Smart Grant AI

SmartGrant analizza diversi portali tedeschi di finanziamento, traduce e normalizza i dati dei programmi e costruisce un archivio vettoriale semantico (embedding OpenAI + Pinecone). Gli utenti descrivono la propria impresa oppure caricano un profilo in PDF; il sistema esamina oltre 500 programmi, ordina i risultati in base a un punteggio di rilevanza proprietario (scadenza, sede, dominio) e utilizza GPT-4 per generare raccomandazioni prioritizzate e redigere i documenti di domanda (DOCX).

Un'interfaccia Streamlit offre una chat interattiva, risposte basate su RAG, parsing dei PDF e dati di sessione e cronologia persistenti tramite PostgreSQL. La pipeline comprende scraping con Selenium/Playwright, traduzione DeepL, pulizia dei dati e generazione con python-docx, e rende così possibile un assistente quasi interamente automatizzato per la ricerca di finanziamenti e la stesura delle prime bozze di domanda.

Si tratta di un progetto di ricerca interno, ancora in fase di prototipo.

1. Eterogeneità dei dati & attualità: i portali di finanziamento hanno schemi differenti, aggiornamenti frequenti e limiti di frequenza, il che rende difficile un'aggregazione affidabile e aggiornata.
2. Estrazione multilingue & precisione: una traduzione accurata e la conservazione del significato dal testo giuridico-amministrativo tedesco a sintesi in inglese non sono banali.
3. Rilevanza & conformità normativa: il ranking deve tenere conto di criteri di ammissibilità granulari (giuridici, regionali, temporali) per evitare falsi riscontri e ridurre gli sforzi inutili.

1. RAG + ricerca semantica: impiego di embedding OpenAI + Pinecone per un matching e un retrieval semantici rapidi, quindi passaggio del contesto RAG a GPT-4 per generare raccomandazioni di programma precise e relative motivazioni.
2. Workflow LLM ibrido: impiego di GPT-4-turbo per raccomandazioni e bozze di domanda; impiego di GPT-3.5 (o modelli più leggeri) per sintesi e parafrasi a basso costo, così da ridurre le spese.
3. Punteggio di rilevanza + livello di regole: combinazione della similarità vettoriale con filtri basati su regole (scadenze, ammissibilità, sede) per aumentare la precisione e mettere in evidenza le opportunità concretamente perseguibili.

1. Risparmio di tempo: riduce la ricerca manuale e la stesura della prima bozza di domanda da giorni a minuti per ciascuna opportunità.
2. Maggiore qualità dei risultati: il ranking semantico e basato su regole produce meno falsi riscontri e più corrispondenze concretamente perseguibili.
3. Percorso più rapido verso la domanda: le bozze DOCX generate automaticamente accelerano il ciclo di candidatura e aumentano la produttività per consulenti o PMI.

1. Efficienza del lavoro: automatizza le attività ripetitive di ricerca e stesura, riduce le ore di lavoro per domanda e abbassa i costi di consulenza.
2. Ottimizzazione di calcolo e costi: l'impiego scaglionato dei modelli (GPT-3.5 per le sintesi, GPT-4 per le bozze) riduce la spesa per le API e preserva al contempo la qualità dove conta.
3. Meno viaggi e stampe: la generazione digitale dei documenti e la precisione dei risultati riducono la necessità di consulenze in presenza, invii cartacei e documentazione stampata.