Caso studio · Beni culturali · MonitorAste · AI
Monitoraggio cataloghi d’asta con intelligenza artificiale
Caso reale di monitoraggio aste con intelligenza artificiale: piattaforma d’ufficio MonitorAste con scraping multi-portale, LLM fine-tuned e scoring automatico dei lotti per la tutela del patrimonio.
14+
portali d’asta con motori scraper dedicati
~1.000
esempi nel dataset di addestramento LLM
142
regole di scoring per prioritizzare i lotti
~996
autori nella banca dati di riferimento
Questo caso di monitoraggio aste con intelligenza artificiale riguarda una piattaforma d’ufficio per operatori autorizzati di un ente di tutela del patrimonio culturale. In sintesi, MonitorAste sostituisce controlli manuali su cataloghi eterogenei con un flusso automatizzato: discovery, acquisizione lotti, analisi AI e segnalazioni prioritizzate.
Contesto: mercato dell’arte e tutela del patrimonio
Opere e beni con potenziale interesse culturale possono entrare nel circuito delle aste online. Gli uffici di tutela devono intercettarle in tempo utile, verificare l’esistenza di vincoli ed esercitare, ove previsto dalla normativa (es. D.Lgs. 42/2004), il diritto di prelazione.
Di conseguenza, ogni portale d’asta pubblica cataloghi con layout diversi: HTML non uniforme, campi mancanti, tempi di pubblicazione stretti. Il controllo manuale su decine di siti non scala e aumenta il rischio di scadenze perse.
Obiettivi del progetto
Monitoraggio tempestivo — rilevare aste e cataloghi nel perimetro concordato con il committente, con alert su variazioni (apertura, chiusura, modifica).
Estrazione strutturata — metadati opera uniformi (autore, tecnica, dimensioni, provenienza, stato) indipendentemente dal portale sorgente.
Prioritizzazione intelligente — segnalare lotti a elevata attenzione per revisione umana, senza classificare automaticamente vincoli giuridici.
La piattaforma è riservata agli operatori autorizzati: non è un portale per il cittadino né un servizio di divulgazione culturale.
Metodologie e architettura
EYESWEB ha progettato MonitorAste con separazione netta di responsabilità tra acquisizione dati e analisi semantica. In pratica, gli scraper gestiscono navigazione e dati strutturali; l’intelligenza artificiale estrae il significato dal testo grezzo della pagina lotto.
Pipeline operativa
- Discovery — rilevamento automatico di aste e cataloghi futuri dai portali configurati.
- Gate operatore — acquisizione cataloghi solo quando l’operatore attiva il monitor su un’asta specifica.
- Ingest — salvataggio lotti con snapshot, immagini archiviate localmente e testo grezzo pagina.
- Analisi AI — estrazione JSON strutturato e scoring di attenzione su regole configurabili.
- Alert e revisione — notifiche email su lotti prioritari; coda validazione umana con tracciamento operatore.
Stack tecnologico
- Laravel — UI, API REST, RBAC, alert email
- Python + Playwright — scraping multi-portale
- PostgreSQL — dati relazionali e indice full-text
- Redis — code job e lock inferenza AI
- Ollama — inferenza LLM su GPU dedicata
- Rule engine — 142 regole di scoring attenzione
- Human-in-the-loop — validazione → dataset training
- Fallback cloud LLM — continuità se GPU non disponibile
Ricerca AI e addestramento del modello
Il cuore dell’analisi testuale è un Large Language Model fine-tuned sul dominio delle opere d’arte e dei cataloghi d’asta, addestrato con output validati dagli operatori.
- Base model: Mistral 7B Instruct, quantizzazione 4-bit (Unsloth).
- Fine-tuning LoRA: rank 16, 2 epoch — dataset ~1.000 coppie prompt→JSON da validazione umana (~487 esempi iniziali + ~500 successivi).
- Output strutturato: identificazione opera, dati tecnici (dimensioni normalizzate in cm), iconografia, stato conservativo, analisi critica.
- Deploy: export GGUF q4_k_m, inferenza su workstation GPU (12 GB VRAM) via Ollama.
- Benchmark obbligatorio: validità JSON, copertura schema, latenza p50/p95 prima di ogni promozione modello.
- Fallback: provider LLM cloud se la GPU locale non è raggiungibile (~€0,001/lotto indicativo).
- Evoluzione vision: pipeline analisi multi-immagine con cross-check coerenza tra testo e visivo.
Principio fondamentale: l’AI supporta la prima lettura e l’evidenza dei casi sensibili. Non sostituisce il giudizio dell’operatore su vincoli, prelazione o classificazioni giuridiche.
Risultati attesi e impatto operativo
Dopo il go-live, il committente dispone di un unico ambiente per monitorare cataloghi eterogenei, analizzare lotti con AI e prioritizzare le verifiche. Ad esempio, operatori diversi condividono la stessa base dati strutturata, riducendo duplicazioni e passaggi informali.
- Riduzione tempi di prima lettura su cataloghi multi-portale.
- Scheda lotto uniforme con metadati estratti automaticamente dall’AI.
- Alert proattivi su lotti ad alta/media attenzione e variazioni di asta.
- Tracciamento storico di lotti ritirati, riproposti e modificati nel tempo.
- Base dati auditabile per reportistica interna e controlli.
- Continuità con manutenzione EYESWEB certificata ISO 9001:2015.
Monitoraggio aste intelligenza artificiale: a chi serve
Se cerchi una solutione di monitoraggio aste con intelligenza artificiale per uffici di tutela, soprintendenze o enti con competenze su beni culturali, questo caso mostra un deployment reale con MonitorAste — non un mockup. Tuttavia, ogni ente ha perimetri e convenzioni diverse: proponiamo assessment riservato sui tuoi flussi.
Approfondisci le certificazioni EYESWEB e contattaci per un perimetro su misura. Accesso alla piattaforma solo su invito e per operatori autorizzati.
Domande frequenti
Chi utilizza MonitorAste?
Operatori autorizzati di un ente di tutela del patrimonio culturale, in un ambiente d’ufficio riservato. Non è un servizio per il cittadino o per il mercato dell’arte in generale.
L’AI decide automaticamente su vincoli e prelazione?
No. Il modello estrae metadati strutturati e segnala lotti prioritari per revisione umana. Le decisioni su vincoli, prelazione e procedimenti restano competenza degli operatori qualificati.
Come viene addestrato il modello AI?
Con fine-tuning LoRA su Mistral 7B, usando ~1.000 esempi prodotti da validazione umana degli operatori. Ogni promozione di modello richiede benchmark su validità JSON, copertura schema e latenza.
Perché il caso studio è anonimizzato?
Il progetto tratta dati sensibili: lotti, tempistiche, valutazioni preliminari. Non pubblichiamo committente, portali monitorati o dati di asta reali finché non riceviamo autorizzazione scritta.
