From Prompts to Context: An Ontology-Driven Framework for Human-Generative AI Collaboration

Sintesi Tecnica: Dalle Prompt al Contesto: Un Framework Guidato da Ontologia per la Collaborazione Uomo-Intelligenza Artificiale Generativa

Enunciato del Problema
Le attuali collaborazioni tra esseri umani e Intelligenza Artificiale Generativa (GenAI) soffrono spesso di una mancanza di esplicitazione contestuale. Le interazioni tipicamente iniziano con una prompt breve e ad hoc e si concludono con un output opaco, lasciando implicite informazioni critiche riguardanti gli agenti coinvolti, i compiti specifici perseguiti, le risorse utilizzate e i vincoli che governano il processo. Questo "deriva del contesto" ostacola la fiducia, la tracciabilità e la responsabilità, in particolare nei flussi di lavoro ad alta intensità informativa come lo sviluppo software, la ricerca e la gestione dei profili. L'opacità deriva non solo dai modelli neurali sottostanti, ma dalle interazioni a livello di sistema più ampio, dove prompt, contesto recuperato, passaggi intermedi e interventi umani non sono formalmente collegati. Le ontologie di collaborazione esistenti si concentrano largamente sulle interazioni uomo-uomo o mancano della granularità specifica richiesta per modellare ruoli dinamici della GenAI, portando a un vuoto nei metodi standardizzati per catturare il "chi, cosa, come e perché" della collaborazione Uomo-GenAI.

Metodologia
Il documento propone "Dalle Prompt al Contesto", un framework centrato sull'Ontologia di Collaborazione Contestuale per l'Intelligenza Artificiale (CCAI). La metodologia coinvolge tre componenti principali:

1. L'Ontologia CCAI: Sviluppata utilizzando la metodologia SAMOD e un design modulare "modelet", la CCAI fornisce un vocabolario condiviso e interpretabile dalle macchine. È costruita su ontologie fondative come PROV-O e FOAF, estese con classi specifiche di dominio. Le entità chiave includono:

   • Agenti: Differenziazione tra ccai:HumanCollaborator (Collaboratore Umano), ccai:GenerativeAIAgent (Agente di Intelligenza Artificiale Generativa) e ccai:AgentGroup (Gruppo di Agenti).
   • Ruoli e Competenze: Definizione di responsabilità specifiche (ad esempio, ccai:ToolRole, ccai:AIPartnerRole) e capacità.
   • Compiti e Processi: Modellazione delle unità di lavoro (ccai:Task) e dei flussi di lavoro (ccai:CollaborationProcess) con dipendenze.
   • Contesto e Risorse: Cattura di impostazioni temporali, spaziali e di dominio (ccai:CollaborationContext) e strumenti/set di dati (ccai:CollaborationResource).
   • Vincoli: Modellazione esplicita delle linee guida etiche (ccai:EthicalConstraint).

2. Costruzione di Prompt Guidata da SPARQL: Il framework opera l'ontologia utilizzando query SPARQL per recuperare informazioni semantiche rilevanti per il compito (contesto, risorse, ruoli, vincoli) dalla base di conoscenza. Questi dati recuperati vengono iniettati in un modello di prompt strutturato, fondendo l'intento umano con legami ontologici espliciti. Questo sposta l'ingegneria delle prompt dall'elaborazione libera a una richiesta strutturata e completa di contesto.

3. Generazione di Artefatti Collegati alla Provenienza: Gli output generati dall'IA vengono collegati al compito originario, agli agenti e al contesto utilizzando relazioni di provenienza (ad esempio, prov:wasGeneratedBy, prov:wasAttributedTo). Questo crea una traccia di collaborazione interrogabile, trasformando interazioni effimere in registri verificabili.

Contributi Chiave
Il documento apporta tre contributi specifici:

1. Un'Ontologia Contestuale: L'ontologia CCAI rende la semantica della collaborazione e il contesto cittadini di "prima classe" nel lavoro Uomo-GenAI, definendo formalmente ruoli, compiti, risorse e vincoli.
2. Un Approccio di Strumentazione: Un flusso di lavoro che integra il contesto derivato da SPARQL nei processi di prompting e revisione, producendo tracci di collaborazione strutturati e verificabili invece di fare affidamento su memoria implicita o log non strutturati.
3. Uno Studio di Caso Rappresentativo: Un'applicazione approfondita del framework all'interno di un team di sviluppo software che costruisce una funzionalità "Visualizza e Aggiorna Profili di Competenza" per un sistema di educazione basato sulle competenze. Questo studio dimostra l'utilità del framework attraverso le fasi di analisi dei requisiti, progettazione, implementazione e test.

Risultati
Lo studio di caso fornisce evidenze empiriche delimitate confrontando una condizione "solo prompt" (PO) con una condizione "supportata da CCAI" (CB):

• Esplicitazione Contestuale: Nella condizione CB, tutte le categorie contestuali (contesto, risorse, responsabilità, vincoli) erano esplicitamente rappresentate nel prompt (4/4 categorie), mentre la condizione PO le lasciava implicite (0/4).
• Tracciabilità: La condizione CB ha preservato percorsi di provenienza strutturati per tutti i 12 compiti istanziati, collegando gli artefatti direttamente ai compiti e agli agenti. La condizione PO ha spesso omesso elementi contestuali legati al compito (86/95 elementi omessi).
• Impatto Operativo: Il framework ha ridotto con successo l'ambiguità contestuale e ha permesso la ricostruzione delle tracce decisionali. Ad esempio, le query SPARQL potevano recuperare istantaneamente le risorse specifiche (ad esempio, ccai:CompetencyDB), i ruoli e gli agenti associati a un compito, che venivano poi utilizzati per assemblare un prompt preciso.
• Limitazioni Osservate: Lo studio ha notato che l'efficacia del framework dipende dalla tempestività della base di conoscenza dell'ontologia. Se le descrizioni delle risorse nell'ontologia diventano obsolete (ad esempio, cambiamenti nell'API non riflessi immediatamente), il contesto del prompt generato diventa parzialmente errato, richiedendo intervento umano. Pertanto, la curatela dell'ontologia diventa un compito operativo esplicito.

Significato e Affermazioni
Gli autori posizionano questo lavoro come un passo verso pratiche Uomo-GenAI più trasparenti e responsabili. Affermano esplicitamente di non rivendicare guadagni di efficienza o produttività; piuttosto, il significato risiede in:

• Trasparenza Potenziata: Rendere esplicito il contesto collaborativo permette agli stakeholder di comprendere la razionalità alla base degli output dell'IA.
• Migliorata Tracciabilità: Fornire catene verificabili dalle storie utente al codice generato e ai commit, facilitando una migliore supervisione.
• Comprensione Condivisa: Servire come "oggetto di confine" che allinea agenti umani e AI su ruoli, vincoli e obiettivi, riducendo il rischio di deriva del contesto.

Il documento conclude delineando principi di progettazione per sistemi futuri: il contesto deve essere esplicito e ispezionabile; la provenienza dovrebbe essere integrata di default; e l'ontologia deve servire come interfaccia di comunicazione condivisa, non solo come schema backend. Gli autori riconoscono che, sebbene il framework migliori la tracciabilità, non elimina la natura probabilistica della GenAI o il rischio di suggerimenti inadeguati al dominio, rendendo necessaria una revisione e convalida umana continua.