KVAi Research

Ricerca sull'AI applicata aproblemi del mondo reale.

Non per altri ricercatori — per chi ha bisogno di capire, investire e agire. Interroga direttamente il nostro corpus di ricerca.

MAY 2026

Conference Paper · NLPAICS 2026

Media Analysis & Social Signals

Bloc-Conditional Event States: Measuring Cross-Coverage Divergence for Threat-Intelligence Analysis

Maryam Fooladi, Federico Bottino, Alberto Trivero

A content-level method for open-source threat intelligence: each editorially-coherent outlet bloc is represented as a density matrix on a 15-dimensional framing-feature space, and cross-bloc divergence is measured via trace distance. Across two contested events, the gap between state-aligned and mainstream-Western coverage exceeds US-right/US-left polarization by roughly 1.8× — with eigenvector decomposition attributing the divergence to interpretable framing axes (economic consequences on Hormuz, morality on Navalny).

Leggi il paper

MAR 2026 (APR 2026 UPDATE)

Research Paper · Preprint

Epistemic Knowledge Access

Retrieval Is Not Enough: Why Organizational AI Needs Epistemic Infrastructure

Federico Bottino, Carlo Ferrero, Nicholas Dosio, Pierfrancesco Beneventano

A framework that gives every unit of organisational knowledge a computable epistemic status — typed, scored, dynamically maintained. The substrate your AI agents need to reason reliably, avoid contradiction, and scale institutional memory.

Leggi il paper

MAR 2026

Technical Report

Autonomous Scientific Discovery

MAGELLAN: Autonomous Cross-Disciplinary Scientific Discovery via Multi-Agent Adversarial Scrutiny

Alberto Trivero

A 15-agent open-source system that reads across scientific silos, connects existing knowledge into testable hypotheses, and subjects them to adversarial scrutiny — killing 86% of its own ideas. Includes two computationally verified predictions and a 42-page arXiv paper documenting 22 sessions and 273 hypotheses.

Leggi il paper

FEB 2026

Conference Paper · LREC 2026

Media Analysis & Social Signals

A Multi-Layer AI Framework for Information Landscape Analysis

Maryam Fooladi, Federico Bottino

A framework proposing a multi-layer AI architecture for information landscape analysis — integrating strategic reasoning, operational automation, and human-AI collaboration across the full lifecycle of new ventures.

Leggi il paper

FEB 2026

Conference Paper · LREC 2026

Media Analysis & Social Signals

Beyond Sentiment: Why Traditional NLP Fails Political News — and How LLMs Can Bridge the Gap

Maryam Fooladi, Federico Bottino

A comparative study identifying "neutral collapse" — the systematic failure of sentiment models to capture the rhetorical richness of political discourse — and demonstrating how LLMs can bridge the gap between surface-level polarity and deep narrative structure.

Leggi il paper

NOV 2025

Policy Paper

AI Compliance & AI Law

Assessing AI Act Compliance: An LLM Tool for Enterprises

Giacomo Conti, Alberto Trivero

ShikAI's first policy paper maps the combined regulatory surface of EU AI Act, GDPR, DSA and DMA — and presents an LLM-based tool that helps enterprises assess their compliance posture without sacrificing innovation.

Leggi il paper
Stiamo entrando in un'era di intelligenza associativa — biologica e artificiale. Eppure la forza trainante resta immutata: l'immaginazione umana. L'AI non è solo informatica; è filosofia applicata, fondata sulla matematica e sulla logica. Questa è l'era dei filosofi e delle macchine.
Federico Bottino

Federico Bottino

CEO, Kakashi Venture Accelerator

Comitato consultivo

Comitato Scientifico

La nostra ricerca è revisionata e guidata da accademici e ricercatori di prestigio.

Domini di interesse

Indagini attuali

Attivo

AI Compliance & AI Law

Regulation as competitive advantage, not a constraint.

Attivo

Epistemic Knowledge Access

How we access knowledge — and how AI changes the rules.

Attivo

Media Analysis & Social Signals

Narrative, framing and social signals — reading what media mean, not just their tone.

Attivo

Autonomous Scientific Discovery

AI that reads across silos, finds what humans miss, and kills its own bad ideas.

Futuro

LLMs Performance Benchmarking

Independent benchmarks. No sponsors. No convenient rankings.

Futuro

Neurocognitive Architecture & Organizational Psychometrics

How minds organize, decide, and adapt — measured, not assumed.

Dati aperti

Dataset

I corpus e le suite di valutazione alla base dei nostri paper, rilasciati apertamente affinché il lavoro possa essere riprodotto e sviluppato ulteriormente.

Come lavoriamo

Impegni

Ciò che promettiamo su come facciamo ricerca — non a posteriori, ma fin dall'inizio. Non sono valori di marketing; sono vincoli che accettiamo a monte e di cui puoi chiederci conto.

01

Aperti per impostazione predefinita

Pubblichiamo la nostra ricerca apertamente. Codice, dati, metodologia e risultati, quando non vincolati dalla riservatezza dei partner, diventano pubblici. Dove utilizziamo dati proprietari, documentiamo la metodologia affinché altri possano riprodurre il lavoro autonomamente.

02

Riproducibilità prima della forma

Un paper che non può essere riprodotto è un comunicato stampa. Ci impegniamo a rilasciare gli artefatti — dataset, script, strumenti di valutazione — necessari a verificare le nostre affermazioni.

03

Revisione paritaria indipendente

La nostra ricerca è revisionata da un Comitato Scientifico esterno di accademici e ricercatori provenienti da MIT, Università di Torino, Politecnico di Torino e GraphAware. Pubblichiamo la composizione del nostro comitato e la rinnoviamo a rotazione.

04

Sovranità europea sull'AI

Lavoriamo principalmente con ricercatori europei, istituzioni europee, dati europei e quadri normativi dell'UE — l'AI Act, il GDPR, il DSA e il DMA. Contribuiamo a costruire uno stack europeo di ricerca sull'AI.

05

Indipendenza dei ricercatori

I ricercatori con cui collaboriamo mantengono la paternità e la libertà di pubblicare, inclusi risultati scomodi per KVA. Non firmiamo NDA che vincolino la pubblicazione accademica.

06

Trasparenza sui finanziamenti

Dichiariamo le fonti di finanziamento, le partnership industriali e i conflitti di interesse in ogni paper.

Open Source

Codice su GitHub

Dataset, strumenti di valutazione e implementazioni di riferimento alla base dei nostri paper. Aperti per impostazione predefinita — clonalo, riproducilo, sviluppaci sopra.

github.com/kakashi-ventures

Riproducibile per progettazione

  • Dataset pubblici e strumenti di valutazione
  • Implementazioni di riferimento per ogni paper
  • Metodologia documentata per i dati proprietari
Ecosistema

Hub dei contributi

Resta informato

Ricevi nuovi paper e analisi.

Niente spam — solo ricerca. Un aggiornamento quando pubblichiamo qualcosa di nuovo.