🤖 Intelligenza Artificiale

Traduttore Locale di Documenti (Offline)

🔒 100% Elaborazione Locale: i tuoi documenti non vengono mai inviati a server esterni. Tutta l'inferenza AI avviene nel tuo browser.

Impostazioni e Caricamento

Carica file (.txt, .docx, .pdf)

📄

Trascina qui il file oppure sfoglia

Direzione traduzione

Stato modello IA: Non caricato

Progresso traduzione: In attesa

Compendio Tecnico-Giuridico sull'Intelligenza Artificiale Locale, Traduzione NMT e Conformità Normativa (Zero-Backend)

L'avanzamento tecnologico più radicale che ha interessato le architetture software documentali client-side è la capacità di eseguire reti neurali profonde ed estesi modelli di linguaggio (LLM) interamente all'interno del browser web dell'utente. Questo strumento usa Transformers.js con ONNX Runtime Web per eseguire nel browser un modello di traduzione automatica neurale della famiglia MarianMT, addestrato dal progetto open source Helsinki-NLP. Il testo del documento non viene trasmesso: dalla rete arriva soltanto il modello, scaricato una volta e conservato nella cache del browser. La contropartita è che la qualità è quella di un modello compatto, inferiore a quella dei traduttori online più noti, e che la traduzione va sempre riletta prima dell'uso.

⚖️ 1. Inquadramento Normativo: Sicurezza del Trattamento (GDPR) e Minaccia Cloud NMT ▼

Privacy by Design (Art. 25 GDPR) ed Esfiltrazione dei Dati

Dal punto di vista normativo, l'impiego di modelli di traduzione automatica (NMT) o LLM commerciali ospitati in cloud pone minacce insormontabili in termini di riservatezza e conformità legale. Quando si processano dati sensibili, i Termini di Servizio (ToS) di molti provider cloud (come Google Translate, DeepL o le API OpenAI) garantiscono al fornitore il diritto unilaterale di immagazzinare i prompt testuali, i documenti e i flussi informativi dell'utente per il riaddestramento continuo dei propri modelli algoritmici. Questo meccanismo viola frontalmente il principio di limitazione della finalità prescritto dal GDPR. L'Articolo 25 del GDPR codifica il principio della Data Protection by Design e by Default, imponendo che le misure a tutela della privacy siano architettate direttamente nel codice fin dalla fase di progettazione. Eseguendo la traduzione nel browser il testo non viene trasmesso ad alcun fornitore, e viene quindi meno il rischio che finisca in un archivio esterno o sia usato per addestrare modelli. Restano da curare le misure di sicurezza sul dispositivo e la conservazione dei file tradotti.

Articolo 28 (Data Processing) e il Rischio Schrems II

L'utilizzo di un Cloud NMT per tradurre documenti sensibili trasforma istantaneamente l'azienda fornitrice del software in un Data Processor (Responsabile del Trattamento ex Articolo 28 GDPR). Questo innesca per il professionista (Titolare del Trattamento) l'obbligo inderogabile di stipulare rigorosi Data Processing Agreements (DPA), condurre estenuanti audit di sicurezza e autorizzare i sub-responsabili. Inoltre, in ambito europeo, i trasferimenti di dati extra-UE verso server operanti negli Stati Uniti costituiscono un terreno giuridicamente incerto a causa delle ripercussioni giurisprudenziali della nota sentenza "Schrems II". Con l'esecuzione locale il sito fornisce il programma e il modello, ma non tratta il testo: per questa operazione non c'è un responsabile del trattamento da nominare né un trasferimento di dati verso paesi terzi da giustificare. Gli altri adempimenti del titolare restano invariati.

🧮 2. Architettura del modello: MarianMT, ONNX Runtime Web e quantizzazione a 8 bit ▼

ONNX Runtime Web e Piattaforme di Esecuzione (Execution Providers)

Il motore di inferenza si affida a ONNX (Open Neural Network Exchange), il formato standardizzato per la rappresentazione dei grafi computazionali intermedi nel Machine Learning. La libreria onnxruntime-web distribuisce i modelli sequence-to-sequence (come MarianMT) nel browser instradando le operazioni vettoriali attraverso diverse interfacce di esecuzione hardware (Execution Providers):

WebAssembly (CPU): è il motore usato da questo strumento. Funziona su qualsiasi browser recente senza driver né permessi particolari, ma il calcolo resta a carico del processore: la velocità dipende dal dispositivo.
Multi-thread: ONNX Runtime può distribuire il calcolo su più core solo se la pagina è «cross-origin isolated», condizione che richiede intestazioni HTTP particolari e impedirebbe di caricare risorse esterne. Qui l'esecuzione avviene quindi su un singolo thread, dentro un Web Worker che tiene libera l'interfaccia.
WebGPU (GPU): lo standard che porta l'accelerazione grafica al calcolo neurale, con guadagni di velocità notevoli. Non è utilizzato da questo strumento: il supporto nei browser è ancora disomogeneo e i modelli di traduzione usati qui sono abbastanza piccoli da girare sul processore.

Compressione Logica: Quantizzazione INT8 Post-Addestramento

L'ostacolo ingegneristico più grave per il deployment di modelli linguistici NLP all'interno del browser web è rappresentato dai limiti fisici della larghezza di banda di rete e dai limiti stringenti di allocazione RAM/VRAM imposti al processo. I modelli traduttori possiedono un peso originale massiccio nella loro configurazione in virgola mobile a 32 bit (FP32). Richiederne il caricamento causerebbe il blocco dell'interfaccia utente (UI) o il crash prematuro indotto dal sistema operativo (Out of Memory - OOM).

La soluzione adottata è la quantizzazione a 8 bit: i pesi della rete, originariamente numeri in virgola mobile a 32 bit, vengono convertiti in interi a 8 bit. Il modello scaricato pesa così circa un quarto dell'originale, con un peggioramento contenuto della qualità della traduzione. È il compromesso che rende praticabile l'esecuzione nel browser: i modelli usati qui (famiglia MarianMT, addestrati dal progetto Helsinki-NLP) occupano alcune decine di megabyte per ciascuna direzione linguistica.

Quanto tempo richiede

La traduzione procede una frase per volta (modello autoregressivo: ogni parola prodotta dipende dalle precedenti), quindi il tempo cresce con la lunghezza del testo. In una prova su un computer desktop, il caricamento del modello ha richiesto circa 9 secondi e la traduzione di un verbale di circa 370 caratteri circa 3 secondi e mezzo. Il modello resta poi nella cache del browser: le traduzioni successive nella stessa direzione linguistica partono subito. Per documenti di molte pagine il tempo si misura in minuti, e conviene lasciare la scheda in primo piano.

📈 3. Casuistica Reale: Processi Professionali in Settori M&A e Clinici ▼

Scenario 1: Due Diligence Documentale nel Settore Finanziario (M&A)

Un team operativo interbancario è incaricato di elaborare un'analisi di rischio critico (Due Diligence) in una delicata manovra di fusione e acquisizione aziendale (Mergers and Acquisitions - M&A). Il materiale documentale consiste in migliaia di contratti legali esteri scannerizzati ad altissima risoluzione.

Esecuzione: I professionisti caricano i file PDF: il testo viene estratto con pdf.js e tradotto paragrafo per paragrafo dal modello locale. Su documenti di decine di pagine il tempo si misura in minuti, e la traduzione va considerata una bozza di lavoro: per i passaggi contrattuali rilevanti serve comunque una revisione umana, perché un modello compatto sbaglia con facilità termini tecnici e cifre.
Vantaggio: La valutazione del capitale viene condotta tutelando ermeticamente il segreto industriale dell'accordo; si evitano gravissimi reati finanziari quali l'insider trading, frequentemente innescati da data leak provocati da processi su server esposti a vulnerabilità.

Scenario 2: Traduzione Narrativa di Registri Sanitari Estero-Italia

Un primario ospedaliero italiano riceve cartelle cliniche in spagnolo da un istituto di Barcellona riguardanti un paziente sottoposto a trial clinici sperimentali, ricche di dati sensibili e categorie particolari ex Art. 9 GDPR.

Esecuzione: Il testo viene tradotto sul computer dell'ambulatorio, senza uscire dalla rete interna. Diagnosi, dosaggi e posologie vanno però sempre verificati su un traduttore professionale o da un medico che conosca la lingua: un errore su un'unità di misura o su una negazione può avere conseguenze dirette sulla terapia.
Vantaggio: La struttura ospedaliera neutralizza in modo incontrovertibile lo spettro che le ammissioni intime dei pazienti vengano fagocitate, analizzate o profilate da algoritmi gestiti dalle multinazionali Big Tech per futuri addestramenti commerciali.

4. FAQ Tecniche, Errori Operativi (OOM) e Colli di Bottiglia dell'Hardware (YMYL)

👥 Casi Pratici ed Esempi Reali ▼

I casi seguenti sono stati riprodotti con lo strumento, confrontando il testo di partenza con quello restituito dal modello e misurando i tempi su un computer desktop.

Caso 1: clausole di un contratto di locazione (italiano → inglese)

«Il contratto di locazione ha una durata di quattro anni.» → «The lease shall last for four years.»
«Il canone mensile e di 750 euro.» → «The monthly fee is 750 euros.»
«Le spese condominiali sono a carico del conduttore.» → «The condominium costs are borne by the holder.»

Le prime due frasi sono corrette. Nella terza «conduttore», che in un contratto di locazione è l'inquilino (tenant), diventa «holder»: è il tipico errore di un modello compatto sui termini giuridici, che rende indispensabile la rilettura.

Caso 2: verbale di assemblea in DOCX

Titolo «VERBALE ASSEMBLEARE» (tutto maiuscolo) → «AXISAL VERBAL»
Corpo del testo: tradotto in modo corretto e comprensibile
Tempi: 8,7 secondi per caricare il modello, 3,5 secondi per 367 caratteri

Le righe in maiuscolo mettono in difficoltà il modello, che le tratta come parole sconosciute: conviene convertire i titoli in minuscolo prima di tradurre. I paragrafi restano separati, come nell'originale.

Caso 3: esportazione del testo tradotto

TXT e DOCX: testo integrale, con i paragrafi separati
PDF: font Helvetica, righe mandate a capo sulla larghezza della pagina A4
Lettere fuori dall'alfabeto latino occidentale nel PDF: ricondotte alla lettera base

Per conservare il testo esattamente come prodotto dal modello conviene il formato TXT o DOCX; il PDF è comodo per la stampa, ma è un documento di solo testo e non riproduce l'impaginazione dell'originale.

Perché la pagina della traduzione potrebbe crashare segnalando un errore OOM (Out of Memory)? ▼

Il caricamento di elaboratori semantici LLM o NMT densi satura profondamente la memoria di allocazione consentita dal motore JavaScript (tipicamente limitata a 2-4 GB di Heap per tab nel motore V8 del browser). Quando si carica il tensore di intelligenza artificiale non compresso (FP32) o si processa un PDF Word colossale di centinaia di pagine senza partizionarlo, si supera brutalmente il limite di RAM allocabile imposto dal sistema operativo, inducendo il processo di tab-crashing e l'eradicazione della pagina dalla memoria (Out of Memory - OOM). Per questo i nostri strumenti implementano rigorosamente modelli quantizzati in formato intero INT8 (22 MB anziché 90 MB) ed eseguono il parsing a chunk iterativi.

Cosa si intende per "Thermal Throttling" e come degrada l'esperienza di traduzione locale? ▼

L'esecuzione prolungata di cicli matematici intensi tipici delle reti neurali (moltiplicazioni di matrice per i modelli Transformer) genera un grave sovraccarico continuato sulle frequenze della CPU o del System on a Chip (SoC) del dispositivo mobile o laptop leggero. Per prevenire danni fisici all'hardware, i sensori termici riducono in via forzosa e draconiana le frequenze di clock del processore, innescando il fenomeno del thermal throttling. Ciò porta all'erosione repentina della batteria, a un marcato innalzamento delle temperature dello chassis e alla compromissione della reattività dell'interfaccia (blocco del main thread UI). Per ovviare, è vitale abilitare l'accelerazione WebGPU dislocando il carico computazionale interamente sull'acceleratore video isolato tramite le funzionalità dei Web Workers.

Quali ostacoli presenta l'API WebGL per le inferenze NMT, e perché viene soppiantata da WebGPU? ▼

L'interfaccia WebGL fa affidamento su direttive storiche radicate nello standard OpenGL ES 2.0/3.0. Sebbene permetta l'esecuzione dell'IA su browser non recenti, il suo livello di astrazione induce un pesantissimo sovraccarico di stato operativo (overhead) per ogni singola transazione inviata alla scheda video. Soprattutto, è priva della tecnologia dei compute shader in virgola mobile a mezza precisione (FP16). WebGPU, interfacciandosi con strati kernel a basso livello (Vulkan, Metal), sblocca l'operatività cruda della memoria, accelerando spaventosamente (+1900%) i calcoli tensoriali necessari alla codifica e decodifica dei token tradotti.

❓ Domande Frequenti (FAQ) ▼

La qualità è paragonabile a quella dei traduttori online?

No. I modelli usati qui sono compatti e quantizzati per poter girare nel browser: capiscono bene le frasi comuni, ma sbagliano con più facilità termini tecnici, giuridici e medici. La traduzione va sempre riletta.

Il documento viene inviato da qualche parte?

No. Viene letto e tradotto nel browser; dalla rete arriva solo il modello di traduzione, scaricato al primo utilizzo.

Perché la prima traduzione è lenta?

La prima volta il browser scarica il modello della direzione linguistica scelta, alcune decine di megabyte. Nella prova, circa 9 secondi su desktop; poi il modello resta nella cache.

Posso tradurre un PDF scansionato?

No, se contiene solo immagini: non c'è testo da estrarre. Prima va riconosciuto il testo con lo strumento OCR.

L'impaginazione del documento viene mantenuta?

No: viene estratto e tradotto il solo testo, suddiviso in paragrafi. Tabelle, colonne, intestazioni e immagini non vengono riprodotte.