Il nostro primo assunto: l'anonimizzatore di dataset — MVP0 in periodo di prova

----
----
Données brutes client (SPG, cours, évaluations)
  ├→ Noms de stagiaires en clair dans les PDF
  ├→ Emails dans les métadonnées JSON
  ├→ IP de connexion dans les logs pgvector
  ├→ Identifiants dans les nœuds Graphify
  └→ Références OF pilote dans les schémas SQL
----

Risultato: o fai RAG su dati sporchi (allucinazioni di PII, non conformità al GDPR, rischio legale), o non fai nulla (nessun prodotto). La terza via — pulire manualmente — non è scalabile.

Mia risposta: non aggirare il problema. L'**automatizzare**.

== MVP0 : l'Anonymiseur, primo assunto nel periodo di prova

Il MVP0 non è una funzionalità. È un**esperto di comodità**— un dipendente che svolge il lavoro sporco, stupido e cattivo, e di cui nessuno vuole parlare nei pitch deck.

Cosa fa:

[source]
----
ENTRÉE : Données brutes multi-sources
  ├→ AsciiDoc (SPG_A2SP.adoc) → noms, dates, OF pilote
  ├→ JSON (catalogue formations) → emails, téléphones
  ├→ YAML (config workspace) → tokens OAuth2
  ├→ SQL (schémas DDL) → IP, adresses
  ├→ pgvector (métadonnées embeddings) → identifiants
  ├→ ONNX (outputs classification) → noms propres
  └→ Graphify (graph.json) → nœuds avec PII

SORTIE : Datasets propres, format standardisé
  ├→ [ANONYMIZED] remplace les PII détectées
  ├→ Classification RGPD (niveau 0→4)
  ├→ Rapport d'audit (quoi a été nettoyé)
  └→ Dataset prêt pour RAG ET fine-tuning
----

Rileva prima i modelli più evidenti (email`.*@.*`, tokens`sk-*`, `ghp_*`, IPs), poi impara. Il periodo di prova è questo: validiamo che non lasci passare falsi negativi prima di titolarizzarlo.

== Cosa sblocca questo MVP (e non è solo la conformità)

L'anonimizzazione come MVP0 non è il pedaggio RGPD prima dell'autostrada. È l'autostrada stessa. Ecco cosa apre :

=== Presente : Realtà Aumentata in Prompt

[source]
----
DONNÉES BRUTES CLIENT
    ↓
Anonymiseur MVP0 → datasets propres
    ↓
RAG pgvector (MVP1) → top-K documents similaires (filtrés, anonymisés)
    ↓
LLM (deepseek-v4-pro) → réponse augmentée, zéro PII
----

Il RAG non cerca nei dati sporchi — cerca in uno spazio**corretto per costruzione**Questo cambia tutto per la qualità delle risposte: il LLM non passa il suo tempo a evitare dei PII che riconosce ma che non deve menzionare.

=== Futuro: Fine‑tuning sui dati sani

[source]
----
MVP0 → datasets propres accumulés (session après session)
    ↓
Fine-tuning expert métier (CDA, FPA) sur données zéro PII
    ↓
Modèle fine-tuné exposé via Ollama (sans fuite de données)
----

Il fine-tuning sui dati grezzi è una potenziale catastrofe giuridica. Con i dati puliti, è una**metodo riproducibile**. Ogni cliente accumula i suoi dataset puliti, ogni cliente può effettuare il fine‑tuning dei suoi esperti di settore sui propri dati — senza mai esporre un dato personale.

== Perché è commerciale

Non è « uno strumento di conformità GDPR ». È una**metodo riproducibile che trasforma un problema universale in attivo** :

1. *Ogni azienda di formazione ha dati sporchi* — è il problema
2. *Nessuna ha un pipeline automatizzato di pulizia multi-sorgente* — è il mercato
3. *Il ciclo: anonimizzazione → RAG → fine-tuning è proprietario* — è la barriera

Il SaaS Edster (MVP3) non venderà « un workspace Gradle ». Venderà questo ciclo chiuso. E il MVP0 è la porta d'ingresso.

== Il formato SQL come terza via di contesto

L'importazione di dati strutturati non è solo un formato di scambio. Lo schema SQL (DDL) porta il**modello entità-relazione del dominio**</think>

[source]
----
CREATE TABLE formation (
  id UUID PRIMARY KEY,
  titre VARCHAR NOT NULL,
  referentiel RNCP REFERENCES rncp(id),
  organisme OF REFERENCES of_pilote(id)  -- ← va être anonymisé
);
----

Questo DDL, una volta anonimizzato (riga 4), diventa una fonte di contesto per il LLM. Non testo — di**modello mestiere**. Il RAG fornisce il contenuto (similarità vettoriale), Graphify fornisce le relazioni (struttura esatta), e lo schema SQL fornisce il**Domain-Driven Design implicito**: bounded contexts, aggregati, oggetti di valore. Il LLM comprende il settore perché legge il suo schema.

== La roadmap: da MVP0 a SaaS

[source]
----
MVP0 — Anonymiseur (ce que cet article décrit)
  Sortie : datasets propres, reproductible

MVP1 — RAG pgvector (dépend de MVP0)
  Realité augmentée en prompt sur données nettoyées

MVP2 — Graphify + ONNX + SQL DDD (dépend de MVP1)
  Vecteur composite de contexte (règles + similarité + relations exactes)

MVP3 — SaaS Edster (dépend de MVP0-2)
  Provisionnement workspace client complet
----

Ogni MVP dipende dal precedente. Nessuno può essere consegnato senza il MVP0. Questa è la ragione per cui l'Anonymiseur non è « P0 » nel backlog — è**MVP0**. È il primo deliverable commerciale, e tutto il resto è condizionato al suo successo.

== Conclusione: il lavoro invisibile che rende tutto possibile

In una startup classica, la pulizia dei dati è esternalizzata, manuale, o ignorata. In questa architettura, è il**cuore del prodotto**. L'anonimizzatore è il primo dipendente perché senza di lui, nulla funziona :

* Senza MVP0 → nessun RAG legale (MVP1)
* Senza MVP0 → nessun fine-tuning senza perdita di dati (EPIC 5)
* Senza MVP0 → nessun SaaS credibile (MVP3)
* Senza MVP0 → nessuna realtà aumentata nel prompt
* Senza MVP0 → nessuna terza via di contesto (SQL DDD)

Fa il lavoro sporco. Non sarà mai citato nei pitch. Ma è lui a far girare la fabbrica.

E' per questo che lo assumono per primo.

== Riferimenti

* Articolo sull'ontologia spaziale e i cerchi di fiducia :link:../2026/0114_gouvernance_cercles_confiance_ontologie_spatiale_alignement_llm_post.html[L'Ontologia Spaziale come Meccanismo di Allineamento]
* Articolo sulla governance dell'agente Eager/Lazy :link:../2026/0108_gouvernance_agent_opencode_eager_lazy_post.html[Governare un Agente IA con AsciiDoc]
* Articolo sul meccanismo Hot/Warm/Cold :link:../2026/0110_mecanisme_backup_contexte_agent_post.html[Sliding Window e Onda Fredda]
* Articolo sulla comparazione dei tre LLMs:link:../2026/0112_comparaison_kimi_glm_deepseek_long_contexte_plugin_gradle_opencode_post.html[DeepSeek-V4-Pro, Kimi K2.6, GLM-5.1]
----