Applied AI Researcher · Dottorato in AI, Politecnico di Torino · Milano, Italia

Mario Trerotola

Sistemi di machine learning i cui risultati possono essere verificati: quale fonte, quale variabile, quale regola. La decisione resta a una persona.

La vigilanza finanziaria è dove lavoro, perché è uno dei posti più difficili in cui far reggere questi sistemi: dati avversari, regole scritte, e qualcuno che deve rispondere del risultato. Dal 2024 al 2025 ne ho costruito uno dentro l’autorità italiana di vigilanza sui mercati finanziari, in distacco istituzionale dal dottorato; prima, cofondatore e CTO di una PropTech finanziata da Exor Ventures; oggi ricercatore all’Università di Salerno. I metodi non sono specifici della finanza: spiegazione agnostica rispetto al modello, un runtime ad agenti, pattern per l’AI Act nei sistemi ad alto rischio.

Aperto a collaborazioni di ricerca, ruoli applicativi e a costruire con chi deve rispondere di ciò che i suoi sistemi producono.

Ricerca

08 · 2026

Sperimentazione dell'IA nell'azione di contrasto della CONSOB agli abusivismi finanziari

M. Trerotola, A. Boghi, P. Deriu, G. Frega · Consob, Quaderni FinTech, No. 19

Un prototipo ibrido — modelli linguistici con regole deterministiche — per gli esposti degli investitori e i siti delle entità segnalate, sviluppato dalla Consob con il Politecnico di Torino e l’Università Politecnica delle Marche. Scritto con i responsabili della Divisione Studi e Regolamentazione e dell’Ufficio Vigilanza su Fenomeni Abusivi.

Il sistema non assume decisioni in via autonoma: prepara, e la valutazione, la decisione e la relativa responsabilità restano in capo all’operatore.

consob.itJEL O32, O33, C55, G21

Reati finanziari e integrità dei mercati

07 · 2026

Blockchain Fraud Detection for Explainable Forensic Investigations

M. Trerotola, D. Calvaresi, M. Parente · DSA ISC 2026

I modelli profondi sono accurati ma opachi; le pipeline interpretabili sono di solito legate a una sola catena. Questo metodo tiene entrambe le cose: variabili grafo-temporali neutre rispetto all’architettura, Balanced Random Forest per lo sbilanciamento severo delle classi e uno stack XAI a tre livelli (SHAP, CIU, DEXiRE). Macro-F1 fino a 0,92 su 31.000 wallet Bitcoin e 0,985 su 157.000 token Ethereum, lasciando il ragionamento ispezionabile.

Spiegabilità e verificabilità

04 · 2026

A Hybrid Multi-Agent System for Early Scam Detection in Crypto-Assets

M. Trerotola, M. Parente, D. Calvaresi · Applied Sciences, 16(7), 3122

Sette agenti specializzati — coordinamento, recupero, rischio euristico, conformità MiCAR, rilevamento frodi on-chain, riconciliazione — che combinano modelli linguistici e controlli di conformità a regole. Il test a livello di componenti su 150 progetti dà 95% di riproducibilità dell’output su cinque esecuzioni e 210 s di latenza media: prova di concetto, non evidenza di esercizio. Un pilota con sei ricercatori e due esperti di autorità di vigilanza fornisce indicazioni preliminari di usabilità.

doi:10.3390/app16073122 code

Sistemi ad agenti

Il record completo: 9 pubblicazioni.

Progetto

InvestShield osserva il flusso pubblico dei certificati TLS e cattura una copia datata e sigillata con hash di un sito che imita una banca o una società di investimento — mentre è ancora online, prima del reclamo che altrimenti sarebbe il primo avviso. Un mio progetto, in esercizio.

Vai a investshield.it

Contatti

Per collaborazioni di ricerca, un ruolo applicativo o per costruire qualcosa insieme. La finanza è dove sono stati la maggior parte dei miei casi; il problema — un sistema che deve giustificare le proprie decisioni davanti a chi ne risponde — non le è specifico.

mariotrerotola@gmail.com