Valutazione d'impatto sulla protezione dei dati (DPIA)

Valutazione d'impatto sulla protezione dei dati (DPIA) del sistema AI ReQurv, redatta ai sensi dell'Art. 35 del GDPR e delle Linee guida EDPB 04/2025 sul trattamento di dati personali nell'ambito di modelli AI

A chi è rivolta questa documentazione

La presente è la Valutazione d'impatto sulla protezione dei dati (DPIA) del sistema AI ReQurv, redotta ai sensi dell'Art. 35 del Regolamento (UE) 2016/679 (GDPR) e allineata alle Linee guida EDPB 04/2025 sul trattamento di dati personali nell'ambito di modelli AI. È redatta in forma pubblicabile: descrive il sistema, le categorie di dati, le basi giuridiche, la valutazione dei rischi e le misure adottate in modo completo ma senza divulgare dettagli tecnici interni (architetture, percorsi di codice, identificativi interni). La versione di lavoro con dettagli implementativi è tenuta interna da ReQurv.

1. Identificazione del sistema

1.1 Panoramica e scopo

ReQurv è un servizio B2B che si interpone tra le applicazioni delle organizzazioni clienti (applicazioni, agenti, tooling) e l'infrastruttura di inferenza di modelli AI. ReQurv offre un'unica API (OpenAI-compatibile, Anthropic-compatibile e MCP) per consumare modelli di generazione testuale, embedding, trascrizione audio, generazione audio e clonazione vocale, generazione ed edizione di immagini, con fatturazione, limiti per organizzazione, moderazione dei contenuti e auditing dell'utilizzo.

• Finalità del sistema AI: offrire alle organizzazioni un punto di accesso unico, misurabile e controllabile ai modelli AI.
• Giustificazione d'impresa dell'uso dell'AI: i modelli AI sono il prodotto stesso del servizio; la piattaforma non usa l'AI per decidere su individui, ma per erogare capacità generative ai clienti.
• Tipologia e architettura dei modelli: modelli a transformer (LLM) self-hosted, modello di moderazione (guard) self-hosted, modelli audio/immagini self-hosted.
• Livello di spiegabilità: black-box (modelli generativi neurali); il guard è un classificatore di contenuto.
• Tipo di deployment: on-premise / self-hosted nell'infrastruttura di inferenza ReQurv. Nessun modello di provider esterni (OpenAI, Google, Mistral, ecc.) è configurato o utilizzato: i contenuti dei clienti non lasciano il perimetro ReQurv per alcuna finalità di inferenza.

1.2 Funzionalità AI

2. Perché è richiesta una DPIA — Screening

Lo screening segue l'albero decisionale EDPB/WP248rev.01. Un sistema AI incontra più criteri e, pertanto, la DPIA è obbligatoria:

Con più di due criteri soddisfatti e la presenza di dati biometrici (clonazione vocale) e di un modello fondazionale che tratta dati personali, la DPIA è richiesta ai sensi dell'Art. 35(1) e 35(3) GDPR e delle Linee guida EDPB 04/2025.

3. Descrizione del sistema AI (Art. 35(7)(a), esteso per l'AI)

3.1 Fase di addestramento — fine-tuning

ReQurv ha eseguito un fine-tuning del proprio modello self-hosted requrv-small-3.8 (usato per il proxy LLM e per il guard) per migliorarne efficienza e qualità nelle conversazioni in italiano. Il fine-tuning è stato condotto esclusivamente su dataset pubblici scaricati da Hugging Face. Nessun dato dei clienti, nessuna conversazione in produzione e nessun dato personale raccolto da ReQurv sono stati utilizzati per l'addestramento.

La licenza di ciascun dataset è valutata al §6. La provenienza (URL, versione/commit, data, licenza) è tracciata nel registro di provenienza dei dati di addestramento.

3.2 Dati di inferenza

• Dati raccolti a inferenza: prompt testuali, immagini (base64/URL), documenti, file audio — trasmessi di passaggio al modello self-hosted per generare l'output.
• Persistenza: i contenuti delle richieste non sono persistiti. I registri di utilizzo conservano solo metriche (token, secondi audio, conteggio immagini, costo, endpoint, modello, stato). Nessun data lake di conversazioni.
• Soggetti interessati a inferenza: i membri delle organizzazioni cliente (i cui prompt transitano) e, per la clonazione vocale, il soggetto la cui voce viene clonata (con consenso diretto).
• Tipi di output: completi testuali, embedding, audio, immagini, verdetto del guard.
• Destinatari degli output: l'organizzazione cliente (deployer), che ne cura gli ulteriori usi e i relativi obblighi.

3.3 Flusso dei dati

[Dataset pubblici HF] -> [Fine-tuning (una tantum)] -> [Modello self-hosted]
                                                                   |
[Client B2B] -> [API ReQurv] -> [Guard (moderazione, self-hosted)] -> [Inferenza self-hosted]
                    |                       |                                 |
               [Autenticazione          [Verdetto: blocca/                  [Output al client]
                Zitadel SSO]            annota/trasmette]                    (non persistito)
                    |
               [Postgres: metriche/billing]  [S3 Scaleway: media temporanei + campioni vocali]  [Redis: contatori]

3.4 Infrastruttura e responsabili del trattamento

4. Inventario dei trattamenti e categorie di dati

Categorie particolari (Art. 9):

5. Classificazione EU AI Act (Reg. UE 2024/1689)

La clonazione vocale, unica funzione che opera su un tratto biometrico (la voce), è disponibile esclusivamente con consenso esplicito del soggetto (vedi §7 e §9).

6. Licenze dei dati di addestramento

Il fine-tuning è un trattamento autonomo (preparazione di dati per l'addestramento), distinto dall'inferenza, ed è valutato a sé stante.

Applicazione dello scrutinio EDPB per dati da web (CulturaX): il fine-tuning opera su dati aggregati e non trattati con finalità identificativa — nessun individuo è identificato né profilato dall'addestramento. Le eventuali tracce di PII presenti nei corpus web non sono isolate né usate per risalire a un individuo. A ulteriore riduzione del rischio, ReQurv adotta: registro di provenienza, verifica delle licenze, e screening PII pre-addestramento con test di estrazione post-addestramento per accertare che il modello non ri-emetta dati personali.

Basi giuridiche: l'interesse legittimo del titolare (migliorare la qualità del servizio in lingua italiana) è documentato con una Legitimate Interest Assessment (LIA) in tre parti (interesse, necessità, bilanciamento). Le categorie particolari non sono presenti in modo sistematico né trattate con finalità identificativa.

7. Necessità e proporzionalità (Art. 35(7)(b))

8. Valutazione dei rischi (Art. 35(7)(c))

Matrice: Probabilità (Remota / Possibile / Probabile / Quasi certa) × Gravità (Trascurabile / Limitata / Significativa / Massima) → Rischio (Basso / Medio / Alto / Molto alto).

Nota: il rischio di esposizione dei contenuti dei clienti a provider esterni non è applicabile: l'inferenza avviene esclusivamente su modelli self-hosted nell'infrastruttura ReQurv; i contenuti non lasciano il perimetro per alcuna finalità di inferenza.

9. Misure di mitigazione (Art. 35(7)(d))

9.1 Misure tecniche

9.2 Misure organizzative

• Registro di provenienza dei dati di addestramento (URL, versione, data, licenza) e verifica delle licenze.
• LIA documentate per il fine-tuning e per il guard, citate nella documentazione di trasparenza.
• Model card per i modelli deployati che ne documentano le proprietà rilevanti per la privacy.
• Revisione periodica della DPIA (cadenza 6 mesi) e a ogni cambiamento significativo (nuovi modelli, nuove funzioni, nuovi casi d'uso, incidenti).
• Procedura di risposta a incidenti AI-privacy (es. sospetta estrazione di PII, abuso di clonazione vocale).
• Documentazione per i deployer: informazioni necessarie ai clienti per adempiere ai propri obblighi AI Act e GDPR sui casi d'uso finali.
• Gate operativo: l'eventuale introduzione di un modello di provider esterno è soggetta a preventiva valutazione del trasferimento (SCC/DPA), delle condizioni no-training e del parere del DPO.

9.3 Rischio residuo complessivo

Il rischio residuo complessivo è Medio, connesso principalmente alla clonazione vocale (dato biometrico, AI-02) e alla PII residua nel fine-tuning (AI-01), entrambe mitigate a livello accettabile dalle misure §9.1–9.2. Nessun rischio Alto o Molto Alto residuo. Non è richiesta consultazione preventiva (Art. 36 GDPR).

10. Sorveglianza umana e Art. 22 (decisioni automatizzate)

Il guard è un classificatore di contenuto: il suo verdetto Unsafe produce un effetto contrattuale verso l'organizzazione cliente (la richiesta è respinta con le categorie rilevate), non un effetto su diritti o libertà di un individuo. Il fail-open del guard garantisce che la disponibilità del servizio non dipenda dal modello di moderazione.

11. Diritti degli interessati

I diritti previsti dal GDPR possono essere esercitati contattando il team ReQurv. In autonomia, i clienti possono eliminare i propri prompt salvati e le proprie API key, revocare il consenso al marketing e (a cura dell'Owner) eliminare membri dalla propria organizzazione.

12. Conservazione dei dati

13. Trasferimenti di dati

Nessun trasferimento di contenuti AI a provider esterni: l'inferenza avviene esclusivamente su modelli self-hosted nell'infrastruttura ReQurv; i dati dei prompt non lasciano il perimetro per alcuna finalità di inferenza.

Gate operativo: la policy "solo modelli self-hosted" è mantenuta come vincolo; l'eventuale aggiunta di un modello di provider esterno richiede preventiva valutazione del trasferimento extra-UE (SCC/DPA), condizioni no-training e parere del DPO.

14. Valutazione complessiva, consultazione preventiva e approvazione

Approvazioni (a livello di funzione responsabile):

15. Revisione periodica e impegni continuativi

Impegni continuativi: policy "solo modelli self-hosted" mantenuta come vincolo; revisione periodica della DPIA; documentazione per i deployer; trasparenza (la presente valutazione è pubblicata e aggiornata quando cambiano i fatti a cui si riferisce).

Appendix A — Riferimenti normativi

• GDPR (Reg. UE 2016/679): Art. 5 (principi), 6 (basi giuridiche) e 6(4) (ulteriore trattamento), 9(1) e 9(2)(a) (categorie particolari e consenso esplicito), 13-15 (diritti e trasparenza), 17 (cancellazione), 22 (decisioni automatizzate), 25 (data protection by design), 28 (processor), 35 (DPIA), 36 (consultazione preventiva), 44-49 (trasferimenti)
• EU AI Act (Reg. UE 2024/1689): Art. 5 (pratiche vietate), Annex III (alta rischio), Art. 10 (data governance), Art. 14 (sorveglianza umana), Art. 50 (trasparenza), Art. 53 (obblighi GPAI provider); Art. 43 (conformity assessment — non applicabile), Art. 71 (registrazione — non applicabile)
• EDPB Guidelines 04/2025 — trattamento di dati personali nell'ambito di modelli AI
• WP248rev.01 — Linee guida sulla DPIA
• NIST AI RMF 1.0 (2023) — funzione MAP
• EDPB-EDPS Joint Opinion 5/2021 — sulla proposta AI Act

Appendix B — Precedenti di enforcement considerati

Appendix C — Dichiarazione di pubblicazione

La presente DPIA è pubblicata in forma bilingue (IT/EN). Le versioni di lavoro con dettagli implementativi interni (architetture, percorsi di codice, identificativi interni dei rischi e delle azioni) sono tenute interne da ReQurv e non sono divulgate. Qualora i fatti a cui si riferisce la presente cambiassero in modo significativo, la DPIA sarà aggiornata e la versione pubblicata sostituita.