Migliora il sistema

Insegna a PlayToLink con i tuoi contenuti

Due strade per rendere la piattaforma più brava: i libri alimentano il coach esperto (RAG), le simulazioni alimentano l'apprendimento automatico (auto-miglioramento). Tutto resta privato: dai libri non vengono mai mostrati estratti integrali, solo conoscenza distillata.

Carica nuovi contenuti

Carica un libro

RAG · coach esperto

Manuali, testi di mediazione, dispense. Il contenuto viene spezzato in frammenti e indicizzato: il coach attinge a questa conoscenza quando ti guida e analizza i conflitti.

Carica simulazioni

Machine learning · auto-miglioramento

Un dataset di partite/sessioni in formato .jsonl (un esempio per riga). Serve ad addestrare e migliorare i modelli interni. L'import gira offline, in sicurezza.

Dopo il caricamento, l'import nel machine learning si avvia con: php artisan simulations:import

Le tue skill

Ogni libro caricato è una skill: un pacchetto di conoscenza che il coach può usare. Le skill attive alimentano il coach; quelle disattivate restano in libreria ma non vengono interrogate. Disattivare non cancella i frammenti già indicizzati.

Indicizzazione rinviata. Il servizio di ingest (embeddings) non è attivo in questo ambiente offline. Puoi caricare i libri ora: verranno indicizzati quando la rete tornerà.

Nessuna skill

Carica un libro qui sopra: diventerà la tua prima skill.

Come arriva ai modelli

Carichi
Libro o dataset: il file resta in archivio privato, mai esposto integralmente.
Indicizzi / importi
I libri diventano frammenti + embeddings (RAG). Le simulazioni entrano nella pipeline ML.
Il sistema migliora
Il coach attinge alla nuova conoscenza; i modelli imparano dagli esempi.

Ti è stato utile? — la misura sul campo

Riscontri anonimi raccolti a fine analisi o partita: quante persone hanno risposto "sì, mi ha aiutato". Nessun dato personale: solo conteggi.

Specchio personale

100% lo ha trovato utile

👍 1 · 👎 0

Apprendimento

Stato apprendimento

Quanto ha imparato PlayToLink finora, con numeri reali letti dall'archivio. Tutto offline: nessuna rete, nessun servizio esterno: solo conteggi e gli artefatti già prodotti dall'addestramento locale.

I numeri di base

Modelli non ancora addestrati

Le simulazioni sono gli esempi; i casi etichettati sono quelli con turni e risposte annotate (esito, responsabilità, bisogni…) usati per addestrare. I frammenti RAG sono i pezzi di libro che il coach può citare.

0 Simulazioni in archivio

0 Casi etichettati

0 Frammenti RAG indicizzati

— Modelli addestrati

Ancora nessun dato: carica libri e simulazioni qui sopra per iniziare ad alimentare l'apprendimento. L'addestramento dei modelli gira poi offline con php artisan ml:train-local.

Modelli non ancora addestrati. Non sono presenti artefatti in storage/app/ml/. Dopo aver caricato dati a sufficienza, l'addestramento locale (100% offline, in PHP) si avvia con php artisan ml:train-local e produce i modelli più l'eventuale report di accuratezza.

Automiglioramento

Come il sistema impara: il ciclo di ML

Le simulazioni che carichi (file JSONL) e — solo con consenso esplicito — le sessioni reali alimentano due cose: i classificatori esterni (natura del conflitto, esito, ferite, bisogni, mossa migliore) e il recupero di esempi simili (retrieval). L'app non addestra nulla da sola: raccoglie e valida i dati; l'addestramento avviene offline, fuori da qui.

In questa demo non parte alcun addestramento e non serve rete: vedi solo lo stato dei dati e la spiegazione del ciclo. L'addestramento vero gira offline su infrastruttura esterna (UE) e l'app consuma solo gli artefatti prodotti.

Stato attuale

Dati dal database

Conteggi letti in sola lettura dal database. Se il database non è raggiungibile o le tabelle non sono ancora popolate, i valori restano a zero senza errori.

0Simulazioni in archivio

0Di cui gold (curate)

0Import JSONL registrati

0Righe in staging

0Embedding precomputati

0Dataset esportati

0Consensi ML attivi

Nessuna simulazione ancora caricata: il motore lavora già con i 22 scenari di esempio. Carica un file JSONL conforme allo schema per far crescere l'archivio.

Cosa alimenta cosa

Due fonti di dati, tre consumatori. Le fonti restano sempre separate e con regole diverse di trattamento.

Fonte · primaria

Simulazioni JSONL

Traiettorie di conflitto già etichettate (natura, fase, mosse, emozioni, bisogni, esito). Sono la fonte primaria e preferita: sintetiche o anonimizzate, senza dati personali.

Fonte · solo con consenso

Sessioni reali (opt-in)

Una sessione reale entra nel percorso di addestramento solo con consenso esplicito, separato e revocabile, e dopo de-identificazione. I minori sono esclusi per impostazione predefinita.

Consumatori

Classificatori + retrieval

I classificatori esterni producono segnali (natura, esito, ferite, bisogni, mossa migliore). Il retrieval recupera gli esempi più simili da usare come contesto. Entrambi suggeriscono, non decidono.

I tre passi del ciclo

Lo stesso percorso, sempre nello stesso ordine: caricare i dati, indicizzarli e validarli, ri-addestrare offline.

Passo 1

Carica

Carichi le simulazioni in formato JSONL (un esempio per riga) o concedi il consenso a una sessione reale. Il file viene letto in streaming, riga per riga, anche se molto grande.
Passo 2

Indicizza e valida

Ogni riga è validata rispetto allo schema e alle regole; i duplicati e i dati non conformi vanno in quarantena. I dati puliti vengono de-identificati ed esportati come dataset versionato.
Passo 3

Ri-allena offline

Sul runner esterno (UE) si calcolano gli embedding e si ri-addestrano i classificatori. Si valutano su un gold set congelato; si promuove solo se migliorano senza regressioni, altrimenti rollback.

Flusso del dato

JSONL / sessione (con consenso) → validazione → de-identificazione → dataset versionato → embedding + ri-addestramento (offline, UE) → valutazione su gold set → promozione o rollback → l'app consuma gli artefatti (retrieval + classificatori).

Guardrail

Regole non negoziabili che proteggono le persone e la qualità del dato. Valgono prima che qualsiasi dato lasci l'app.

De-identificazione

I dati sono pseudonimizzati (PERSONA_A, AZIENDA_1, MINORE_1) prima di qualsiasi addestramento. Avviene offline e non è aggirabile.

Consenso esplicito

Le sessioni reali entrano nell'addestramento solo con consenso separato, granulare e revocabile. Mai per interesse legittimo silenzioso.

Niente PII

Nessun dato personale identificativo nei dataset di addestramento. Lo schema è minimo: turni, mosse, emozioni, bisogni, esito; nessuna identità.

Solo UE

Addestramento e archiviazione restano nell'Unione Europea. I fornitori esterni operano con DPA, clausole contrattuali e divieto di addestrare sui nostri dati.

Minori protetti

I contenuti che riguardano minori sono esclusi dall'addestramento per impostazione predefinita e seguono un protocollo rafforzato.

Diritto all'oblio

Una revoca cancella subito i dati e li esclude dai ri-addestramenti futuri tramite deny-list. I casi sensibili usano il retrieval, che dimentica all'istante.

Guida operativa completa per chi gestisce i dati: docs/self-improvement.md