> For the complete documentation index, see [llms.txt](https://docs.opencityitalia.it/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://docs.opencityitalia.it/ai/architettura-e-funzionalita-del-chatbot/architettura-e-sicurezza-dei-dati/privacy-e-sicurezza-dei-dati.md). # Privacy e sicurezza dei dati {% hint style="info" %} Per una disamina completa sulle modalità di gestione e trattamento dei dati, è possibile consultare il documento ufficiale sulle [Modalità di trattamento dei dati personali](https://docs.google.com/document/d/1AoimC9Z2K8tqhUFLTQlclU2zpKU_w2bH_EHg_RXVn6E/edit?tab=t.0) {% endhint %} Per garantire la massima sicurezza, il sistema integra un componente software dedicato che agisce come un filtro di sicurezza preventivo tra l’utente e il modello di linguaggio (LLM) esterno. Prima che qualsiasi richiesta venga inoltrata all'intelligenza artificiale per l'elaborazione della risposta, il modulo di sicurezza di OpenCity interviene attivamente attraverso due azioni cruciali: ## **Validazione della pertinenza** Prima di coinvolgere l'intelligenza artificiale, il sistema cerca nei contenuti dell'Ente le pagine che rispondono alla domanda. La ricerca è semantica: trova le pagine in base al significato della domanda, anche quando usano parole diverse. Se non trova pagine pertinenti, la domanda non viene inviata al modello. Questo assicura che il chatbot rimanga focalizzato esclusivamente sui servizi e sulle finalità istituzionali. ## **Anonimizzazione preventiva** Il filtro identifica e offusca in modo irreversibile eventuali dati personali (nomi, indirizzi email, numeri di telefono, codici fiscali, targhe, ecc.) inseriti involontariamente dall'utente all'interno della chat. Ogni dato viene sostituito da un segnaposto generico, senza conservare alcuna corrispondenza con il dato originale, prima della registrazione nei log e dell'invio al modello. Per non offuscare i riferimenti legittimi, ogni Ente ha un elenco di eccezioni popolato in automatico con i nomi e i recapiti pubblicati sul proprio sito, come uffici, responsabili ed email istituzionali: questi restano in chiaro, così il chatbot può rispondere anche su di essi. Questo flusso operativo è stato progettato per limitare il rischio che un sistema esterno (LLM) effettui trattamenti su dati personali. In sostanza, il componente OpenCity AI funge da barriera protettiva, garantendo che al modello di intelligenza artificiale giungano esclusivamente quesiti anonimi e privi di informazioni sensibili. L'intera piattaforma, modelli linguistici compresi, gira su cloud qualificato ACN di livello QC2 basato su AWS, con i dati trattati nelle regioni europee. OpenCity Labs è certificata ISO 9001, ISO/IEC 27001, ISO/IEC 20000 e ISO 22301, e il servizio è conforme al GDPR e al Regolamento europeo sull'intelligenza artificiale (AI Act). ## **Limiti dell'AI e gestione degli errori** Come qualsiasi sistema basato su intelligenza artificiale, OpenCity AI Chatbot può commettere errori. Il chatbot è progettato per gestirli in modo trasparente: quando non dispone di informazioni, lo dichiara esplicitamente e invita l'utente a contattare l'ente attraverso i canali dedicati, invece di produrre una risposta approssimativa. ## **Accesso all'amministrazione** {% hint style="warning" %} Il pannello di amministrazione del chatbot, basato su Cheshire Cat AI, **è riservato al personale di OpenCity**. {% endhint %} L'accesso è governato da Authentik, il sistema open source di gestione delle identità adottato da OpenCity, con il protocollo standard OpenID Connect: ogni operatore entra con il proprio account personale, e chi può accedere è definito centralmente su Authentik. L'uso del chatbot da parte dei cittadini resta anonimo e non richiede alcun accesso. --- # Agent Instructions This documentation is published with GitBook. GitBook is the documentation platform designed so that both humans and AI agents can read, navigate, and reason over technical content effectively. Learn more at gitbook.com. ## Querying This Documentation If you need additional information that is not directly available in this page, you can query the documentation by asking a question. Perform an HTTP GET request on the following URL with the `ask` and `goal` query parameters: ``` GET https://docs.opencityitalia.it/ai/architettura-e-funzionalita-del-chatbot/architettura-e-sicurezza-dei-dati/privacy-e-sicurezza-dei-dati.md?ask=&goal= ``` `ask` is the immediate question: it should be specific, self-contained, and written in natural language. `goal` is what the user is ultimately trying to achieve, the reason they need the answer. Sharing it helps GitBook give you a better, more relevant answer. A goal is most helpful when it describes the outcome the user wants rather than restating the question. For example, with `ask=how do I create an API token`, a goal like `automate deployments from our CI pipeline` lets GitBook tailor the answer to that use case. The response will contain a direct answer to the question and relevant excerpts and sources from the documentation. Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.