Benchmarking e Adapter Fine-tuning di Large Language Model nella Risoluzione di Quesiti sul Programma di Sviluppo Rurale Italiano

L'intelligenza artificiale (IA) è oggi riconosciuta come una tecnologia capace di trasformare profondamente numerosi settori. Tuttavia, la sua applicazione in ambiti tradizionalmente percepiti distanti dall'innovazione tecnologica, come quello normativo e agricolo, può risultare controintuitiva. Eppure, l'IA, grazie ai Large Language Models (LLM), si dimostra in grado di affrontare tematiche altamente specialistiche, supportando l'analisi, la comprensione e la gestione di normative e bandi nel dominio agricolo. Il lavoro di tesi si inserisce in tale contesto, concentrandosi sull'utilizzo dei LLM per il Programma di Sviluppo Rurale (PSR) italiano della regione Emilia-Romagna. Il PSR rappresenta un insieme articolato di normative, bandi e requisiti tecnico-amministrativi rivolti a soggetti del settore primario, offrendo loro finanziamenti e supporto. La sua complessità e il livello di dettaglio rendono però spesso difficile accedere facilmente alle informazioni di interesse. In questo scenario, il lavoro propone l'uso di LLM assieme a specifiche tecniche come il Parameter-Efficient Fine-Tuning (PEFT) e il Prompt Engineering per sviluppare un approccio innovativo alla creazione di componenti intelligenti, capaci di comprendere e rispondere a quesiti in linguaggio naturale. Questi strumenti costituiscono la base per assistenti conversazionali specializzati e adattati al dominio normativo-agricolo in questione, con l'obiettivo di facilitare l'accesso alle informazioni e rendere più immediata e inclusiva la fruizione delle opportunità offerte dal PSR. A testimonianza di quanto svolto, è stata condotta un'attività di benchmarking per valutare le prestazioni del modello addestrato che ha raggiunto un'accuratezza massima del 96,13% e miglioramenti superiori al 15-20% su diversi indicatori di performance, confermando l'efficacia dell'approccio proposto.