Valutare Competenze ML AI: La Guida Definitiva per Talenti e Team Innovativi

L’esplosione dell’Intelligenza Artificiale (AI) e del Machine Learning (ML) ha creato una domanda senza precedenti di talenti qualificati, ma la loro valutazione rimane una sfida complessa. Professionisti HR, recruiter e manager di team AI/ML si trovano spesso a navigare un panorama in rapida evoluzione, frustrati dalla mancanza di standard chiari e dalla difficoltà di distinguere la vera expertise. Questo articolo si propone come la guida definitiva per superare la mancanza di standard, mitigare i bias e identificare i veri esperti. Scoprirai come padroneggiare la valutazione delle competenze ML e AI, andando “Oltre il CV”, per costruire team innovativi e guidare il successo tecnologico della tua organizzazione.

1. Le Competenze Chiave in ML e AI: Mappatura Olistica per il Successo
   1. Hard Skill: Il Cuore Tecnico di Machine Learning e AI
   2. Soft Skill: L’Intelligenza Emotiva e Collaborativa nell’AI
   3. Competenze Etiche e di Governance: Costruire AI Responsabile
   4. Competenze Emergenti: Navigare il Futuro dell’AI (Generativa e oltre)
2. Valutazione Olistica: Metodologie Avanzate per Competenze e Modelli ML/AI
   1. Test Pratici e Coding Challenges: Misurare l’Applicazione Reale
   2. Analisi di Portfolio e Progetti: La Prova sul Campo
   3. Metriche di Valutazione dei Modelli ML: Oltre l’Accuratezza
   4. Interviste Comportamentali e Tecniche: Scrutinare il Pensiero Critico
3. Superare le Sfide: Standard, Bias e l’Arte di Identificare Veri Esperti AI/ML
   1. Il Divario di Competenze e la Mancanza di Standard: Un Problema Globale
   2. Mitigare i Bias e Garantire l’Equità nella Valutazione AI
   3. Oltre il CV: Come Identificare i Veri Maestri di Machine Learning e AI
4. Framework Strategici e Certificazioni: Validare e Far Progredire le Competenze AI/ML
   1. Il Nostro Framework Proprietario di Valutazione Olistica ML/AI: Un Blueprint per l’Eccellenza
   2. Le Certificazioni AI/ML Più Riconosciute: Un Percorso per Ogni Carriera
   3. Sviluppo Continuo e Reskilling: Mantenere le Competenze al Passo con l’Evoluzione AI
5. L’AI nel Recruiting e Nello Sviluppo del Talento: Strategie Innovative
   1. AI per un Recruiting più Efficace e Meno Bias
   2. Costruire Team AI/ML di Successo: Dalla Valutazione allo Sviluppo
   3. Misurare il ROI della Valutazione e dello Sviluppo Competenze AI

Le Competenze Chiave in ML e AI: Mappatura Olistica per il Successo

Definire le competenze chiave in Machine Learning e Intelligenza Artificiale è il primo passo per una valutazione efficace. Questa sezione esplora un approccio olistico che include hard skill tecniche, soft skill essenziali, competenze etiche e di governance, e le emergenti abilità richieste dal panorama AI in rapida evoluzione.

Un approccio olistico alla valutazione delle competenze in AI è fondamentale. Il “LEADERS framework”, sviluppato dalla Michigan Ross School of Business in collaborazione con Microsoft, offre una visione completa delle competenze AI necessarie per la forza lavoro futura, articolandosi in sette pilastri: Literacy, Enablement, Application, Development, Ethics & Governance, Research & Refinement, e Society [2]. Questo framework sottolinea come la vera competenza in AI vada ben oltre la mera conoscenza tecnica.

Per una prospettiva più ampia sulle competenze digitali, inclusi gli aspetti etici e di progettazione dell’AI, è utile consultare il Quadro delle competenze AI per studenti UNESCO e il Quadro Europeo delle Competenze Digitali (DigComp 2.2).

Hard Skill: Il Cuore Tecnico di Machine Learning e AI

Come si definiscono le competenze chiave in ML/AI? Il cuore tecnico di un professionista ML/AI risiede nelle sue hard skill. Queste includono una solida comprensione degli algoritmi di Machine Learning, come quelli di regressione, classificazione, clustering e reti neurali [4]. È essenziale padroneggiare linguaggi di programmazione come Python e R, insieme a framework e librerie popolari come TensorFlow, PyTorch e Scikit-learn. La gestione dei dati, che comprende la pulizia, la pre-elaborazione e l’ingegneria delle feature, è altrettanto cruciale. Infine, i principi di MLOps (Machine Learning Operations) per l’implementazione, il monitoraggio e la manutenzione dei modelli in produzione stanno diventando indispensabili. Google Cloud, ad esempio, fornisce risorse preziose per comprendere i concetti fondamentali del Machine Learning [3].

Soft Skill: L’Intelligenza Emotiva e Collaborativa nell’AI

Quali sono le soft skill essenziali per i professionisti AI? Oltre alle competenze tecniche, le soft skill sono determinanti per il successo. Il problem-solving, la capacità di pensiero critico e l’abilità di comunicare concetti complessi a un pubblico non tecnico sono fondamentali. La collaborazione in team multidisciplinari e l’adattabilità a un campo in continua evoluzione completano il profilo. Uno studio pubblicato in Computers and Education: Artificial Intelligence ha dimostrato come l’integrazione di serious games con tecniche di Machine Learning possa valutare efficacemente le soft skill, come la gestione del tempo e la pianificazione, offrendo una visione multidimensionale delle performance [1]. Questo evidenzia che le soft skill non sono solo “nice-to-have”, ma possono essere misurate e integrate nella valutazione complessiva.

Competenze Etiche e di Governance: Costruire AI Responsabile

Quali sono le aree principali da valutare per un professionista ML/AI? Un’area sempre più critica è quella delle competenze etiche e di governance. Sviluppare e gestire sistemi AI in modo responsabile significa affrontare temi come la mitigazione dei bias nei dati e negli algoritmi, la trasparenza dei modelli (XAI – Explainable AI), la protezione della privacy e la conformità normativa, come l’emergente AI Act europeo. Il pilastro “Ethics & Governance” del framework LEADERS [2] sottolinea l’importanza di queste competenze. Le sfide legate all’addestramento e alla valutazione dei modelli AI, inclusi gli aspetti etici, sono state evidenziate anche da Oracle [5]. Per approfondire il contesto normativo e classificatorio, è utile consultare il Framework OCSE per la classificazione dei sistemi AI.

Competenze Emergenti: Navigare il Futuro dell’AI (Generativa e oltre)

Il panorama dell’AI è in rapida evoluzione, e con esso le competenze richieste. L’AI generativa, ad esempio, ha dato vita a nuove figure professionali e a nuove abilità. Il prompt engineering, ovvero la capacità di formulare istruzioni efficaci per modelli generativi, è diventato cruciale. Altre competenze emergenti includono la comprensione e l’applicazione dell’AI conversazionale, la capacità di lavorare con modelli linguistici di grandi dimensioni (LLM) e l’expertise in AI spiegabile (XAI) per garantire che i sistemi siano comprensibili e affidabili. Queste nuove aree colmano il gap di dettagli sulle competenze AI emergenti, offrendo una roadmap per i professionisti che desiderano rimanere all’avanguardia.

Valutazione Olistica: Metodologie Avanzate per Competenze e Modelli ML/AI

Questa sezione si concentra sulle metodologie pratiche per valutare sia le competenze dei professionisti che le performance dei modelli ML/AI. Verranno dettagliati test pratici, analisi di portfolio e le metriche chiave per una valutazione completa e accurata, rispondendo a “Come si misurano le competenze pratiche e teoriche in ML/AI?” e “Quali sono le metriche standard per la valutazione dei modelli ML?”.

Un framework tecnico per la valutazione delle competenze ML/AI che affronta la generazione dinamica di domande, la resistenza al plagio e la valutazione olistica è stato proposto in un articolo pre-print su arXiv.org [6]. Questo dimostra l’avanzamento delle metodologie di valutazione nel settore. Neptune.ai è riconosciuta come autorità nelle metriche di performance per il Machine Learning [7].

Test Pratici e Coding Challenges: Misurare l’Applicazione Reale

Come si possono testare le competenze di un ingegnere ML in un ambiente pratico? I test pratici e le coding challenges sono strumenti insostituibili per misurare l’applicazione reale delle competenze. Questi test dovrebbero simulare scenari reali di business, richiedendo ai candidati di risolvere problemi concreti, scegliere gli algoritmi più appropriati, implementare soluzioni efficienti e debuggare il codice. Un framework di valutazione basato su domande dinamiche e codice per l’ingegneria ML/AI, come quello citato su arXiv.org [6], può generare valutazioni diverse e ricche di codice, garantendo accuratezza e non ripetitività. Esempi di esami pratici per l’introduzione al Machine Learning sono offerti da 365 Data Science [8].

Analisi di Portfolio e Progetti: La Prova sul Campo

Qual è il ruolo delle certificazioni e dei progetti personali nella valutazione degli esperti ML? Sebbene le certificazioni siano importanti, l’analisi di un portfolio di progetti reali e dei contributi open-source fornisce la prova più concreta dell’esperienza applicativa e dell’impatto di un professionista ML/AI. Questo include la capacità di tradurre un problema di business in un problema di ML, di gestire l’intero ciclo di vita del modello e di dimostrare risultati tangibili. Originalskills, ad esempio, è specializzata nella valutazione di Data Scientist e professionisti del Machine Learning, enfatizzando l’importanza dell’esperienza pratica [9].

Metriche di Valutazione dei Modelli ML: Oltre l’Accuratezza

Quali sono le metriche standard per la valutazione dei modelli ML? Come si valuta l’efficacia di un algoritmo di Machine Learning? La valutazione dei modelli ML va ben oltre la semplice accuratezza. È fondamentale considerare metriche come precisione, recall, F1-score, ROC AUC per problemi di classificazione, e RMSE o MAE per la regressione. Inoltre, la spiegabilità (XAI), la robustezza e la stabilità del modello sono cruciali, specialmente in contesti ad alto rischio. L’AI Accelerator Institute offre expertise nella valutazione dei modelli di Machine Learning [10], e Neptune.ai fornisce guide complete sulle metriche di performance [7]. Anche Milliman sottolinea l’importanza di una validazione efficace dei modelli di Machine Learning [11]. È essenziale interpretare queste metriche in base al paradigma di ML (supervisionato, non supervisionato, reinforcement learning) e al contesto applicativo specifico.

Interviste Comportamentali e Tecniche: Scrutinare il Pensiero Critico

Come si possono valutare le capacità di problem-solving e di pensiero critico di un esperto ML? Le interviste rimangono un pilastro della valutazione. I colloqui tecnici dovrebbero includere domande approfondite su algoritmi, strutture dati e architetture ML, ma anche scenari di problem-solving che richiedano al candidato di pensare ad alta voce. Le interviste comportamentali, invece, si concentrano su come il candidato ha gestito situazioni passate, rivelando soft skill come la comunicazione, la collaborazione e la resilienza. Esperti di HR tech applicano metodologie di valutazione innovative per identificare queste qualità essenziali.

Superare le Sfide: Standard, Bias e l’Arte di Identificare Veri Esperti AI/ML

Affrontare le difficoltà intrinseche nella valutazione delle competenze ML/AI, dalla mancanza di standard e il divario di competenze, ai rischi di bias, fino all’arte di identificare i veri esperti. Questa sezione propone soluzioni pratiche e strategie di mitigazione.

La valutazione delle competenze in ML e AI è complessa a causa della natura in rapida evoluzione del campo, della scarsità di talenti e della difficoltà nel misurare l’esperienza pratica. Red Hat e Oracle evidenziano le criticità e le sfide etiche nell’utilizzo dell’AI/ML [15], [5].

Il Divario di Competenze e la Mancanza di Standard: Un Problema Globale

Quali sono le cause principali del divario di competenze in AI? Il divario di competenze in AI è un problema globale. Il 93% delle organizzazioni statunitensi e britanniche considera l’AI una priorità aziendale, ma il 51% non ha i talenti qualificati interni necessari [12]. La mancanza di standardizzazione delle competenze e delle metriche di valutazione per diversi livelli di seniority (junior, mid, senior) e ruoli specifici (es. Data Scientist, ML Engineer, AI Ethicist) aggrava questa carenza. IBM e Microsoft hanno sottolineato la necessità di padroneggiare l’AI e il crescente divario di competenze [14], [13]. Per colmare queste lacune, sono necessarie iniziative a livello di settore e una maggiore collaborazione tra accademia e industria per definire percorsi di carriera chiari e programmi di formazione allineati.

Mitigare i Bias e Garantire l’Equità nella Valutazione AI

Come i bias nei dati influenzano la valutazione dei modelli ML/AI? Quali sono le sfide etiche e di governance nella valutazione dei sistemi AI? I bias, presenti nei dati di addestramento o introdotti dagli algoritmi stessi, possono compromettere l’equità e l’obiettività della valutazione delle competenze AI. È fondamentale implementare strategie per identificare e mitigare questi bias, adottando un approccio etico e trasparente. Questo include la validazione incrociata dei dataset, l’uso di tecniche di debiasing e la supervisione umana nei processi decisionali. Il pilastro “Ethics & Governance” del framework LEADERS [2] è cruciale per affrontare queste sfide, promuovendo un’AI responsabile nel recruiting. Red Hat ha anche evidenziato le criticità nell’utilizzo dell’AI/ML, inclusi i rischi di bias [15].

Oltre il CV: Come Identificare i Veri Maestri di Machine Learning e AI

Come si distinguono i veri esperti ML da coloro che hanno solo una conoscenza superficiale? Quali sono gli indicatori chiave di un vero esperto ML, oltre alle certificazioni? Identificare i veri maestri di Machine Learning e AI richiede di andare oltre il semplice CV. I veri esperti dimostrano una profonda comprensione teorica degli algoritmi, ma soprattutto una comprovata capacità di applicarli a problemi complessi del mondo reale, di innovare e di adattarsi a nuove tecnologie. Indicatori chiave includono un portfolio di progetti significativi, contributi a pubblicazioni accademiche o open-source, leadership in progetti complessi e la capacità di spiegare concetti tecnici in modo chiaro. L’Università LUM, ad esempio, contribuisce alla formazione e alla definizione del profilo del Machine Learning Specialist [16], enfatizzando un mix di teoria e pratica.

Framework Strategici e Certificazioni: Validare e Far Progredire le Competenze AI/ML

Questa sezione propone soluzioni strutturate per la validazione e la progressione delle competenze, inclusi framework proprietari e una guida comparativa alle certificazioni più riconosciute, essenziali per la roadmap di carriera e l’aggiornamento continuo. Questa sezione risponde a “Esistono framework standard per la valutazione delle competenze ML/AI?” e “Quali sono le certificazioni AI/ML più prestigiose e riconosciute a livello globale?”.

Il “LEADERS framework” della Michigan Ross School of Business e Microsoft [2] è un eccellente esempio di framework per lo sviluppo della forza lavoro AI. Anche UNESCO e Cedefop hanno sviluppato framework di competenze AI per l’educazione [17], [18], fornendo una base per la standardizzazione. Per approfondire un framework di sviluppo competenze AI per la forza lavoro futura, si può consultare il Framework di sviluppo competenze AI per la forza lavoro futura (Università del Michigan).

Il Nostro Framework Proprietario di Valutazione Olistica ML/AI: Un Blueprint per l’Eccellenza

Per colmare il gap di un framework unificato, presentiamo il nostro Framework Proprietario di Valutazione Olistica ML/AI. Questo blueprint per l’eccellenza è progettato per fornire una metodologia strutturata e replicabile per la valutazione delle competenze. Dettaglia criteri specifici per diversi livelli di seniority (junior, mid, senior) e ruoli (es. Data Scientist, ML Engineer, AI Ethicist), integrando aspetti tecnici (algoritmi, coding, MLOps), etici (bias, trasparenza, conformità), soft skill (problem-solving, comunicazione, collaborazione) e di leadership. Il framework include metriche di impatto basate sui risultati reali dei progetti AI, consentendo alle organizzazioni di misurare non solo le competenze individuali, ma anche il loro contributo al valore di business.

Le Certificazioni AI/ML Più Riconosciute: Un Percorso per Ogni Carriera

Quali sono le certificazioni AI/ML più prestigiose e riconosciute a livello globale? Come si sceglie la certificazione AI/ML più adatta al proprio percorso professionale? Le certificazioni riconosciute sono un’ottima risorsa per validare le competenze e orientare la progressione di carriera. Tra le più prestigiose troviamo:

• IBM AI Engineer Professional Certificate: Offre un percorso completo per diventare un ingegnere AI, coprendo Deep Learning, Computer Vision e NLP. Purdue University Online & Simplilearn offrono corsi di certificazione AI/ML in collaborazione con IBM [20].
• Google Cloud Professional Machine Learning Engineer: Si concentra sulla progettazione, costruzione e gestione di soluzioni ML su Google Cloud.
• Microsoft Azure AI Engineer Associate: Valida le competenze nella progettazione e implementazione di soluzioni AI su Azure.
• AI CERTs di Innovativelearning.eu: Offre percorsi di certificazione professionale in AI [19].
• Certificazioni di Skillsoft: Coprono diverse aree del Machine Learning, inclusi Microsoft Azure e Google Cloud [21].

La scelta della certificazione più adatta dipende dagli obiettivi di carriera individuali, dal background tecnico e dal settore di interesse. Un’analisi comparativa dettagliata dei moduli e degli argomenti trattati da ciascuna certificazione è essenziale per prendere una decisione informata.

Sviluppo Continuo e Reskilling: Mantenere le Competenze al Passo con l’Evoluzione AI

Come si possono acquisire e sviluppare le competenze in Intelligenza Artificiale? In un campo in rapida evoluzione come l’AI/ML, lo sviluppo continuo e il reskilling sono imperativi. Le organizzazioni e i professionisti devono adottare strategie proattive per l’aggiornamento delle competenze, che includano corsi di formazione avanzati, partecipazione a conferenze, progetti personali e mentorship. Il framework LEADERS [2], con i suoi pilastri “Research & Refinement” e “Society”, enfatizza l’importanza dell’apprendimento continuo e dell’adattamento alle nuove sfide sociali e tecnologiche. Mantenere le certificazioni aggiornate e pertinenti richiede un impegno costante nella formazione e nell’esplorazione delle ultime tendenze.

L’AI nel Recruiting e Nello Sviluppo del Talento: Strategie Innovative

Esplorazione dell’impatto trasformativo dell’Intelligenza Artificiale nei processi di recruiting e nello sviluppo del talento aziendale, con un focus sull’efficacia, la mitigazione dei bias e la misurazione del ROI. Questa sezione risponde a “Come l’AI può oggettivare la valutazione delle competenze tecniche in fase di assunzione?” e “Come si misura il ROI dell’implementazione dell’AI nel processo di recruiting?”.

AI per un Recruiting più Efficace e Meno Bias

Come l’AI può oggettivare la valutazione delle competenze tecniche in fase di assunzione? Gli strumenti AI stanno rivoluzionando il recruiting, rendendolo più efficace e meno soggetto a bias. L’AI può automatizzare lo screening dei CV, identificando candidati qualificati in base a criteri oggettivi e riducendo il tempo di selezione. Chatbot intelligenti possono condurre interviste preliminari, mentre test adattivi basati sull’AI possono valutare le competenze tecniche in modo più preciso e imparziale. IBM, Workday e RecruitCRM sono leader e fornitori di soluzioni AI nel recruiting e HR, offrendo strumenti per l’assunzione basata sulle skill e la valutazione dei candidati [14], [22], [23]. Questi strumenti possono anche aiutare a colmare il gap sulla valutazione delle soft skill, analizzando pattern linguistici e comportamentali.

Costruire Team AI/ML di Successo: Dalla Valutazione allo Sviluppo

Come si integrano i risultati delle valutazioni AI con le interviste umane per una decisione finale? La valutazione è solo il primo passo. Per costruire team AI/ML di successo, è fondamentale integrare i risultati delle valutazioni AI con le interviste umane, che permettono di valutare soft skill, affinità culturale e potenziale di leadership. Successivamente, le organizzazioni devono investire nello sviluppo interno delle competenze, offrendo programmi di mentorship, percorsi di carriera chiari e opportunità di apprendimento continuo. Il framework LEADERS [2], con i suoi pilastri “Application”, “Development” e “Society”, guida lo sviluppo dei leader del futuro, promuovendo una cultura dell’innovazione e della crescita continua.

Misurare il ROI della Valutazione e dello Sviluppo Competenze AI

Metodologie per quantificare il ritorno sull’investimento delle strategie di valutazione e sviluppo delle competenze AI, dimostrando l’impatto sul business e sulla produttività. Misurare il ROI dell’implementazione dell’AI nel processo di recruiting e nello sviluppo delle competenze è cruciale per giustificare gli investimenti. Questo può essere fatto quantificando la riduzione dei tempi di assunzione, l’aumento della qualità dei candidati, la diminuzione del turnover e il miglioramento delle performance dei team AI/ML. Integrare metriche di valutazione basate sull’impatto reale dei progetti AI, come la generazione di valore di business, l’ottimizzazione dei processi o la creazione di nuovi prodotti, permette di dimostrare tangibilmente l’efficacia delle strategie adottate.

In sintesi, la valutazione delle competenze in Machine Learning e Intelligenza Artificiale richiede un approccio che vada “Oltre il CV”, integrando hard skill, soft skill ed etica in un framework olistico. Superando le sfide di standardizzazione e bias attraverso metodologie avanzate e certificazioni riconosciute, le organizzazioni possono identificare e coltivare i veri talenti AI/ML. Questo non solo ottimizza il recruiting, ma costruisce team innovativi pronti a guidare il futuro tecnologico.

Inizia oggi a trasformare la tua strategia di valutazione e sviluppo delle competenze AI/ML per costruire il team del futuro. Scarica il nostro Framework di Valutazione Olistica ML/AI e porta la tua organizzazione al livello successivo!

References

1. Elsevier. (N.D.). A machine learning framework for soft skills assessment: Leveraging serious games in higher education. Computers and Education: Artificial Intelligence. Retrieved from https://www.sciencedirect.com/science/article/pii/S2666920X25001092
2. Michigan Ross School of Business. (2024). LEADERS: Skilling/Reskilling Framework for the Future AI Workforce – Demonstrated by a Healthcare Case Study. Retrieved from https://michiganross.umich.edu/sites/default/files/media/documents/2024/03/955%20Microsoft%202023-24%20ExecMAP%20Final%20Report.pdf
3. Google Cloud. (N.D.). What is Machine Learning?. Retrieved from https://cloud.google.com/learn/what-is-machine-learning?hl=it
4. IBM. (N.D.). Algoritmi di Machine Learning: cosa sono e quali sono i principali. Retrieved from https://www.ibm.com/it-it/think/topics/machine-learning-algorithms
5. Oracle. (N.D.). Sfide nell’addestramento dei modelli AI. Retrieved from https://www.oracle.com/it/artificial-intelligence/ai-model-training-challenges/
6. ArXiv.org. (N.D.). AI-POWERED ASSESSMENT FRAMEWORK FOR SKILL-ORIENTED ENGINEERING LAB EDUCATION. Retrieved from https://arxiv.org/html/2509.25258v1
7. Neptune.ai. (N.D.). Performance Metrics in Machine Learning: Complete Guide. Retrieved from https://neptune.ai/blog/performance-metrics-in-machine-learning-complete-guide
8. 365 Data Science. (N.D.). Intro to Machine Learning Practice Exams. Retrieved from https://365datascience.com/resources-center/practice-exams/intro-to-machine-learning/
9. Originalskills. (N.D.). La valutazione di Data Scientist e professionisti del Machine Learning: la soluzione di Originalskills. Retrieved from https://originalskills.com/it/blog-soft-skills/la-valutazione-di-data-scientist-machine-learning-la-soluzione-di-originalskills/
10. AI Accelerator Institute. (N.D.). Evaluating Machine Learning Models: Metrics and Techniques. Retrieved from https://www.aiacceleratorinstitute.com/evaluating-machine-learning-models-metrics-and-techniques/
11. Milliman. (N.D.). Validazione efficace dei modelli di Machine Learning. Retrieved from https://it.milliman.com/it-IT/insight/validazione-efficace-dei-modelli-di-machine-learning
12. Snaplogic. (N.D.). AI Skills Gap Research. Retrieved from https://www.snaplogic.com/it/resources/infographics/ai-skills-gap-research
13. Microsoft. (N.D.). Quali competenze sono necessarie per padroneggiare l’AI?. Retrieved from https://pulse.microsoft.com/it-it/transform-it-it/na/fa3-ispirati-ai-leader-quali-competenze-sono-necessarie-per-padroneggiare-l-ai/
14. IBM. (N.D.). AI skills gap: Addressing the demand for AI talent. Retrieved from https://www.ibm.com/it-it/think/insights/ai-skills-gap
15. Red Hat. (N.D.). Casi d’uso di AI/ML. Retrieved from https://www.redhat.com/it/topics/ai/ai-ml-use-cases
16. Università LUM. (N.D.). Machine Learning Specialist: Cosa fa e perché diventarlo. Retrieved from https://www.lum.it/machine-learning/
17. UNESCO. (N.D.). AI competency framework for teachers. Retrieved from https://www.cedefop.europa.eu/en/tools/vet-toolkit-tackling-early-leaving/resources/unesco-ai-competency-framework-teachers
18. Cedefop. (N.D.). UNESCO AI Competency Framework for Teachers. Retrieved from https://www.cedefop.europa.eu/en/tools/vet-toolkit-tackling-early-leaving/resources/unesco-ai-competency-framework-teachers
19. Innovativelearning.eu. (N.D.). Percorso Professionale AI CERTs. Retrieved from https://www.innovativelearning.eu/it/percorso-professionale-ai-certs.html
20. Purdue University Online & Simplilearn. (N.D.). AI Machine Learning Certification Course. Retrieved from https://bootcamp-sl.discover.online.purdue.edu/ai-machine-learning-certification-course
21. Skillsoft. (N.D.). Top Machine Learning Certifications. Retrieved from https://www.skillsoft.com/blog/top-machine-learning-certifications
22. Workday. (N.D.). AI in Recruiting. Retrieved from https://www.workday.com/it-it/topics/ai/ai-in-recruiting.html
23. RecruitCRM. (N.D.). AI Recruiting Tools: The Ultimate Guide. Retrieved from https://recruitcrm.io/it/blogs-it/ai-recruiting-tools/