Il mercato dei data center in Italia sta vivendo una fase di forte accelerazione, trainata dall’adozione dell’intelligenza artificiale, dalle esigenze di sovranità dei dati e dall’evoluzione dei modelli cloud ibridi. In questo contesto, le infrastrutture GPU (Graphics Processing Unit) stanno diventando un asset strategico in diversi settori, compreso quello delle assicurazioni. Per approfondire questi temi, abbiamo intervistato Jonathan Bacor, Sales Manager Italia di PNY Technologies, azienda americana di tecnologia.
Nel settore assicurativo, l’intelligenza artificiale viene sempre più utilizzata per attività come scoring, gestione dei sinistri e rilevamento delle frodi. Quali sono, dal vostro punto di vista, le applicazioni che oggi stanno beneficiando maggiormente delle infrastrutture GPU?
Le applicazioni che oggi traggono il vantaggio più significativo dalle GPU sono quelle che richiedono l’elaborazione parallela di grandi volumi di dati in tempi ridotti. In primo luogo, i modelli di scoring attuariale e di rischio: le architetture di machine learning e deep learning utilizzate per valutare profili assicurativi complessi richiedono una potenza di calcolo che le CPU tradizionali non riescono a sostenere in modo efficiente. In secondo luogo, la gestione dei sinistri: l’analisi automatica di immagini, pensiamo ai danni ai veicoli o agli immobili, si basa su reti neurali convoluzionali che girano nativamente su GPU. Infine, la rilevazione delle frodi, che sfrutta modelli addestrati su sequenze temporali di transazioni e comportamenti anomali: qui la GPU permette di ridurre i tempi di inferenza da minuti a millisecondi. Vediamo una crescita costante della domanda delle GPU e soprattutto delle soluzioni per Data Center, proprio perché permettono di consolidare questi workload in ambienti on-premise controllati.
Le compagnie assicurative gestiscono grandi quantità di dati sensibili. Quanto pesa il tema della sovranità del dato nella scelta tra cloud pubblico, cloud privato e infrastrutture on premise?
Nel settore assicurativo la sovranità del dato è un tema primario. Le compagnie gestiscono dati sanitari, patrimoniali e comportamentali dei propri clienti, soggetti a normative stringenti come il GDPR. Affidare questi dati a un cloud pubblico significa, di fatto, accettare che transitino su infrastrutture di terzi, con tutte le implicazioni in termini di residenza geografica e controllo degli accessi. La tendenza che osserviamo è verso architetture ibride: il cloud pubblico per workload non sensibili e sperimentazione, il cloud privato per tutto ciò che tocca dati proprietari e modelli strategici. In questo contesto, le infrastrutture on-premise diventano un asset strategico, non solo tecnologico, garantiscono piena proprietà del modello e del dato, abbattendo il rischio di compliance e riducendo la latenza nell’accesso alle informazioni.
In ambito assicurativo si parla molto di LLM interni, addestrati o personalizzati sui dati aziendali. Quali vantaggi possono offrire rispetto agli strumenti di AI generativa pubblici e quali requisiti infrastrutturali richiedono?
Un LLM pubblico, per quanto potente, è addestrato su dati generici e non viene addestrato con il vocabolario tecnico o i processi interni a una specifica compagnia assicurativa; questo impatta significativamente la pertinenza della risposta. Un modello interno, che si tratti di un fine-tuning su un modello open source come LLaMA o Mistral, o di un approccio RAG su documentazione proprietaria, è invece in grado di rispondere con precisione a domande tecniche (polizze, massimali, clausole contrattuali…). Il vantaggio competitivo è duplice: qualità delle risposte e riservatezza dei dati, poiché nulla esce dal perimetro aziendale. Sul fronte infrastrutturale, il fine-tuning di un modello da 7 a 300B parametri (a seconda della quantizzazione da FP16 a FP4) richiede GPU con elevata memoria, tipicamente da 96 GB GDDR7 a 141 GB HBM3e per scheda, e alta velocità di interconnessione tra le GPU per il training distribuito. L’infrastruttura AI Factory, basata sull’architettura di riferimento NVIDIA, rappresenta l’ambito ideale per sfruttare al massimo le prestazioni di configurazioni multi-GPU, offrendo grande scalabilità per sostenere una crescita rapida e sostenuta, il tutto mantenendo il controllo dell’ambiente produttivo.
Il rilevamento delle frodi richiede capacità di analisi sempre più rapide e precise. In che modo le GPU possono supportare modelli capaci di lavorare quasi in tempo reale su grandi volumi di dati?
La rilevazione delle frodi è per definizione un problema di latenza: ogni secondo perso tra l’evento e l’alert può tradursi in un danno economico concreto. Le GPU accelerano questo processo su due livelli. Il primo è il training: addestrare modelli su dataset storici di milioni di transazioni, con tecniche come Graph Neural Networks per identificare reti di soggetti connessi, o modelli sequenziali per anomalie comportamentali, richiede settimane su CPU, giorni su GPU. Il secondo è l’inferenza: una volta schierato, il modello deve classificare nuovi eventi in pochi millisecondi. Le GPU moderne, grazie al parallelismo massivo dei loro core CUDA e Tensor Core, permettono di processare migliaia di richieste simultanee con latenze nell’ordine dei singoli digit di millisecondi. In un contesto assicurativo, questo significa poter bloccare o segnalare una richiesta sospetta prima ancora che venga approvata, con un impatto diretto sul combined ratio. È un caso d’uso in cui investire in GPU dedicate, piuttosto che affidarsi a risorse cloud on-demand, ha un ritorno misurabile e rapido.
Per molte compagnie, l’innovazione tecnologica deve convivere con vincoli regolatori, legacy system e attenzione ai costi. Qual è oggi il percorso più realistico per introdurre infrastrutture AI avanzate nel mondo assicurativo senza stravolgere l’esistente?
La domanda che mi viene posta più spesso dai CIO delle compagnie assicurative è sempre la stessa: “Da dove si comincia, senza mettere a rischio ciò che già funziona?” Prima fase: sperimentare senza toccare l’esistente. Il cloud pubblico o l’accesso a supercomputer AI dedicati permettono di addestrare e validare modelli con costi variabili e zero rischio operativo. È il momento del proof of concept, in cui il team acquisisce competenze, sceglie l’architettura più adatta e dimostra il valore del progetto agli stakeholder interni. Seconda fase: portare l’AI in produzione trasformando il datacenter, non sostituendolo. La trasformazione riguarda energia e raffreddamento: le GPU di ultima generazione richiedono fino a 60 kW per rack, contro i 5–10 kW tradizionali, rendendo necessario il passaggio al liquid cooling. Ma i sistemi esistenti (archiviazione, posta, sicurezza, applicativi core) continuano a operare esattamente come prima. L’infrastruttura AI si aggiunge come layer specializzato, integrato nella rete aziendale. Il risultato è un datacenter ibrido: una transizione graduale che preserva la continuità operativa, protegge gli investimenti esistenti e apre le porte a una capacità computazionale prima accessibile solo ai grandi hyperscaler.
