Surse
Selezioniamo le fonti e l’accesso consentito: documenti, canali e conversazioni rilevanti.
Prodotti Cronberry
Informație și coordonare Dezvoltare & demonstrații
Da informazione dispersa, contesto di lavoro.
Cronberry riunisce fonti autorizzate, conversazioni e relazioni in uno spazio di ricerca e coordinamento. La ricerca semantica e gli agenti aiutano il team a trovare ciò che conta e a preparare il passo successivo.
Cronberry
Dall’informazione al lavoro svolto.
Context
Organizziamo le informazioni per argomenti, relazioni e progetti, con la possibilità di tornare alla fonte.
Coordonare
Prepariamo sintesi e azioni per la revisione, collegate al flusso di lavoro del team.
Dove diventa utile.
Ricerca e radar tematico
Tracciamento degli argomenti di interesse e recupero delle informazioni rilevanti.
Relazioni e opportunità
Il contesto delle interazioni autorizzate, in un luogo accessibile al team.
Il collegamento con FlowMind
Esploriamo il ponte tra l'informazione testuale, gli argomenti monitorati e il contesto geospaziale.
Presentiamo la direzione e le funzioni sviluppate. L'implementazione, le fonti collegate e la disponibilità si stabiliscono nell'ambito di una dimostrazione. L'accesso ai dati è controllato.
Cronberry in dettaglio
Cosa potete fare con questo progetto.
Cronberry è un motore di intelligenza sulle relazioni, non uno strumento di ricerca nei documenti. Parte da un archivio di conversazioni Telegram e ne costruisce un grafo di conoscenza in Neo4j: contatti, aziende, gruppi, canali, opportunità, campagne, prodotti, luoghi, eventi e argomenti — dieci tipi di entità — collegati da otto tipi di relazioni, tra cui „conosce”, „lavora a”, „ha promesso” e „ha obiettato a”.
Sopra il grafo ci sono tre elementi che fanno la differenza rispetto a un CRM: i gemelli digitali, cioè profili generati dallo storico dei messaggi di una persona, con cui si può parlare per anticipare una reazione; un ottimizzatore che testa due varianti di messaggio su quei profili prima di inviare qualcosa a una persona reale; e un simulatore Monte Carlo che esegue un piano di lavoro centinaia di volte e restituisce una distribuzione di risultati, non un solo numero.
Va detto chiaramente che tipo di cifre produce: previsioni, non misurazioni. Quando il motore restituisce una probabilità di risposta o un intervallo di confidenza, si tratta di output della simulazione. Nel codice esiste la struttura che dovrebbe confrontare la previsione con ciò che è realmente accaduto — `AccuracyStats`, con tasso di accuratezza e calibrazione della fiducia — ma non ho trovato nel repo alcuna serie di misurazioni reali che la riempia. Finché non esiste, le cifre si leggono come ipotesi di lavoro.
Grafo di conoscenza su relazioni reali
Neo4j 5, con un'ontologia fissa di dieci tipi di entità e otto tipi di archi, più una modalità in cui l'ontologia può essere generata da un modello per analisi puntuali. L'arricchimento procede in quattro passaggi: punteggi di influenza di tipo PageRank, rilevamento di comunità tramite propagazione di etichette, pesi degli archi dalla frequenza dei messaggi e archi di tipo „ha menzionato” estratti dai pattern `@utilizzatore` nel testo dei messaggi.
Gemelli digitali con memoria su tre livelli
Un profilo generato dallo storico di un contatto, con memoria a breve termine, memoria a lungo termine e memoria di relazione. Tre modalità d'uso: conversazione libera, preparazione alla negoziazione e previsione di risposta.
Testare un messaggio prima di inviarlo
L’ottimizzatore riscrive un messaggio verso un obiettivo dichiarato e può confrontare due varianti. Il test di stress porta l’idea oltre: esegue parametri come l’aumento di prezzo o la pressione di scadenza a più intensità e restituisce le aree in cui il contatto reagisce bene e quelle da evitare.
Simulazione Monte Carlo su un piano scritto
Il piano entra come testo, insieme all’elenco dei contatti, al numero di iterazioni e all’orizzonte in giorni. In uscita ci sono una probabilità di successo con intervallo di confidenza, i punti in cui il piano si blocca e il motivo di ciascun blocco. Le simulazioni hanno checkpoint, quindi una esecuzione lunga può essere ripresa.
I diritti della persona, implementati come endpoint
Il modulo GDPR non è una pagina di politica: ha esportazione completa dei dati di un contatto (art. 15 e 20), cancellazione che agisce simultaneamente in SQLite, in Neo4j, nelle predizioni e nell’evidenza del consenso, con registro di cancellazione (art. 17), rettifica (art. 16), stato e revoca del consenso, evidenza delle attività di trattamento (art. 30) e un endpoint di spiegazione di una predizione, per il requisito di trasparenza del regolamento europeo sull’IA.
Il costo del modello, contabilizzato
Il client del modello tiene un contatore di costo per chiamata e una cache in memoria con scadenza a 3600 secondi e massimo 512 voci, oltre a un proprio limitatore di richieste al minuto verso il fornitore. Il modello principale è Azure OpenAI, con Groq come variante rapida di riserva.
Dati e funzionamento
Ciò che entra nel sistema. Ciò che deve essere verificato.
- Il corpus attuale è privato e personale
- Il percorso nella configurazione di avvio indica una base SQLite con lo storico personale di Telegram. Questo è adatto allo sviluppo e del tutto inadatto a un servizio: un’implementazione presso un cliente inizia con le sue fonti, con lo scopo dichiarato e con la base giuridica del trattamento, non con questo corpus.
- Due depositi, una sola cancellazione
- I dati si trovano in SQLite (sorgente) e in Neo4j (il grafo), mentre le predizioni sono in un terzo luogo. La cancellazione su richiesta li tocca tutti e tre più l’evidenza del consenso e scrive un registro — perché una cancellazione che lascia la copia nel grafo non è una cancellazione.
- Ciò che protegge il servizio in ingresso
- Limitazione delle richieste con bucket di token: 100 richieste ogni 60 secondi per indirizzo IP, globalmente, più limiti più stretti sugli endpoint costosi. Intestazioni di sicurezza rigorose, con una politica dei contenuti che blocca script e frame, HSTS per un anno con sottodomini e una politica dei permessi che chiude camera, microfono, localizzazione e pagamenti. Le origini consentite si configurano tramite variabile d’ambiente.
- Ciò che manca in ingresso, e conta
- L’autenticazione. Nel proprio piano di sicurezza, il capitolo di autenticazione e autorizzazione è integralmente non selezionato: senza validazione del token sugli endpoint del motore, senza ruoli, senza chiavi API memorizzate come hash, senza blocco dopo tentativi ripetuti. Finché non si risolve, il motore funziona dietro una rete controllata, non su internet.
Dall’esplorazione all’implementazione
Come prepariamo un progetto con Cronberry.
Prima la fonte e la base giuridica, poi il codice
Il primo passo non è tecnico: quali dati l’organizzazione ha il diritto di trattare, per quale scopo e per quanto tempo. Il corpus di sviluppo non si riutilizza.
Costruiamo il grafo sui dati del cliente
Import in Neo4j, poi le quattro passate di arricchimento. L’ontologia fissa copre il modello di CRM su Telegram; per un altro tipo di materiale se ne può generare una specifica.
Chiudiamo il gate prima di qualsiasi esposizione
Autenticazione, ruoli e chiavi memorizzate come hash sono una condizione di rilascio, non un miglioramento successivo. La limitazione delle richieste e le intestazioni di sicurezza esistono già e restano attive.
Calibriamo le previsioni sui risultati reali
La struttura di misurazione dell’accuratezza esiste nel codice. Un pilot utile significa registrare cosa ha previsto il motore e cosa è accaduto, finché i numeri non abbiano uno storico alle spalle.
Domande che meritano di essere chiarite.
Posso entrare su cronberry.ai per vedere?
No, e non è un problema temporaneo del server. Il dominio non si risolve affatto: la query DNS restituisce NXDOMAIN, e il registro .ai risponde `Domain not found` — verificato il 6 settembre 2026. Anche il server indicato nella documentazione del progetto, `74.248.16.185`, non risponde sulla porta del motore. Ciò che esiste e si può mostrare: il codice, che gira in locale, e una dimostrazione preparata su un set di dati concordato.
Il sito lo descrive come uno spazio di lavoro per documenti e ricerca semantica. È così?
No, ed è un errore che stiamo correggendo. Il progetto non è un motore di ricerca sui documenti. È un motore di intelligenza sulle relazioni, costruito da un archivio di conversazioni: grafo Neo4j, profili di contatto generati dalla cronologia, test di messaggi su quei profili e simulazione Monte Carlo su un piano. Il testo sul sito descrive un prodotto diverso dal codice che esiste.
Che cosa significa «probabilità di risposta 0,67»?
Significa un output di simulazione, non una misurazione. Il motore esegue il piano centinaia di volte su profili generati dalla cronologia e riporta la distribuzione. Nel codice esiste la struttura che confronta la previsione con la realtà — tasso di accuratezza e calibrazione della fiducia — ma non abbiamo trovato alcuna serie di misurazioni che la riempia. Quindi la cifra si usa per ordinare le opzioni tra loro, non come promessa di risultato.
Può funzionare sui dati dei nostri clienti, non su un archivio personale?
Sì, ma questo è il primo passo di qualsiasi implementazione, non un adattamento fatto alla fine. L’attuale corpus di sviluppo è un archivio Telegram personale, indicato direttamente nella configurazione di avvio, e non viene riutilizzato. L’import parte dalle fonti dell’organizzazione, con scopo e base di trattamento stabiliti prima.
Che cosa succede quando una persona chiede la cancellazione dei dati?
Esiste un endpoint dedicato, e la cancellazione non è parziale: interessa SQLite, Neo4j, le previsioni generate su quella persona e il registro del consenso, e scrive un log di cancellazione. Sono implementati anche l’esportazione completa, la rettifica, lo stato del consenso, il registro dei trattamenti e la spiegazione di una previsione.
È pronto per essere esposto su internet?
No, e il motivo è preciso: l’autenticazione. Il capitolo di autenticazione e autorizzazione del proprio piano di sicurezza è interamente non spuntato — non esistono validazione del token sugli endpoint del motore, ruoli, chiavi API archiviate come hash o blocco dopo tentativi ripetuti. Ciò che esiste già: limitazione a 100 richieste in 60 secondi per IP, limiti più stretti sugli endpoint costosi, header di sicurezza rigorosi e origini configurabili. Con il gate d’ingresso chiuso, la discussione sul lancio diventa reale.
La documentazione interna spunta molte cose come fatte. Si può verificare?
Parzialmente, e vale la pena dirlo. L’elenco di sicurezza rimanda a file che non esistono nel repo (`swarm_api.py`, `security_middleware.py`, `gdpr_routes.py`). Il codice corrispondente esiste comunque, solo in un’altra parte: `cronberry_swarm/security/rate_limiter.py`, `headers.py` e `gdpr.py`. Quindi le spunte descrivono funzionalità reali, ma i riferimenti sono sbagliati — li abbiamo seguiti nel codice, non nell’elenco.
Esempio illustrativo
Un piano di lavoro passato in simulazione prima di essere avviato
Uno scenario di utilizzo, senza dati del cliente o risultati commerciali attribuiti.
Situazione iniziale
Un team scrive un piano in testo — chi contattare, in quale ordine, su quale canale — e sceglie l’elenco dei contatti, il numero di iterazioni e l’orizzonte in giorni.
Come funziona
Il motore esegue il piano centinaia di volte sui profili generati dalla cronologia di ciascun contatto, sul modello della piattaforma Telegram. L’esecuzione ha un checkpoint, quindi può essere ripresa se si interrompe.
Rezultatul
Una probabilità di successo con intervallo di confidenza, l’elenco dei passaggi in cui il piano si blocca e il motivo di ogni blocco, più l’ordine suggerito dei contatti. Tutto è output di simulazione, da usare per confrontare tra loro le varianti.
Ce este necesar:Sursă de date proprie a organizației, cu scop și temei de prelucrare stabilite; Neo4j pornit și graful importat; cheie de model configurată. Nu există azi o instanță publică pe care să rulezi asta.
Possibilità di collaborazione
Cronberry, nel contesto della vostra organizzazione.
Flussi interni e informazioni
Il collegamento delle fonti autorizzate, l’organizzazione delle informazioni e la revisione delle azioni da parte del team, con accesso separato per ruoli.
Imprese private
Definiamo un pilot attorno a un processo reale: utenti, dati, integrazioni, costi e criteri di accettazione. L’estensione segue dopo la valutazione del risultato.
Istituzioni e società statali
Stabiliamo i requisiti di accessibilità, hosting, protezione dei dati e interoperabilità. Ogni connessione con servizi AGE o STISC richiede la validazione dell’ammissibilità, dell’accesso e delle approvazioni.
Questi sono scenari di adattamento, non dichiarazioni su contratti o partenariati esistenti. Le funzioni proposte si confermano nell’ambito di lavoro del progetto.
Discută un pilotParte di un ecosistema.
Inteligență geospațială
FlowMind
FlowMind organizza mappe, fonti pubbliche e prodotti Copernicus in uno spazio di analisi.
Implementare specializatăAPI pentru modele AI
LongDay
Accesso API ai modelli AI tramite un’interfaccia comune.
PlatformăOrganizarea muncii
Taskin
Taskin esplora la trasformazione delle discussioni e del contesto di progetto in impegni, priorità e passaggi di lavoro.
Dezvoltare & demonstrațiiCosa vorresti che funzionasse meglio?
Raccontaci il tuo processo. Insieme stabiliamo cosa vale la pena costruire, cosa possiamo collegare e come verifichiamo il risultato.