dacso-ai/protocollo-dati

Protocollo dati

17.459 documenti sintetici che un'azienda italiana riceve ogni giorno, con 141.471 decisioni etichettate: fatture elettroniche, F24, DDT, avvisi dell'Agenzia delle Entrate, cartelle, INPS, INAIL, diffide, atti giudiziari, contratti, solleciti, reclami, ordini, candidature, pubblicità e truffe.

È il dataset di addestramento di Protocollo, un modello aperto che protocolla la posta aziendale italiana con decisioni a scelta chiusa e probabilità, senza generare testo.

Split	Documenti
train	15.713
validation	873
test	873

Come sono fatti i dati

Ogni riga è un documento:

{"id": "llm-100-000412", "fonte": "llm/cartella/cartella", "gruppi": ["documento"],
 "stato": "Ricevuto il 03/11/2026 via PEC da notifica.acc.lombardia@pec.agenziariscossione.gov.it\n...",
 "etichette": {"tipo": "cartella", "ufficio": "commercialista", "azione": "inoltrare", "rischio": 2,
               "phishing": false, "dati_sensibili": false, "scadenza": true, "giorni": 60},
 "meta": {"scenario": "cartella", "stile": "...", "modello": "deepseek/deepseek-v4-flash"}}

stato è il testo così come arriva: intestazione con data di ricezione, canale e mittente, poi il corpo. etichette contiene le risposte giuste alle domande di domande.json. Un'etichetta null vuol dire che la risposta giusta è "non si può dire" (per esempio giorni quando non c'è una scadenza). Un'etichetta assente non va valutata.

Gruppo	Domande
documento	tipo (21 tipi), ufficio, azione, scadenza, giorni, rischio, phishing, dati_sensibili
fattura	codice_td, split_payment, reverse_charge, ritenuta
coppia	doppione

Da dove vengono le etichette

Le etichette non sono il giudizio di un modello: le decide il programma che crea il documento.

• 6.000 documenti dal generatore (genera.py): fatture elettroniche di 10 tipi (in XML validato con lo schema ufficiale FatturaPA 1.2.2, oppure come testo di un PDF), coppie di fatture uguali o diverse, F24 e DDT. Le etichette sono esatte per costruzione.
• 11.459 documenti scritti da un modello linguistico (DeepSeek V4 Flash, licenza MIT), a partire da 38 scenari (catalogo.py). Il programma decide tipo, termine esatto, dati sensibili e mittente (compresi i domini falsi delle truffe) e li impone nel prompt. Il modello scrive solo il testo.
• Due filtri sui documenti scritti dal modello: regole fisse (il termine richiesto c'è davvero, niente scadenze dove non devono esserci, niente segnaposto) e una rilettura cieca con un secondo modello (Mistral Small 3.2, Apache-2.0), che risponde alle stesse domande senza vedere le etichette. Su 14.000 documenti generati ne sono rimasti 11.459.
• Truffe difficili: 418 truffe hanno ingannato il secondo modello. Sono state tenute, perché la loro etichetta è certa (il mittente falso lo sceglie il programma), e sono segnate con meta.difficile = true.

Costo totale di generazione e verifica: circa 2,40 $.

Limiti

• Sono dati sintetici. Aziende, persone, indirizzi, partite IVA, IBAN, domini e numeri di protocollo sono inventati o generati a caso (partite IVA e IBAN hanno cifre di controllo valide). Nessun documento proviene da clienti reali. Eventuali coincidenze con soggetti reali sono casuali.
• Alcune etichette sono scelte di procedura (per esempio se un avviso bonario si "inoltra" al commercialista o si "paga", se l'INPS spetta a "personale" o ad "amministrazione"). Saranno riviste con i professionisti che etichettano il benchmark.
• La verifica ha tolto i casi ambigui, quindi il dataset è più "pulito" della posta vera. Il verificatore era in disaccordo soprattutto sulle lettere di compliance dell'Agenzia delle Entrate (quasi sempre lette come "con scadenza"), sulle conferme d'ordine con data di consegna e sui reclami per ritardo (letti come richieste di informazioni). Per la valutazione usare il benchmark etichettato da persone, previsto con la v0.1.
• Non è un consiglio fiscale o legale. Il modello addestrato su questi dati smista e segnala, non sostituisce il commercialista o l'avvocato.

Licenza

Apache-2.0. I modelli usati per scrivere e verificare i testi hanno licenze (MIT, Apache-2.0) che permettono di usarne le risposte per addestrare altri modelli.

Un progetto di DACSO, Crema.

---

English. 17,459 synthetic Italian business documents (FatturaPA e-invoices, F24 tax payment forms, delivery notes, tax-agency and social-security notices, legal letters, customer e-mails, phishing) with 141,471 typed decision labels (document type, department, next action, deadline and days left, risk, phishing, sensitive data, VAT regime flags, duplicate detection). Labels are set by the generating program, not by a model: 6,000 documents come from a deterministic generator, 11,459 were written by DeepSeek V4 Flash from 38 scenarios and kept only if they passed rule checks and a blind re-reading by a second model (Mistral Small 3.2). Synthetic data; all entities are fictitious. Apache-2.0.