🤖 AI

SentinelAI: A Multi-Agent Framework for Structuring and Linking NG9-1-1 Emergency Incident Data

Il paper presenta SentinelAI, un framework multi-agente scalabile che trasforma le comunicazioni di emergenza in dati strutturati e standardizzati (NENA) per integrare, costruire e analizzare in tempo reale gli incidenti nel contesto del Next Generation 9-1-1.

Autori originali: Kliment Ho, Ilya Zaslavsky

Pubblicato 2026-03-27

📖 4 min di lettura☕ Lettura da pausa caffè

CC BY 4.0

Autori originali: Kliment Ho, Ilya Zaslavsky

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Immagina di essere il direttore di un grande orchestra di emergenza. Quando scoppia un incidente grave (un incendio, un'alluvione, un incidente stradale), arrivano informazioni da tutte le parti: le chiamate al 911, i radio dei vigili del fuoco, i report della polizia, le notizie dei giornali e i sensori meteorologici.

Il problema? Ognuno parla una "lingua" diversa. La polizia usa codici come "Codice 3", i giornalisti scrivono frasi lunghe, e i meteorologi usano termini tecnici. È come se ogni musicista suonasse una nota diversa senza seguire lo stesso spartito: il risultato è un caos rumoroso invece di una sinfonia coordinata.

SentinelAI è il nuovo direttore d'orchestra intelligente che risolve questo problema. Ecco come funziona, spiegato in modo semplice:

1. Il Concetto di Base: Non un "Foglio Unico", ma un "Libro di Storia"

Tradizionalmente, quando arriva una nuova informazione su un incidente, si cerca di aggiornare un unico foglio di carta, cancellando e riscrivendo. Se sbagli, perdi la storia di cosa è successo prima.

SentinelAI fa diversamente. Immagina che ogni nuova informazione sia un nuovo capitolo in un libro di storia che si scrive da solo.

Non cancella mai il passato.
Aggiunge nuovi capitoli man mano che arrivano le notizie.
Alla fine, puoi leggere l'intera storia dell'incidente, capitolo per capitolo, o guardare solo l'ultima pagina per sapere cosa sta succedendo ora.

2. I Tre Maghi (Gli Agenti)

SentinelAI non è un singolo robot gigante, ma una squadra di tre "agenti" specializzati che lavorano insieme, ognuno con un superpotere specifico:

L'Agente EIDO (Il Traduttore):
- Cosa fa: Prende il caos delle informazioni grezze (chiamate, testi, audio) e le trasforma in un linguaggio standardizzato che tutti i computer possono capire.
- L'analogia: È come un traduttore simultaneo in una conferenza ONU. Se la polizia dice "Codice 3", lui lo traduce immediatamente in "Priorità Alta" (un numero standard). Se il giornalista scrive "vicino al vecchio mulino", lui lo converte in coordinate precise. Il risultato è un documento pulito e ordinato chiamato EIDO-JSON.
L'Agente IDX (Il Detective che Collega i Punti):
- Cosa fa: Riceve tutti quei documenti tradotti e si chiede: "Questa nuova notizia riguarda lo stesso incidente di quella di 10 minuti fa?".
- L'analogia: Immagina un detective che riceve centinaia di indizi sparsi. Se riceve una chiamata su un incendio alle 14:00 e un rapporto della polizia alle 14:15 sullo stesso quartiere, il detective capisce che sono la stessa cosa. Unisce i pezzi del puzzle per creare un'unica visione completa dell'incidente, invece di avere due report separati e confusi.
L'Agente Geocoding (La Bussola):
- Cosa fa: Prende le descrizioni vaghe dei luoghi ("vicino al grande albero", "dietro il centro commerciale") e le trasforma in coordinate GPS precise.
- L'analogia: È come avere un assistente che conosce ogni vicolo della città. Se qualcuno dice "sono vicino alla fontana del parco", l'assistente sa esattamente dove si trova quella fontana e la segna sulla mappa digitale, anche se il chiamante non conosceva il nome della strada.

3. Come Funziona nella Realtà (Un Esempio)

Immagina un'alluvione a San Diego:

12:20: Il servizio meteorologico invia un avviso generico: "Alluvione nella contea centrale". L'Agente EIDO lo trasforma in un documento standard. L'Agente Geocoding disegna la zona sulla mappa.
12:45: Un giornale pubblica un articolo: "Le strade sono allagate e manca la luce vicino al fiume".
Il Collegamento: L'Agente IDX vede che l'articolo parla dello stesso giorno, della stessa zona (il fiume è nella contea centrale) e usa parole simili ("alluvione", "pioggia"). Capisce che è la stessa emergenza!
Il Risultato: Invece di avere due notizie separate, il sistema crea un unico quadro operativo che mostra l'avviso ufficiale più i dettagli specifici del giornale. I soccorritori vedono tutto insieme, in tempo reale.

4. Perché è Importante?

Questo sistema permette a computer e umani di "parlare la stessa lingua".

Interoperabilità: Funziona con i software che le città usano già (come FME, un programma molto usato per gestire dati geografici). Non serve buttare via tutto e ricominciare da zero; SentinelAI si "innesta" nel sistema esistente come un adattatore universale.
Chiarezza: Trasforma il rumore di fondo in un segnale chiaro.
Flessibilità: Se arriva una nuova informazione, il sistema la aggiunge senza distruggere quello che sapeva prima.

In Sintesi

SentinelAI è come un sistema nervoso centrale per le emergenze. Prende i segnali confusi che arrivano da tutte le direzioni, li traduce in una lingua comune, li collega tra loro per capire il quadro completo e li consegna ai soccorritori in modo che possano agire velocemente e con precisione, salvando vite e risorse. Non è magia, è intelligenza artificiale applicata all'ordine nel caos.

1. Il Problema: Frammentazione dei Dati nelle Emergenze

I sistemi di risposta alle emergenze generano dati provenienti da molteplici agenzie e fonti (centri di smistamento, forze dell'ordine, servizi medici, media, governi locali). Questi dati presentano diverse criticità:

Eterogeneità: I dati sono sia strutturati (campi predefiniti) che non strutturati (testo libero, trascrizioni audio, notizie).
Incompatibilità: Ogni agenzia utilizza standard di formattazione, terminologia e cicli di vita dei dati propri, rendendo difficile l'integrazione su larga scala.
Limiti degli approcci attuali: I pipeline di trasformazione dati monolitici faticano a combinare l'interpretazione linguistica, la correlazione temporale, l'interpretazione spaziale e la normalizzazione semantica in un unico flusso di lavoro coerente.
Contesto NG9-1-1: Con l'adozione dei sistemi Next Generation 9-1-1 (basati su IP), il volume e la diversità dei dati (testo, immagini, video, sensori) aumentano drasticamente, rendendo urgente la necessità di standardizzare questi flussi per l'interoperabilità.

2. Metodologia: Il Framework SentinelAI

Il paper presenta SentinelAI, un framework di integrazione e standardizzazione dati basato su un'architettura multi-agente. L'obiettivo è trasformare le comunicazioni di emergenza in dataset standardizzati, leggibili dalle macchine (formato EIDO-JSON), che supportino l'integrazione, la costruzione di incidenti compositi e il ragionamento cross-sorgente.

Il sistema non utilizza un pipeline monolitico, ma scompone il processo in tre agenti specializzati che operano in modo asincrono:

A. Agente EIDO (EIDO Agent)

Funzione: Ingestione e strutturazione dei dati grezzi.
Meccanismo: Utilizza modelli linguistici (LLM) per interpretare input eterogenei (note degli operatori, trascrizioni radio, report di dispacciamento).
Compiti chiave:
- Estrazione di entità (persone, luoghi, organizzazioni) da testo non strutturato.
- Traduzione di codici specifici delle agenzie (es. "Code 3", "P1") in valori standardizzati del registro IANA richiesti dallo standard NENA.
- Sintesi di timestamp da campi temporali disparati in formato ISO 8601.
- Applicazione di template configurabili per garantire la conformità allo schema EIDO-JSON.

B. Agente IDX (Incident Data Exchange Agent)

Funzione: Correlazione e sintesi degli incidenti.
Meccanismo: Associa nuovi documenti EIDO a contesti di incidenti esistenti o ne avvia di nuovi.
Algoritmo di Correlazione: Utilizza una funzione di punteggio pesato ( $\Sigma$ $Σ$ ) che combina tre evidenze:
1. Temporale ( $\phi_t$ ): Prossimità temporale rispetto alle attività recenti dell'incidente.
2. Spaziale ( $\phi_g$ ): Distanza tra le località riportate (distanza euclidea o basata sulla rete).
3. Semantica ( $\phi_s$ ): Similarità testuale tra le descrizioni degli incidenti (tramite embedding vettoriali).
Logica di Linking: Un nuovo EIDO viene collegato all'incidente esistente che massimizza il punteggio di similarità, superando una soglia configurabile ( $\tau$ ). Se non supera la soglia, viene creato un nuovo contesto di incidente.
Rappresentazione Composita: Invece di sovrascrivere un singolo record, il sistema mantiene un insieme di EIDO collegati ( $I = \{E_1, E_2, ..., E_n\}$ ). La vista composita dell'incidente viene costruita dinamicamente aggregando i dati di tutti gli EIDO collegati (es. unione delle unità coinvolte, cronologia delle note, stato più recente).

C. Agente di Geocodifica (Geocoding Agent)

Funzione: Arricchimento spaziale.
Meccanismo: Risolve descrizioni di luogo informali (es. "vicino al mercato", nomi locali) che spesso mancano negli indirizzi formali.
Strategia: Combina tre processi:
1. Confronto con una collezione curata di punti di riferimento locali.
2. Query a servizi di mappatura esterni (Google Maps, OpenStreetMap).
3. Disambiguazione basata sul contesto dell'incidente (tipo di evento, giurisdizione).
Output: Restituisce coordinate geografiche, nomi di punti di riferimento corrispondenti e indirizzi civici, mantenendo anche la descrizione originale per la tracciabilità.

3. Contributi Chiave

Architettura di Riferimento Multi-Agente: Implementazione concreta di tre agenti specializzati (EIDO, IDX, Geocoding) che coordinano la strutturazione, la correlazione e l'arricchimento spaziale in linea con lo standard NENA EIDO.
Modello Operativo di Incidenti Collegati: Un approccio metodologico che tratta gli incidenti come entità evolutive. Gli oggetti EIDO sono collegati a un contesto comune, permettendo aggiornamenti incrementali da più fonti senza collassare le informazioni in un singolo record statico, preservando così la storia e la tracciabilità.
Interoperabilità Aziendale: Dimostrazione pratica dell'integrazione con FME (Safe Software), una piattaforma leader per l'integrazione di dati spaziali. Sono stati sviluppati componenti EIDOReader e EIDOWriter per facilitare lo scambio bidirezionale tra SentinelAI e sistemi legacy o GIS esistenti.

4. Risultati e Caso di Studio

Il paper illustra un caso d'uso realistico relativo a forti piogge nel San Diego County (1 gennaio 2026):

Input: Un avviso di alluvione del National Weather Service (testo semi-strutturato) e un articolo di giornale digitale con dettagli specifici su danni infrastrutturali.
Elaborazione:
- L'Agente EIDO converte entrambi i testi in documenti EIDO-JSON standardizzati.
- L'Agente Geocoding risolve "Central San Diego County" e "San Diego River" in rappresentazioni spaziali.
- L'Agente IDX calcola la similarità (temporale, spaziale e semantica) tra i due report.
Esito: Il punteggio di similarità supera la soglia $\tau$ . L'Agente IDX collega i due report allo stesso contesto di incidente.
Visualizzazione: Il sistema genera una vista composita che unisce lo status ufficiale dell'avviso con i dettagli specifici dei danni riportati dai media, offrendo un quadro operativo più completo rispetto alle singole fonti.

5. Significato e Impatto

Il lavoro di SentinelAI rappresenta un passo avanti significativo per l'interoperabilità nei sistemi di emergenza di nuova generazione (NG9-1-1):

Standardizzazione: Fornisce un'implementazione pratica dello standard NENA-STA-024.1.1-2025 (EIDO), rendendo i dati di emergenza realmente utilizzabili dalle macchine.
Gestione della Complessità: Supera i limiti dei pipeline monolitici gestendo la complessità semantica e temporale attraverso agenti specializzati.
Flessibilità Operativa: Il modello di "incidente composito" permette di seguire l'evoluzione di un evento in tempo reale senza perdere informazioni storiche, fondamentale per il processo decisionale e l'audit.
Integrazione Pratica: La dimostrazione con FME prova che il framework può essere integrato nei flussi di lavoro esistenti delle agenzie di pubblica sicurezza senza richiedere la sostituzione completa dei sistemi legacy.

In sintesi, SentinelAI non è un sistema di supporto decisionale operativo diretto, ma un'infrastruttura abilitante che garantisce che i dati di emergenza siano strutturati, collegati e standardizzati, permettendo a sistemi umani e computazionali di analizzare e reagire agli eventi in modo più efficace.