Case study

Decent Work in Supply Chains Evidence Hub

Dalla data ingestion alla conoscenza fruibile e orientata all'azione

In breve


Cliente	International Labour Organization (ILO), in collaborazione con il Centro Internazionale di Formazione dell’ILO (ITCILO)
Ruolo di Digital Builders	Progettazione della soluzione e sviluppo end-to-end: dalla data ingestion all’applicazione web, fino al delivery
Ambito	Piattaforma web di knowledge management con AI integrata
Tecnologie chiave	OpenAI API · Fine Tuning del modello · Pipeline personalizzate per la data ingestion
Lingue	Inglese · Francese · Spagnolo
Scala	Oltre 500 pubblicazioni ILO · 130 crosspoint tematici
Online	supplychainshub.ilo.org

Il cliente e il contesto

L’International Labour Organization (ILO) è l’agenzia delle Nazioni Unite dedicata al mondo del lavoro. All’interno del suo lavoro su Decent Work in Supply Chains, ILO produce e raccoglie un volume crescente di ricerca: studi, report e pubblicazioni che analizzano come politiche, investimenti e pratiche d’impresa incidano sul lavoro dignitoso lungo le catene di fornitura globali.

Il progetto è nato in collaborazione con il Centro Internazionale di Formazione dell’ILO (ITCILO). Digital Builders ha lavorato a stretto contatto con il team ILO (che ha preso parte attiva alla progettazione) guidando le scelte di soluzione e realizzando l’intero sviluppo tecnico.

La sfida

Immaginate di dover preparare, con meno di un giorno di tempo, una presentazione tecnica su un tema di supply chain che non avete mai trattato. Riuscireste davvero a setacciare centinaia di pubblicazioni per trovare in tempo le informazioni rilevanti e di qualità?

È la domanda con cui lo stesso team ILO ha presentato il progetto. E fotografa il problema con precisione: una mole di ricerca preziosa ma dispersa, difficile da navigare e da sintetizzare in tempi utili per chi deve prendere decisioni: policymaker, ricercatori, funzionari.

La sfida non era “mettere online dei documenti”. Era trasformare un corpus di centinaia di pubblicazioni in conoscenza fruibile e orientata all’azione: navigabile, sintetizzata, comparabile e affidabile. E farlo in tre lingue.

Il nostro ruolo

Digital Builders ha avuto un duplice ruolo:

Progettazione della soluzione. Abbiamo raccolto e indirizzato i bisogni di ILO, traducendoli in un’architettura informativa e in un sistema funzionante. Abbiamo guidato le scelte su come strutturare i dati, come impostare la pipeline AI e come presentare i risultati.
Sviluppo end-to-end. Abbiamo realizzato l’intero sistema: dalla data ingestion (recupero e conversione dei documenti), alla pipeline di elaborazione AI, all’applicazione web integrata con WordPress, fino al delivery e alla messa in produzione multilingua.

La soluzione

L’Evidence Hub raccoglie oltre 500 pubblicazioni ILO in un’unica piattaforma accessibile e orientata all’azione. Per l’utente finale si traduce in tre capacità:

Navigare per ciò che conta. I contenuti si filtrano per regione, per supply chain/settore e lungo due dimensioni analitiche proprie del dominio ILO: i Factors (es. politiche commerciali e di investimento) e gli Outcomes (es. lavoro dignitoso). Invece di cercare tra più fonti, l’utente parte dalla domanda che ha in mente.
Vedere i pattern: la Evidence Map. Il cuore visivo della piattaforma è una mappa interattiva – una gap map – che incrocia Factors e Outcomes. Ogni intersezione (crosspoint) mostra quanta ricerca esiste su quel tema e offre una sintesi dedicata. La mappa evidenzia tanto le aree ben studiate quanto i gap di ricerca che meriterebbero ulteriore approfondimento.
Leggere sintesi, non solo elenchi. Per ogni documento e per ogni crosspoint la piattaforma offre sommari in linguaggio chiaro e sintesi tematiche, sempre verificati da revisori umani.

Il tutto disponibile in inglese, francese e spagnolo.

L’innovazione tecnica: l’AI engine

Il valore distintivo del progetto sta nell’aver portato funzionalità di AI avanzata dentro una piattaforma WordPress, senza snaturarla. WordPress è stato adottato in modalità headless: resta il CMS che il team ILO conosce e gestisce per l’editing dei contenuti, ma il frontend interattivo e la pipeline AI vivono separati e ne consumano i dati via API. Questo disaccoppiamento elimina i tipici limiti di un sito “WordPress tradizionale” — su performance, sicurezza e libertà di evoluzione del frontend — e mantiene il sistema solido e scalabile.

La pipeline è organizzata a stadi:

Data ingestion & conversione. Recupero dei documenti dalle fonti ILO e conversione dei PDF in testo strutturato, pronto per l’elaborazione automatica. (Abbiamo previsto anche un percorso alternativo basato sul full text, per i casi in cui il PDF originale non fosse disponibile.)
Classificazione & scoring di pertinenza. Ogni documento viene valutato rispetto alla griglia di Factors e Outcomes, ottenendo un punteggio di pertinenza per ciascuna combinazione. È questo scoring a popolare, in modo coerente e ripetibile, la Evidence Map.
Sintesi generativa. Generazione di sommari in linguaggio chiaro a livello di singolo documento e di crosspoint, sintetizzando i contenuti di più pubblicazioni in una lettura d’insieme.
Human-in-the-loop. Nulla va online “as is”. Il controllo umano interviene su due livelli: i sommari sono rivedibili e modificabili dai revisori (con conservazione delle versioni precedenti), e gli score di pertinenza prodotti dal modello possono essere ispezionati e corretti prima di consolidare la Evidence Map. È il presidio di qualità e fact-checking che garantisce l’affidabilità richiesta da una fonte istituzionale.
Localizzazione automatica. I contenuti finali vengono tradotti automaticamente dall’inglese verso francese e spagnolo, e gestiti in modo nativo come piattaforma multilingua.

Un modello che “parla ILO”: il fine-tuning

L’elemento che distingue questo progetto da una semplice integrazione “off-the-shelf” delle API è il fine-tuning del modello. Non abbiamo usato un modello generico: lo abbiamo adattato al dominio e al linguaggio di ILO, lungo due direttrici complementari.

Comprensione del dominio / Factors & Outcomes. Abbiamo addestrato il modello sulle definizioni precise di Factors e Outcomes, così che classifichi e valuti i documenti secondo il significato esatto che ILO attribuisce a ciascuna categoria, e non secondo un’interpretazione generica. È ciò che rende solidi gli score di pertinenza, e quindi attendibile l’intera Evidence Map che ne deriva.
Aderenza stilistica / la style guide ILO. Abbiamo addestrato il modello sulla style guide editoriale di ILO — convenzioni di scrittura, terminologia, capitalizzazione, trattamento di numeri e nomi dei Paesi — perché i sommari generati suonino come prodotti “in casa” e siano pubblicabili con un editing umano minimo.

L’effetto combinato: categorizzazione più accurata e output coerenti con gli standard editoriali del cliente. Meno correzioni manuali, maggiore fiducia nel risultato e una piattaforma che riflette davvero la voce di ILO, non quella di un modello generalista.

Indipendenza dal fornitore: un’architettura model-agnostic

L’intelligenza del sistema è disaccoppiata dal singolo fornitore di AI. La pipeline dialoga con i modelli attraverso uno strato di astrazione: questo rende agevole sostituire il provider (ad esempio passare da un fornitore a un altro) o adottare modelli di inferenza in locale / on-premise, là dove esigenze di costo, privacy o sovranità del dato lo richiedano, senza riscrivere la logica applicativa.

È un principio che adottiamo per design su tutti i nostri progetti AI: restare agnostici rispetto al modello linguistico, così che la scelta tecnologica resti aperta e reversibile nel tempo, e il cliente non sia mai vincolato a un singolo vendor.

Architettura in breve

A livello concettuale, il sistema si articola in quattro blocchi:

Fonti documentali → Pipeline AI (conversione · scoring · sintesi · fine-tuning) → WordPress headless (CMS + dati strutturati) → Frontend interattivo multilingua (Evidence Map)

Il design tiene separata l’elaborazione AI, più pesante e da eseguire a batch, dall’esperienza utente, che resta veloce e reattiva perché consuma risultati già calcolati e validati.

Risultati e impatto

Da giorni a minuti. Ciò che prima richiedeva di setacciare manualmente centinaia di fonti è oggi a portata di filtro: l’utente individua rapidamente la ricerca rilevante e ne legge una sintesi affidabile.
Copertura completa e leggibile. Oltre 500 pubblicazioni mappate su 130 crosspoint tematici, con evidenza esplicita anche delle aree poco studiate: un valore aggiunto per orientare la ricerca futura.
Realmente multilingua. Piattaforma e contenuti disponibili in inglese, francese e spagnolo.
Lancio ufficiale. L’Evidence Hub è stato presentato all’ILO Innovation Day e diffuso attraverso i canali ufficiali ILO, con ampia eco su LinkedIn da parte del team di programma.

In sintesi

Il Decent Work in Supply Chains Evidence Hub copre l’intera catena del valore di un progetto AI applicato: dalla data ingestion al fine-tuning del modello, dalla generazione delle sintesi al controllo umano, fino al delivery multilingua in produzione. Il filo conduttore è un approccio in cui l’intelligenza artificiale non sostituisce il giudizio esperto, ma lo mette in scala, restando sempre sotto verifica umana.

Esplora l’Hub: supplychainshub.ilo.org