Adaptive Learning AI · Formazione sulla conformità

Il tuo LMS traccia il completamento. Attest traccia la competenza.

Due dipendenti completano lo stesso modulo di ricertificazione AML e l'LMS mostra due identiche spunte verdi. Attest legge il flusso grezzo di interazioni di ciascun apprendente con un vero modello di knowledge tracing, certifica solo i concetti che può dimostrare e ti consegna un Competence Certificate firmato al posto di una spunta.

51.9%

Riduzione del tempo di frequenza della coorte

Coorte simulata di 500 apprendenti, calcolata in tempo reale

0.83 AUC

Qualità del modello SAKT held-out

Il nostro benchmark KT sintetico seeded

0 di 18

Certificati per un apprendente che ha barato con l'AI

Competence gate, output live dell'app

Una demo eseguibile, non un deployment. La coorte e i log di interazione sono sintetici, e ogni cifra in questa pagina è calcolata dall'app in esecuzione.

Il completamento non è competenza

Una spunta verde ti dice che un dipendente ha guardato un video. Non ti dice che ha imparato.

SCORM riporta "Completed." Gli auditor vogliono evidenza di padronanza. Un analista BSA senior che già conosce il materiale e un branch manager da sei mesi con lacune reali seguono lo stesso identico corso AML di 4 ore e ottengono la stessa identica spunta. Il record non può distinguerli, perché non ha mai misurato ciò che ciascuno sa.

Gli incumbent che si presentano come "adaptive" per lo più eseguono collaborative filtering ("persone come te hanno seguito il Corso X dopo"), non knowledge tracing a livello di concetto ("non hai padronanza del concetto Y"). E i dipendenti usano sempre più assistenti AI per sbrigare i moduli, così il record di completamento dice "formato" quando l'apprendimento non è mai rimasto.

Nel lavoro regolamentato quel divario è una responsabilità che un auditor può prezzare. La formazione aziendale negli Stati Uniti spende circa $102.8B all'anno, circa $874 per apprendente (Training Magazine, 2025), e gran parte di quella spesa compra un record di completamento piuttosto che una prova di competenza. Dove una lacuna formativa porta conseguenze regolamentari, nella ricertificazione AML e BSA o ai sensi delle regole di alfabetizzazione IA basate sul ruolo dell'Articolo 4 dell'EU AI Act che iniziano il 2 agosto 2026, una spunta verde è esattamente l'evidenza sbagliata da portare.

Dashboard di Attest per una coorte di ricertificazione AML in cui ogni apprendente iscritto risulta SCORM Completed, mostrata accanto alla mappa di padronanza a livello di concetto di Attest per la Senior BSA Analyst, che riporta 16 di 18 concetti certificati e l'80.3% di tempo di frequenza ridotto. — Stesso corso, stessa spunta SCORM. Attest legge la padronanza a livello di concetto sotto la superficie.

Come funziona: gli agenti consigliano, il codice decide

Quattro stadi trasformano un corso piatto in padronanza per concetto e in un certificato firmato. Un LLM fa la lettura; codice deterministico prende ogni decisione che conta.

L'agente di concept-mapping trasforma un corso in 18 concetti tracciabili

Decompone un singolo corso piatto "AML Training" in una tassonomia di 18 concetti (customer due diligence, qualità della narrativa SAR, rilevazione di transazioni strutturate, TBML over e under-invoicing, screening sanzioni OFAC, e altro) e tagga ogni lezione ai suoi concetti. Il tagging dei contenuti è il passo che il settore indica come la ragione numero uno per cui i progetti di adaptive learning falliscono, e questo lo automatizza. L'agente è costruito su Pydantic AI, con provider intercambiabili tra Anthropic, OpenAI, Gemini e Ollama, con default claude-opus-4-8, e un fallback offline con tassonomia in cache così la demo funziona senza chiave API.

Un vero modello SAKT inferisce ciò che ciascun apprendente sa davvero

Il nucleo è un vero transformer self-attentive di knowledge tracing: 119,809 parametri, PyTorch, si addestra su CPU in circa 90 secondi e poi mette in cache. Riproduce la sequenza di interazioni di ciascun apprendente e inferisce una probabilità di padronanza per concetto condizionata all'intera storia. Non è un LLM e non è un agente. È il nucleo di machine learning duraturo che rende questo vero knowledge tracing piuttosto che un registro voti.

Un sequencer deterministico Flow-Zone decide il percorso

Python puro, nessun modello nel loop. Per ciascun concetto, una probabilità di padronanza pari o superiore a 0.67 instrada a skip and verify, da 0.38 a 0.67 instrada a flow, e sotto 0.38 instrada a scaffold. Il sequencer calcola il tempo di frequenza adaptive versus flat e il ROI della coorte. I cut-point sono fitted con cross-validation sulla coorte etichettata, supportati da un A/B a 5 fold che migliora strettamente sul fallback impostato a mano, non numeri magici regolati a mano.

Un competence gate che il modello non può sovrascrivere decide cosa viene certificato

Questa è governance, non personalizzazione. Il gate certifica un concetto solo quando la padronanza è almeno 0.747, l'evidenza è sufficiente (almeno 3 interazioni) e il pattern di risposta non è anomalo. Altrimenti marca il concetto "needs proof" e emette una challenge di verifica. Non certifica mai su evidenza sottile o anomala.

L'output è un Competence Certificate firmato (HMAC-SHA256): padronanza per concetto, la traccia di evidenza, nome del modello, versione e AUC del benchmark, le soglie Flow-Zone applicate, tempo di frequenza adaptive versus flat, la mappatura regolamentare e un footer onesto sui limiti. È ciò che consegni a un regolatore al posto di una spunta. Il principio in tutto: certifichiamo ciò che possiamo dimostrare, e non bluffiamo mai una spunta verde.

Modale del syllabus del corso Attest che elenca la tassonomia di 18 concetti prodotta dall'agente di concept-mapping da un unico corso piatto AML Training, ciascun concetto taggato con la sua regolamentazione come 31 CFR 1020.220 e FATF TBML Guidance. — L'agente di concept-mapping decompone un corso in 18 lezioni mappate sulla regolamentazione.

Pannello Under the Hood di Attest che mostra l'esecuzione di training misurata: corpus KT sintetico generato con PFA, 2,500 studenti, AUC held-out 0.8315, accuratezza next-step 0.771, più la logica decisionale deterministica Flow-Zone e competence-gate letta in tempo reale dal checkpoint caricato. — Ogni valore nel pannello del motore è letto in tempo reale dal checkpoint e dalla config caricati, non hard-coded nella pagina.

Tre apprendenti, un verdetto onesto per ciascuno

Ogni cifra qui sotto è l'output reale dell'app in esecuzione su apprendenti sintetici.

La Senior BSA Analyst (8 anni nel ruolo) legge verde quasi ovunque, debole solo su Trade-Based Money Laundering e su un concetto di red-flag SAR. Attest certifica 16 di 18 concetti, ne instrada 2 a needs-proof, e non segnala l'evidenza. Il tempo di frequenza scende da 240 minuti flat a 47.3 minuti adaptive, 80.3% risparmiati. Questo è il caso "sa già la maggior parte, salta ciò che è dimostrato".

Il Competence Certificate firmato per la Senior BSA Analyst: 16 di 18 concetti certificati, riduzione del tempo di frequenza dell'80.3%, AUC held-out del modello 0.8315, una tabella per concetto con probabilità di padronanza, conteggio evidenza e stato certified o needs-proof, e una firma HMAC-SHA256. — Il certificato firmato dell'analista: due concetti restano sotto la soglia di certificazione 0.747 e vengono instradati a needs-proof invece di essere fatti passare.

Il New Branch Manager (6 mesi dopo il trasferimento) ha lacune reali su narrativa SAR e TBML. Il modello inferisce bassa padronanza su diversi concetti e li instrada a flow o scaffold piuttosto che a skip. Attest certifica 10 di 18 concetti, ne instrada 8 a needs-proof, e taglia il tempo di frequenza da 240 a 146.7 minuti, 38.9% risparmiati. Meno concetti certificati rispetto all'analista, perché questo apprendente ha davvero bisogno della formazione. I risparmi seguono la padronanza, non uno sconto piatto.

Console della pipeline live di Attest per il New Branch Manager che mostra inferenza SAKT, sequenziamento Flow-Zone con 10 skip, 5 flow, 3 scaffold, e un risultato del competence gate di 10 certificati e 8 che necessitano prova, con 38.9% di tempo di frequenza risparmiato e 10 di 18 certificati. — La pipeline live del branch manager: una mappa di padronanza più rossa significa meno skip e un risparmio più piccolo e onesto.

L'Operations Associate è il caso difficile. Questo apprendente ha risposto veloce e perfetto su 18 concetti non correlati, una distribuzione dei tempi di risposta incompatibile con un richiamo genuino. La padronanza apparente sembra alta, ma il competence gate segnala l'evidenza e certifica 0 di 18. Tutti e 18 vengono instradati a needs-proof, l'evidenza è marcata flagged, e il tempo di frequenza è trattenuto in attesa di verifica. Lo inquadriamo come valore, non come un "tranello": certifichiamo solo ciò che possiamo dimostrare.

Competence gate di Attest che segnala l'Operations Associate per accuratezza quasi perfetta a tempi di risposta implausibilmente rapidi su 18 concetti non correlati, incompatibile con un richiamo genuino, e trattiene la credenziale con 0 di 18 certificati e tempo di frequenza annullato. — Il caso di AI-gaming: la padronanza apparente è alta, ma il gate trattiene ogni credenziale invece di bluffare una spunta verde.

Il risultato della coorte, calcolato in tempo reale

Su una coorte di ricertificazione annuale genuinamente simulata di 500 persone a un salario fully-loaded di $75 all'ora, Attest calcola circa il 51.9% di riduzione del tempo di frequenza della coorte (2,000 ore flat ridotte a circa 962 ore adaptive, circa 1,038 ore recuperate), circa $77,872 recuperati su questo solo modulo, e circa $389,362 annualizzati se scalati a un tipico programma di conformità di 20 ore. Le cifre in dollari sono calcolate dagli output del modello, e il numero annualizzato è etichettato a schermo come proiezione.

Benchmark live della coorte Attest che valuta tutti i 500 apprendenti sintetici in 1.28 secondi, riportando 51.9% di riduzione media del tempo di frequenza, 1,038 ore recuperate su questo modulo, $77,872 di valore recuperato, e una proiezione annualizzata etichettata di $389,362. — Cinquecento apprendenti valutati in tempo reale: la riduzione è calcolata facendo passare ogni storia di interazione attraverso il modello, non assunta.

Il benchmark del modello, l'ancora indipendente

L'AUC held-out è 0.8315 su un corpus KT sintetico seeded e riproducibile generato con PFA (2,000 studenti di train e 500 di test, 18 concetti, 12 epoche), con accuratezza next-step 0.771. Poiché il processo generatore dei dati (Performance Factors Analysis, un classico modello logistico dell'apprendente) è una famiglia di modelli diversa dal transformer che addestriamo, l'AUC held-out mostra che SAKT ha recuperato una vera struttura latente di apprendimento piuttosto che convalidare le proprie assunzioni. Per contesto esterno, l'AUC SAKT pubblicato sul dataset pubblico ASSISTments è circa 0.80 (Pandey & Karypis, 2019). Il titolo duraturo resta la percentuale di tempo di frequenza risparmiato e la percentuale auto-certificata, che reggono a qualsiasi qualità del modello. L'AUC prova che il modello è vero knowledge tracing, non il numero di punta del prodotto.

Dove si colloca Attest, e cosa questa demo non fa

Sia il tracking del completamento sia i motori di raccomandazione lasciano l'auditor a mani vuote. Il knowledge tracing più la governance no.

Approccio	Cosa misura	Cosa puoi consegnare a un auditor
Completamento SCORM / LMS	Se l'apprendente ha aperto e finito i contenuti	Una spunta verde, senza evidenza di padronanza
"Adaptive" via collaborative filtering	Cosa hanno seguito o fatto dopo apprendenti simili	Una raccomandazione di corso, ancora nessuna prova a livello di concetto
Attest (knowledge tracing più governance)	Padronanza per concetto inferita dalle interazioni di ciascun apprendente	Un Competence Certificate firmato con la traccia di evidenza completa

Per un esempio di mercato nominato, l'"Adaptive Learning Agent" di marzo 2026 di Cornerstone usa collaborative filtering piuttosto che knowledge tracing a livello di concetto (Cornerstone product announcement, March 2026). La distinzione è l'intero punto: una raccomandazione non è una stima di padronanza, e nessuna delle due è un artefatto di audit.

Cosa questa demo NON fa

L'LMS stesso e i connettori Cornerstone-REST e SAP-BTP sono stub di fixture, non integrazioni live. Un build di produzione si collegherebbe al tuo vero system of record.
La coorte di 500 persone e i log di interazione sono sintetici, realistici e modellati sulla tabella di ricerca, non dipendenti reali. Anche i tre apprendenti nominati sono sintetici.
Il certificato è HTML-first, con export PDF best-effort. Il contenuto delle verification-challenge è generato da LLM on demand.
Le probabilità di padronanza sono evidenza, non una garanzia di retention. L'AUC misura la predizione del next-item, non la retention a lungo termine, come afferma il footer sui limiti dello stesso certificato.
Questa è una demo che prova il meccanismo. Non è una pipeline deployata.

Domande che pongono gli acquirenti

L'"adaptive learning" non è solo raccomandazioni di corsi con una nuova etichetta?

La maggior parte degli strumenti commercializzati come adaptive esegue collaborative filtering: raccomandano cosa hanno seguito dopo apprendenti simili. Quello è un motore di raccomandazione, non knowledge tracing. Attest usa un vero transformer self-attentive di knowledge tracing (SAKT) che inferisce una probabilità di padronanza per concetto dalla storia di interazione di ciascun apprendente. L'Adaptive Learning Agent di marzo 2026 di Cornerstone, come esempio nominato, usa collaborative filtering piuttosto che tracing a livello di concetto (Cornerstone product announcement, March 2026).

Un dipendente può barare usando un assistente AI per rispondere in fretta?

È esattamente il caso per cui è costruito il competence gate. Nella demo, un apprendente che ha risposto veloce e perfetto su 18 concetti non correlati attiva la regola di anomalia, e il gate certifica 0 di 18, instradando ogni concetto a needs-proof con il tempo di frequenza trattenuto. Il gate certifica solo quando padronanza, sufficienza dell'evidenza e il controllo del pattern di risposta passano tutti, così la perfezione implausibilmente rapida viene rifiutata piuttosto che premiata.

Cosa consegniamo davvero a un auditor?

Un Competence Certificate firmato, non una spunta. Elenca per ciascun concetto la probabilità di padronanza e lo stato certify o needs-proof, la traccia di evidenza di quali interazioni e timestamp hanno prodotto ciascuna stima, il nome del modello, la versione e l'AUC del benchmark, le soglie Flow-Zone applicate, il tempo di frequenza adaptive versus flat, la mappatura regolamentare e un footer onesto sui limiti, il tutto sotto una firma HMAC-SHA256.

Questo sostituisce il nostro LMS?

No. Attest è un livello di intelligence che legge il flusso di interazioni che il tuo LMS produce già, non un nuovo LMS. In questa demo l'LMS e i connettori Cornerstone-REST e SAP-BTP sono stub simulati, e un build di produzione si collegherebbe al tuo vero system of record. Il tuo LMS continua a registrare il completamento mentre Attest aggiunge la padronanza a livello di concetto e il certificato.

Da dove viene la riduzione del 51.9% del tempo di frequenza? È un risultato reale di un cliente?

È calcolata in tempo reale su una coorte sintetica di ricertificazione di 500 persone, non misurata su clienti reali. Attest fa passare la storia di interazione di ciascun apprendente simulato attraverso il modello SAKT e il sequencer Flow-Zone e riporta la riduzione aggregata di circa il 51.9%, le ore recuperate e una proiezione annualizzata etichettata. L'affermazione ancorata in modo indipendente è la qualità del modello (AUC 0.83), non la cifra in dollari.

L'AUC 0.83 è misurato su un dataset pubblico?

No. L'AUC held-out di 0.8315 è misurato sul nostro corpus KT sintetico seeded e riproducibile generato con PFA, non su un benchmark pubblico. Conta perché il corpus è generato da una famiglia di modelli diversa (PFA logistico) rispetto al transformer che addestriamo, quindi un AUC held-out alto mostra che il modello ha recuperato una vera struttura di apprendimento. I risultati SAKT pubblicati sul dataset pubblico ASSISTments sono circa 0.80 (Pandey & Karypis, 2019), citati solo come contesto esterno.

Ricerca tecnica

La ricerca dietro questa demo — l'architettura, il design di verifica e il blueprint enterprise.

Soluzione completa

Esplora la soluzione Adaptive Learning AI →

Porta l'evidenza di competenza nella tua formazione di conformità

Per chief learning officer, direttori L&D e leader della conformità che gestiscono la ricertificazione obbligatoria.

Se il tuo team sta valutando come dimostrare la padronanza, non solo il completamento, per un programma formativo regolamentato, ci farebbe piacere confrontarci su cosa richiede. Il problema è di settore e lo saranno anche le risposte.

Assessment di assurance della formazione

✓ Analisi del gap di padronanza a livello di concetto su un modulo
✓ Modellazione del tempo di frequenza e del ROI di coorte sui tuoi numeri
✓ Revisione dell'artefatto di audit e della mappatura regolamentare
✓ Una lettura onesta su dove il knowledge tracing aiuta e dove no

Build su misura

✓ Agente di concept-mapping tarato sul tuo courseware
✓ Knowledge tracing SAKT sui tuoi dati di interazione
✓ Sequencer Flow-Zone deterministico e competence gate
✓ Competence Certificate firmato collegato al tuo system of record

Contatta via WhatsApp Scrivi al nostro team via email