 2024-01-22 [PCT · WO2025063920A1](https://patents.google.com/patent/WO2025063920A1/en) [Fonte originale](https://patents.google.com/patent/TR2023011599A2/en) · TR2023011599A2 ### [2023/004244 · Gestione dei terminali di pagamento con IA](https://tasaract.com/it/patents/2023-004244/) Domanda di brevetto · Data di deposito 2023-04-17 L’esercente potrebbe comandare il terminale a distanza con istruzioni vocali o scritte. La proposta include risultati in formato QR e analisi delle transazioni per rilevare possibili frodi. Un commerciante potrebbe gestire a distanza il terminale del punto vendita con richieste a voce o scritte nel linguaggio di tutti i giorni. Per ogni operazione il sistema proposto può generare un codice QR che ne rappresenta i dati. Usa inoltre cronologia degli acquisti e preferenze per suggerire offerte e può inviare un avviso al terminale se rileva una possibile frode. Data di pubblicazione · 2023-09-21 [PCT · WO2024220062A1](https://patents.google.com/patent/WO2024220062A1/en) [Fonte originale](https://patents.google.com/patent/TR2023004244A2/en) · TR2023004244A2 ### [2023/004047 · Un sistema di acquisto sicuro](https://tasaract.com/it/patents/2023-004047/) Domanda di brevetto · Data di deposito 2023-04-12 In un acquisto a credito o con lettera di credito le parti potrebbero creare un contratto o aderirvi. Le fasi e i documenti sono registrati su blockchain e l’IA suggerisce abbinamenti fra le parti. In uno scambio finanziato con credito o lettera di credito, le parti possono concordare cosa debba avvenire a ogni fase e come verificarlo. La proposta registra su una blockchain le condizioni, le tappe e i certificati di verifica. Un supervisore può partecipare ai controlli e, una volta verificati i criteri di una fase, il sistema può trasferire il relativo pagamento digitale. Data di pubblicazione · 2023-09-21 [PCT · WO2024215289A1](https://patents.google.com/patent/WO2024215289A1/en) [Fonte originale](https://patents.google.com/patent/TR2023004047A2/en) · TR2023004047A2 ### [2022/016679 · Un sistema di raccomandazione](https://tasaract.com/it/patents/2022-016679/) Domanda di modello di utilità · Data di deposito 2022-11-03 La proposta genera suggerimenti di prodotti da testi, immagini, audio o movimenti in una conversazione o in un ambiente virtuale. Conserva contributi e suggerimenti precedenti per dare continuità allo scambio. Un esempio della domanda di modello di utilità parte dalla foto di un’auto e da una domanda a voce sulla sua assicurazione. Il sistema riconosce alcuni dettagli del veicolo, trascrive la domanda e combina le due informazioni per proporre un preventivo indicativo. Più in generale può elaborare testo, immagini, suoni o movimenti e conservare dati e suggerimenti per le conversazioni successive. Data di pubblicazione · 2022-12-21 [PCT · WO2024096828A1](https://patents.google.com/patent/WO2024096828A1/en) [Fonte originale](https://patents.google.com/patent/WO2024096828A1/en) · WO2024096828A1 ### [2022/016395 · Gestione del processo di voto](https://tasaract.com/it/patents/2022-016395/) Domanda di brevetto · Data di deposito 2022-10-31 La proposta riunisce più metodi di IA in una decisione collettiva e affronta la comunicazione tra i partecipanti durante la votazione. La domanda interpreta il voto come una discussione di gruppo che si sviluppa nel tempo. I partecipanti contribuiscono a disporre le opzioni in uno spazio comune, avvicinando le alternative simili. Durante la votazione il sistema trascrive il confronto e analizza i commenti. Un cursore condiviso rappresenta lo spostamento del gruppo fra le opzioni man mano che prende forma una decisione. Data di pubblicazione · 2022-12-21 [PCT · WO2024096827A1](https://patents.google.com/patent/WO2024096827A1/en) [Fonte originale](https://patents.google.com/patent/TR2022016395A2/en) · TR2022016395A2 ## Modelli e codice ### [Turkish Sentiment Analysis · TSAM](https://tasaract.com/it/lab/turkish-sentiment/) Modello Ho addestrato questo modello BERT per riconoscere il tono di una recensione in turco. Assegna un punteggio a ciascuna lettura, positiva, neutra o negativa. Data una frase in turco, il modello assegna un punteggio a tre possibili interpretazioni del suo tono. Nella configurazione pubblicata, 0 indica un tono negativo, 1 neutro e 2 positivo. Nell’output la classe neutra si chiama «Notr». Questa terza opzione permette di contare separatamente i commenti neutri quando si analizzano le recensioni. Uno studio indipendente ha confrontato quattro modelli su quattro insiemi di dati in turco. Nella valutazione binaria i ricercatori hanno escluso le etichette neutre. Il modello ha ottenuto un punteggio F1 di 0,97 su Humir e di 0,54 su Twt. [A cross-validation study of Turkish sentiment analysis datasets and tools](https://doi.org/10.1007/s10579-025-09869-6) [Download totali sull’Hub](https://huggingface.co/api/models/emre/turkish-sentiment-analysis?expand=downloadsAllTime) · 12.053 · 2026-11-18 [Un mio precedente modello per le recensioni](https://github.com/detasar/BERT-TR-Finetuned4-Pos-Neg-Reviews) Ho adattato BERT per il turco per distinguere le recensioni positive da quelle negative. I parametri di addestramento sono su GitHub. [Fonte originale](https://huggingface.co/emre/turkish-sentiment-analysis) ### [Whisper Medium TR](https://tasaract.com/it/lab/whisper-tr/) Modello Trascrive il parlato turco con una versione adattata di Whisper. Questa versione di Whisper Medium trascrive registrazioni di voci che parlano turco. Per l’addestramento si è usato il primo 10% delle partizioni di addestramento e validazione di Mozilla Common Voice 11.0. La scheda riporta un tasso di errore sulle parole del 18,51% sul set di valutazione. Il calcolo tiene conto delle parole sostituite, omesse o aggiunte rispetto alla trascrizione di riferimento. [OpenAI Whisper Medium](https://huggingface.co/openai/whisper-medium) [Fonte originale](https://huggingface.co/emre/whisper-medium-turkish-2) ### [Gemma 2 · Turkish Wikipedia](https://tasaract.com/it/lab/gemma-wiki-tr/) Modello Adatta Gemma al turco usando testi di Wikipedia in questa lingua. Scrivendo l’inizio di un brano in turco, si può chiedere a questa versione di Gemma 2 9B di proseguirlo. La Wikipedia in turco ha fornito i testi per un’ulteriore fase di preaddestramento. La tecnica LoRA ha limitato gli aggiornamenti a un piccolo gruppo di parametri. L’esperimento ha riservato 1.000 paragrafi della stessa fonte per misurare quanto bene il modello prevedesse il token successivo in brani mai visti. [Google Gemma 2 9B](https://huggingface.co/google/gemma-2-9b) [Fonte originale](https://huggingface.co/emre/gemma-2-9b-Turkish-Lora-Continue-Pre-Trained) ### [Java Methods · Doc2Vec](https://tasaract.com/it/lab/java-method-vectors/) Modello Rappresenta metodi Java come vettori Doc2Vec a 200 dimensioni per cercare codice simile. Ogni metodo Java viene rappresentato da un vettore di 200 numeri. Il modello ha appreso queste rappresentazioni con Doc2Vec di Gensim su una raccolta di metodi Java, suddividendo il codice in token in corrispondenza degli spazi bianchi. L’esempio nella scheda calcola il vettore di un nuovo frammento e recupera i cinque metodi più vicini. Così si può cercare codice affine anche quando il testo è diverso. [Gensim Doc2Vec](https://radimrehurek.com/gensim/models/doc2vec.html) [Fonte originale](https://huggingface.co/emre/java_8m_methods_doc2vec) ### [Gemma 3 27B · Turkish reasoning](https://tasaract.com/it/lab/gemma-reasoning-tr/) Modello Adattamento di Gemma a quattro bit per compiti di ragionamento in turco. Questa versione di Gemma 3 27B, adattata a partire dal modello a quattro bit addestrato a seguire istruzioni, risponde a problemi di ragionamento in turco. La scheda la confronta con il modello di partenza su TARA v1, anche per pianificazione, SQL e Python. In questa valutazione preliminare, Gemini ha assegnato i punteggi. Il modello adattato ha ottenuto risultati migliori nella scrittura di query SQL e leggermente inferiori nell’analisi del codice Python. [Unsloth 4-bit Gemma 3 27B Instruct](https://huggingface.co/unsloth/gemma-3-27b-it-unsloth-bnb-4bit) [Fonte originale](https://huggingface.co/emre/gemma-3-27b-it-tr-reasoning40k-4bit) ### [arXiv Abstract-to-Title · mT5](https://tasaract.com/it/lab/abstract-title/) Modello Propone un titolo per un articolo scientifico a partire dal suo riassunto. Dato il riassunto di una ricerca, il modello suggerisce un titolo per l’articolo. Ha imparato il compito con una messa a punto di mT5-small su coppie di abstract e titoli di arXiv. Le sequenze in ingresso durante l’addestramento erano limitate a 256 token. I punteggi ROUGE pubblicati misurano le parole o sequenze in comune con i titoli originali, quindi una buona proposta espressa con parole diverse può ricevere un punteggio basso. [mT5-small](https://huggingface.co/google/mt5-small) [Fonte originale](https://huggingface.co/emre/arxiv27k-t5-abst-title-gen) ### [Wav2Vec2 XLS-R · Turkish](https://tasaract.com/it/lab/xlsr-tr/) Modello Riconosce e trascrive il parlato turco con un modello basato su wav2vec 2.0. Il modello trascrive il parlato turco con un codificatore vocale XLS-R da 300 milioni di parametri, messo a punto sulle registrazioni turche di Mozilla Common Voice 8.0. Nella decodifica, il metodo CTC unisce le previsioni identiche consecutive e rimuove i simboli vuoti per ottenere la trascrizione. La scheda riporta sul set di valutazione un tasso di errore sulle parole di 0,2869, circa il 28,7%. [Meta Wav2Vec2 XLS-R 300M](https://huggingface.co/facebook/wav2vec2-xls-r-300m) [Fonte originale](https://huggingface.co/emre/wav2vec2-large-xls-r-300m-tr) ### [Qwen 0.5B · GRPO maths](https://tasaract.com/it/lab/qwen-grpo/) Modello Adatta Qwen con GRPO per produrre soluzioni strutturate ai problemi matematici. Un modello piccolo può imparare sia a risolvere un problema di matematica sia a presentare la risposta? Questo Qwen da mezzo miliardo di parametri ha svolto un solo passaggio sui problemi di GSM8K. Scrive la soluzione e riserva una sezione al risultato finale. Durante l’addestramento con GRPO, ricompense specifiche controllavano separatamente il valore numerico e il formato. Una soluzione ben impaginata può comunque contenere un errore di calcolo. [Qwen2.5-0.5B-Instruct](https://huggingface.co/Qwen/Qwen2.5-0.5B-Instruct) [Fonte originale](https://huggingface.co/emre/Qwen-0.5B-GRPO) ### [Regression Conformal Prediction Research Atlas](https://tasaract.com/it/lab/regression-atlas/) Repository Confronta gli intervalli di predizione per risultati continui in 67 dataset. Un intervallo di previsione deve contenere abbastanza valori osservati e restare abbastanza stretto da essere utile. L’atlante confronta il modo in cui i metodi conformali bilanciano queste esigenze su 67 insiemi di dati di regressione. Dal grafo delle evidenze si può risalire alla tabella da cui proviene un risultato. In un esperimento cambia il modello che stima i quantili. Pur costruendo gli intervalli con lo stesso metodo, cambiano i confronti in cui quel metodo prevale. [Fonte originale](https://github.com/detasar/regression-conformal-prediction-research-atlas) ### [BIRD · Text-to-SQL experiments](https://tasaract.com/it/lab/bird-sql/) Repository Traduce una domanda in linguaggio naturale in una query SQL e verifica il risultato sulla banca dati. Si parte da una domanda in linguaggio quotidiano per ottenere una query SQL. Un approccio divide il compito in decisioni più piccole, dall’identificazione delle entità citate alla scelta delle tabelle e dei valori corretti. Altri esperimenti recuperano query di esempio o segnalano le domande da chiarire. Sul database finanziario del benchmark BIRD, tutte le 106 query del primo approccio sono state eseguite con successo. In 79 casi la risposta coincideva con il risultato di riferimento. [Fonte originale](https://github.com/detasar/bird-text2sql-experiments) ### [WebCLI](https://tasaract.com/it/lab/webcli/) Repository Converte la documentazione pubblicata in dati JSON o JSONL consultabili con una ricerca. Un agente vuole ritrovare la guida che ha consultato ieri. Con webcli può cercare in un indice locale della documentazione, richiamare la voce tramite un riferimento stabile ed esportare il risultato in JSON o JSONL per usarlo con un altro strumento. Il primo adattatore copre la documentazione pubblica di OpenAI Developers. La sincronizzazione predefinita salva i metadati delle pagine. Scaricare il testo è un’opzione separata e le ricerche successive usano l’indice locale. [Fonte originale](https://github.com/detasar/webcli) ### [Fairness Metrics](https://tasaract.com/it/lab/fairness-metrics/) Repository Due gruppi possono ricevere decisioni positive con la stessa frequenza e subire errori diversi. Questo esempio in Python unisce previsioni, esiti osservati e appartenenza al gruppo tramite l’ID utente. Due gruppi possono ricevere decisioni positive con la stessa frequenza e subire errori diversi. Questo esempio in Python unisce previsioni, esiti osservati e appartenenza al gruppo tramite l’ID utente. Il README affianca tassi di selezione, falsi positivi, falsi negativi e sensibilità. C’è una differenza fra l’esempio e il codice. Per calcolare la quota di errori fra le decisioni negative, la funzione pubblicata usa variabili di gruppo non definite e si ferma prima di restituire la tabella. [Fonte originale](https://github.com/detasar/fairness_metrics) ### [Quantum Time Experiment](https://tasaract.com/it/lab/quantum-clocks/) Repository Esamina registri di misure per proporre possibili ordinamenti temporali quantistici. Se due parti di un sistema quantistico registrano la stessa lettura di un orologio, su che cosa concordano? Un esperimento con quattro qubit illustra come due frammenti possano registrare indipendentemente la stessa etichetta. La lettura corrisponde allo stato di un sottosistema quantistico. L’analisi matematica prosegue il ragionamento. Per ricostruire l’ordine degli eventi, le registrazioni devono formare una catena persistente. Per stabilire quale estremità venga prima serve un ulteriore riferimento fisico. [Fonte originale](https://github.com/detasar/quantum-time-experiment) ### [PaperBanana field test](https://tasaract.com/it/lab/paperbanana-test/) Repository Propone figure scientifiche a partire dai metodi descritti in un articolo e valuta le figure separatamente. Che cosa si conserva passando dalla descrizione di un metodo a un diagramma? In tre prove PaperBanana ha ricevuto un testo metodologico e una didascalia. Due riguardavano dati quantistici, una il riconoscimento del parlato turco. Si possono consultare gli input esatti e le immagini non ritoccate, affiancate agli originali quando disponibili. Un diagramma ha introdotto un valore numerico di copertura assente nella fonte. Un altro ha aggiunto un passaggio di decodifica del parlato che il metodo non descriveva. [Fonte originale](https://github.com/detasar/paperbanana-field-test) ### [World Cup 2026 Nowcast Lab](https://tasaract.com/it/lab/worldcup-nowcast/) Repository Simula i possibili esiti di un torneo a partire dalle previsioni delle partite. Quanto incide un possibile punteggio sulle probabilità di vincere il torneo? Il progetto verifica dati calcistici pubblici, stima la probabilità dei punteggi e simula le partite rimanenti. Si passa così dalle previsioni sulle singole gare alle possibilità di conquistare il titolo. La scheda del 17 luglio 2026 documenta 150.000 simulazioni e le probabilità delle due squadre rimaste. Gli intervalli quantificano l’incertezza della simulazione. La scelta del modello e i dati disponibili introducono altra incertezza. [Fonte originale](https://github.com/detasar/worldcup26-nowcast-lab) ### [Agent Chronicle](https://tasaract.com/it/lab/agent-chronicle/) Repository Ricostruisce l’attività di un agente di programmazione in una cronologia collegata alle prove che documentano ciascun passaggio. Quando si riprende una sessione di programmazione dopo una pausa, le domande sono concrete. Quali file sono cambiati? C’è una decisione in sospeso? Quali verifiche sono passate? Agent Chronicle raccoglie le attività registrate di Codex o Claude in una cronologia locale e permette di risalire da ogni risposta al singolo evento. Su richiesta, un’IA riassume gli eventi selezionati. Si può esaminare il materiale prima dell’invio e tornare dal riepilogo al registro tramite i collegamenti. [Fonte originale](https://github.com/detasar/agent-chronicle-community) ## Documenti originali - [Profilo](https://tasaract.com/it/profile.json) - [Ricerca e pubblicazioni](https://tasaract.com/it/public-works.json) - [Brevetti e modelli di utilità](https://tasaract.com/it/patent-portfolio.json) - [Modelli e codice](https://tasaract.com/it/open-lab.json) - [Grafo della conoscenza](https://tasaract.com/it/ontology.jsonld) - [Scegli un percorso](https://tasaract.com/it/journey-data.json) - [JSON](https://tasaract.com/it/agent-index.json) ## API · MCP Aggiungi l’indirizzo del server al tuo client MCP e accedi con OAuth. Puoi anche aprire i link ai dati JSON pubblici direttamente nel browser. - [Connessione tramite MCP](https://tasaract.com/it/guide/#mcp) - [MCP · OAuth · JSON-RPC · POST](https://tasaract.vecna.chatgpt.site/mcp) - [Profilo](https://tasaract.com/api/profile?lang=it) - [Ricerca e pubblicazioni](https://tasaract.com/api/works?lang=it) - [Brevetti e modelli di utilità](https://tasaract.com/api/patents?lang=it) - [Modelli e codice](https://tasaract.com/api/lab?lang=it) - [Lingua](https://tasaract.com/languages.json) ```json {"jsonrpc":"2.0","id":1,"method":"tools/call","params":{"name":"get_profile","arguments":{"lang":"it"}}} ```