{"id":19602,"date":"2026-07-24T16:04:29","date_gmt":"2026-07-24T16:04:29","guid":{"rendered":"https:\/\/intellico.ai\/?p=19602"},"modified":"2026-07-24T16:05:37","modified_gmt":"2026-07-24T16:05:37","slug":"accelerare-lo-sviluppo-di-prodotti-cosmetici-grazie-allexplainable-ai-quando-il-machine-learning-tradizionale-non-basta","status":"publish","type":"post","link":"https:\/\/intellico.ai\/it\/blog\/accelerare-lo-sviluppo-di-prodotti-cosmetici-grazie-allexplainable-ai-quando-il-machine-learning-tradizionale-non-basta\/","title":{"rendered":"Accelerare lo sviluppo di prodotti cosmetici grazie all\u2019Explainable AI, quando il machine learning tradizionale non basta"},"content":{"rendered":"\t\t
\n\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t
\n01<\/span>\n

Trial & error, iterazione dopo iterazione<\/h2>\n<\/div>\n\n

Pensate a quanti tentativi servono per portare un nuovo prodotto cosmetico sullo scaffale. Dietro ogni crema, shampoo o emulsione c’\u00e8 una lunga sequenza di prove di formulazione: decine di materie prime da combinare, propriet\u00e0 chimico-fisiche da rispettare, vincoli normativi da considerare e un brief del cliente che lascia poco margine d’errore. Tradizionalmente si tratta di un processo di trial & error. Il formulatore progetta un prototipo sulla base della propria esperienza, il laboratorio lo testa, arrivano i risultati, la formula viene corretta \u2014 e il ciclo ricomincia. Ogni iterazione costa tempo, materiali e risorse di laboratorio. Nel frattempo, il cliente o i colleghi del marketing aspettano.<\/p>\n\n

Per i produttori di cosmetici questa \u00e8 la realt\u00e0 di ogni progetto. L’esperienza raccontata in questo case study riguarda un’azienda spagnola specializzata nello sviluppo e nella produzione di prodotti cosmetici e per la cura della persona per catene retail e private label. L’azienda opera a livello internazionale, dispone di un team R&D di oltre 20 professionisti e genera ricavi annui superiori a 180 milioni di euro. Ogni cliente arriva con un concept di prodotto diverso, un mercato target diverso e specifiche diverse \u2014 il che significa che i laboratori dell’azienda eseguono costantemente prove di formulazione per soddisfare requisiti che sono, per definizione, unici.<\/p>\n\n

\n

20+<\/p>

professionisti nel team R&D<\/p><\/div>\n

180M\u20ac<\/p>

ricavi annui<\/p><\/div>\n

1.089<\/p>

prove di formulazione storiche<\/p><\/div>\n

4<\/p>

fasi nel processo di sviluppo<\/p><\/div>\n<\/div>\n\n

Il processo di sviluppo si articola tipicamente in quattro fasi: un briefing con il cliente che definisce propriet\u00e0 target, requisiti normativi e vincoli di costo; lo sviluppo di formulazioni prototipo basate sull’esperienza R&D; i test di laboratorio sugli attributi chiave come stabilit\u00e0, viscosit\u00e0, pH, spalmabilit\u00e0 e tenuta della fragranza; e un ciclo iterativo di ottimizzazione che prosegue finch\u00e9 ogni requisito tecnico, normativo e sensoriale non \u00e8 soddisfatto. Quando servono pi\u00f9 iterazioni, quest’ultima fase da sola pu\u00f2 assorbire settimane.<\/p>\n\n

\n02<\/span>\n

Perch\u00e9 il machine learning tradizionale non basta<\/h2>\n<\/div>\n\n

Il machine learning \u00e8 uno strumento ideale per accorciare questo ciclo: prevedere le propriet\u00e0 di una nuova formulazione prima della sperimentazione consente di eliminare i candidati meno promettenti gi\u00e0 in fase di screening, anzich\u00e9 scoprirne i limiti sul banco di laboratorio. Restano, tuttavia, due ostacoli principali.<\/p>\n\n

Il primo \u00e8 la fiducia. La maggior parte dei modelli predittivi si comporta come una black box. Senza visibilit\u00e0 su come il modello arriva alle proprie conclusioni, \u00e8 difficile per i formulatori fidarsi dei suoi suggerimenti, per le aziende rispondere alle aspettative regolatorie e per i team R&D estrarre indicazioni realmente azionabili.<\/p>\n\n

Il secondo \u00e8 il formato dei dati. La conoscenza formulativa vive nelle tabelle \u2014 fogli di calcolo di prove, ingredienti e propriet\u00e0 misurate. Ma il valore si nasconde nelle relazioni tra le prove: quali formule sono simili, quali esperimenti passati sono rilevanti per un nuovo brief, come la conoscenza si trasferisce da un progetto all’altro. Queste relazioni non sono mai esplicitate nei dati tabellari, e i modelli convenzionali non possono sfruttarle.<\/p>\n\n

\n03<\/span>\n

La soluzione: Graph machine learning auto-esplicativo<\/h2>\n<\/div>\n\n

L’approccio di Intellico affronta entrambi i problemi allo stesso tempo. A partire da normali dati tabellari di formulazione, il modello costruisce autonomamente un grafo che rappresenta le relazioni tra le diverse formulazioni. Ogni formula corrisponde a un nodo, mentre le connessioni tra i nodi, apprese automaticamente tramite un Differentiable Graph Module, esprimono il grado di somiglianza tra le formulazioni. Il modello apprende quindi, nello stesso processo, sia la struttura del grafo sia il modo in cui utilizzarla per prevedere le propriet\u00e0 di nuove formulazioni. In questo modo emergono pattern e correlazioni che, in un tradizionale foglio di calcolo, rimarrebbero difficili da individuare.<\/p>\n\n

A supporto del motore predittivo, Intellico integra tre componenti progettati per chi sviluppa concretamente i prodotti. L’Explainer combina tecniche di spiegabilit\u00e0 basate su grafo, perturbazione e analisi di sensitivit\u00e0 per evidenziare quali caratteristiche influenzano maggiormente una determinata propriet\u00e0 e quali formulazioni storiche hanno avuto il peso pi\u00f9 rilevante nella previsione. L’Explorer permette ai team R&D di navigare visivamente il grafo appreso, individuando pattern, relazioni e aree particolarmente promettenti dello spazio formulativo. Il Simulatore, infine, consente di stimare l’esito di una nuova prova prima ancora di eseguirla in laboratorio, riducendo tempi, costi e numero di esperimenti necessari.<\/p>\n\n

\n04<\/span>\n

Da 1.089 prove grezze a un modello funzionante<\/h2>\n<\/div>\n\n

Il progetto \u00e8 partito dallo storico di prove aziendali nella categoria emulsioni: 1.089 prove di formulazione descritte da 1.332 ingredienti commerciali, 915 ingredienti INCI e 70 propriet\u00e0 chimico-fisiche. Un patrimonio informativo ricco, ma eterogeneo e poco strutturato. Le variabili non erano registrate in modo uniforme tra le diverse prove e numerose misurazioni chimico-fisiche risultavano mancanti.<\/p>\n\n

Lavorando fianco a fianco con gli esperti di formulazione dell’azienda, abbiamo ridotto lo spazio delle feature a 17 parametri accuratamente selezionati, privilegiando la completezza dei dati e la rilevanza rispetto alle propriet\u00e0 target, pH e viscosit\u00e0. Dopo aver escluso le formulazioni incomplete, il dataset finale comprendeva 300 prove complete e affidabili. I pochi dati mancanti residui sono stati stimati in modo coerente e le variabili sono state uniformate per rendere i risultati confrontabili. Abbiamo inoltre mantenuto la costruzione del modello volutamente semplice, cos\u00ec da favorirne la comprensione e ridurre il rischio di risultati poco generalizzabili (overfitting).<\/p>\n\n

Il dataset storico includeva inoltre variazioni di formulazione troppo ampie, che non sempre riflettevano l’attivit\u00e0 quotidiana dei formulatori. Di conseguenza, le previsioni del modello non erano sufficientemente accurate quando a una formulazione venivano apportate solo modifiche minime. Per risolvere il problema, abbiamo aggiunto oltre 100 prove di formulazione rappresentative, insieme ai dati sulle strutture molecolari degli ingredienti.<\/p>\n\n

\n05<\/span>\n

MATILDE\u00ae: la soluzione al servizio dei formulatori<\/h2>\n<\/div>\n\n

La capacit\u00e0 predittiva genera valore solo quando pu\u00f2 essere utilizzata in modo semplice e immediato. Questo principio \u00e8 alla base di come oggi \u00e8 strutturata la soluzione MATILDE\u00ae<\/a> di Intellico. L’interfaccia consente di navigare lo spazio formulativo in modo interattivo: dopo aver simulato la viscosit\u00e0 di una formula candidata, l’utente pu\u00f2 visualizzare le formulazioni pi\u00f9 vicine con un comportamento atteso simile, mentre l’intensit\u00e0 del colore rappresenta il livello previsto della propriet\u00e0. Accanto alla visualizzazione, un’analisi dell’impatto degli ingredienti mostra come una variazione del 5% di ciascun componente possa influenzare la viscosit\u00e0 prevista. Per esempio, glycerin e sodium lactate tendono ad aumentarla, mentre sodium lauryl sulfate e silica contribuiscono a ridurla. In questo modo, i formulatori non ricevono soltanto una previsione, ma comprendono anche quali fattori la determinano.<\/p>\n\n

\n06<\/span>\n

Risultati e impatto sul business<\/h2>\n<\/div>\n\n
\n

95,6%<\/p>

accuratezza sulla viscosit\u00e0
MAPE 4,4%<\/span><\/p><\/div>\n

96,2%<\/p>

accuratezza sul pH
MAPE 3,8%<\/span><\/p><\/div>\n<\/div>\n\n

Testati sui dati storici di formulazione, i modelli si sono dimostrati estremamente accurati. Per la viscosit\u00e0 il modello ha raggiunto un’accuratezza del 95,6% con un errore percentuale assoluto medio (MAPE) del 4,4%. Per il pH l’accuratezza \u00e8 stata ancora pi\u00f9 alta: 96,2%, con un MAPE del 3,8%. In termini concreti, questi risultati indicano che i modelli sono in grado di rappresentare in modo affidabile la relazione tra le combinazioni di ingredienti e le propriet\u00e0 finali del prodotto, all’interno dello spazio formulativo coperto dai dati disponibili.<\/p>\n\n

Per l’azienda questo si traduce in una drastica riduzione dello sforzo di laboratorio e degli sprechi di materiale. Oltre ai benefici immediati, le funzionalit\u00e0 di spiegabilit\u00e0 aiutano i ricercatori a concentrarsi sulle combinazioni di ingredienti a pi\u00f9 alto potenziale, mentre la rappresentazione strutturata della conoscenza formulativa sostiene l’apprendimento organizzativo di lungo periodo \u2014 preservando le competenze, rendendo accessibili i dati storici e facilitando l’inserimento di nuovo personale. La piattaforma incorpora nativamente l’approccio di Explainable AI di Intellico.<\/p>\n\n

Per trasformare il pilota in un’adozione stabile e di lungo periodo \u00e8 in atto una roadmap in due fasi: primo, arricchire la qualit\u00e0 dei dati su tutti i parametri chiave attraverso una raccolta dati mirata e supportata dall’AI; secondo, estendere il modello ad altre categorie di prodotto \u2014 solari, detergenti \u2014 e ad altri parametri di performance come le condizioni di processo e gli attributi sensoriali.<\/p>\n\n

\n07<\/span>\n

L’importante cambiamento per l’R&D che vuole guidare il futuro<\/h2>\n<\/div>\n\n

La sfida affrontata da questa azienda \u00e8 tutt’altro che unica. In settori come cosmetica, alimentare, farmaceutica e scienza dei materiali, una parte importante del vantaggio competitivo resta spesso dispersa nei dati storici e nell’esperienza dei formulatori. Il machine learning pu\u00f2 sbloccarla, ma solo se il ragionamento del modello \u00e8 visibile, verificabile e utilizzabile dagli esperti a cui spetta la decisione.<\/p>\n\n

\u00c8 questo il vero cambiamento ottenibile per l’R&D tramite un approccio basato sull’utilizzo dell’AI spiegabile: potenziare i formulatori, non sostituirli, ma aiutarli a esplorare anni di sperimentazione e a trasformare ogni nuovo brief in un processo pi\u00f9 rapido e guidato dai dati. Per le aziende che competono sul time-to-market, questa differenza non \u00e8 incrementale. \u00c8 strutturale.<\/p>\n\n

La metodologia applicata da Intellico, gi\u00e0 validata nel settore alimentare, pu\u00f2 essere estesa all’ambito chimico e alla scienza dei materiali.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t","protected":false},"excerpt":{"rendered":"

La capacit\u00e0 predittiva genera valore solo quando pu\u00f2 essere utilizzata in modo semplice e immediato. Questo principio \u00e8 alla base di come oggi \u00e8 strutturata la soluzione MATILDE\u00ae di Intellico.<\/p>\n","protected":false},"author":2,"featured_media":19604,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[49,65,152],"tags":[166,51,90],"class_list":["post-19602","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-blog-it","category-case-history","category-matilde","tag-gare","tag-ia","tag-intellico"],"yoast_head":"\nExplainable AI per la formulazione cosmetica: il case study | Intellic<\/title>\n<meta name=\"description\" content=\"Come un'azienda cosmetica da 180M\u20ac accelera la formulazione con MATILDE\u00ae di Intellico.ai: 95,6% di accuratezza su viscosit\u00e0 e 96,2% sul pH.\" \/>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/intellico.ai\/it\/blog\/accelerare-lo-sviluppo-di-prodotti-cosmetici-grazie-allexplainable-ai-quando-il-machine-learning-tradizionale-non-basta\/\" \/>\n<meta property=\"og:locale\" content=\"it_IT\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Explainable AI per la formulazione cosmetica: il case study | Intellic\" \/>\n<meta property=\"og:description\" content=\"Come un'azienda cosmetica da 180M\u20ac accelera la formulazione con MATILDE\u00ae di Intellico.ai: 95,6% di accuratezza su viscosit\u00e0 e 96,2% sul pH.\" \/>\n<meta property=\"og:url\" content=\"https:\/\/intellico.ai\/it\/blog\/accelerare-lo-sviluppo-di-prodotti-cosmetici-grazie-allexplainable-ai-quando-il-machine-learning-tradizionale-non-basta\/\" \/>\n<meta property=\"og:site_name\" content=\"Intellico\" \/>\n<meta property=\"article:published_time\" content=\"2026-07-24T16:04:29+00:00\" \/>\n<meta property=\"article:modified_time\" content=\"2026-07-24T16:05:37+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/intellico.ai\/wp-content\/uploads\/2026\/07\/cosmesi.png\" \/>\n\t<meta property=\"og:image:width\" content=\"903\" \/>\n\t<meta property=\"og:image:height\" content=\"507\" \/>\n\t<meta property=\"og:image:type\" content=\"image\/png\" \/>\n<meta name=\"author\" content=\"Intellico\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:label1\" content=\"Scritto da\" \/>\n\t<meta name=\"twitter:data1\" content=\"Intellico\" \/>\n\t<meta name=\"twitter:label2\" content=\"Tempo di lettura stimato\" \/>\n\t<meta name=\"twitter:data2\" content=\"8 minuti\" \/>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"Explainable AI per la formulazione cosmetica: il case study | Intellic","description":"Come un'azienda cosmetica da 180M\u20ac accelera la formulazione con MATILDE\u00ae di Intellico.ai: 95,6% di accuratezza su viscosit\u00e0 e 96,2% sul pH.","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/intellico.ai\/it\/blog\/accelerare-lo-sviluppo-di-prodotti-cosmetici-grazie-allexplainable-ai-quando-il-machine-learning-tradizionale-non-basta\/","og_locale":"it_IT","og_type":"article","og_title":"Explainable AI per la formulazione cosmetica: il case study | Intellic","og_description":"Come un'azienda cosmetica da 180M\u20ac accelera la formulazione con MATILDE\u00ae di Intellico.ai: 95,6% di accuratezza su viscosit\u00e0 e 96,2% sul pH.","og_url":"https:\/\/intellico.ai\/it\/blog\/accelerare-lo-sviluppo-di-prodotti-cosmetici-grazie-allexplainable-ai-quando-il-machine-learning-tradizionale-non-basta\/","og_site_name":"Intellico","article_published_time":"2026-07-24T16:04:29+00:00","article_modified_time":"2026-07-24T16:05:37+00:00","og_image":[{"width":903,"height":507,"url":"https:\/\/intellico.ai\/wp-content\/uploads\/2026\/07\/cosmesi.png","type":"image\/png"}],"author":"Intellico","twitter_card":"summary_large_image","twitter_misc":{"Scritto da":"Intellico","Tempo di lettura stimato":"8 minuti"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"Article","@id":"https:\/\/intellico.ai\/it\/blog\/accelerare-lo-sviluppo-di-prodotti-cosmetici-grazie-allexplainable-ai-quando-il-machine-learning-tradizionale-non-basta\/#article","isPartOf":{"@id":"https:\/\/intellico.ai\/it\/blog\/accelerare-lo-sviluppo-di-prodotti-cosmetici-grazie-allexplainable-ai-quando-il-machine-learning-tradizionale-non-basta\/"},"author":{"name":"Intellico","@id":"https:\/\/intellico.ai\/#\/schema\/person\/287a2a4ab61b77e7326eb0cb42faf494"},"headline":"Accelerare lo sviluppo di prodotti cosmetici grazie all\u2019Explainable AI, quando il machine learning tradizionale non basta","datePublished":"2026-07-24T16:04:29+00:00","dateModified":"2026-07-24T16:05:37+00:00","mainEntityOfPage":{"@id":"https:\/\/intellico.ai\/it\/blog\/accelerare-lo-sviluppo-di-prodotti-cosmetici-grazie-allexplainable-ai-quando-il-machine-learning-tradizionale-non-basta\/"},"wordCount":1454,"image":{"@id":"https:\/\/intellico.ai\/it\/blog\/accelerare-lo-sviluppo-di-prodotti-cosmetici-grazie-allexplainable-ai-quando-il-machine-learning-tradizionale-non-basta\/#primaryimage"},"thumbnailUrl":"https:\/\/intellico.ai\/wp-content\/uploads\/2026\/07\/cosmesi.png","keywords":["gare","IA","Intellico"],"articleSection":["Blog","Case History","Matilde"],"inLanguage":"it-IT"},{"@type":"WebPage","@id":"https:\/\/intellico.ai\/it\/blog\/accelerare-lo-sviluppo-di-prodotti-cosmetici-grazie-allexplainable-ai-quando-il-machine-learning-tradizionale-non-basta\/","url":"https:\/\/intellico.ai\/it\/blog\/accelerare-lo-sviluppo-di-prodotti-cosmetici-grazie-allexplainable-ai-quando-il-machine-learning-tradizionale-non-basta\/","name":"Explainable AI per la formulazione cosmetica: il case study | Intellic","isPartOf":{"@id":"https:\/\/intellico.ai\/#website"},"primaryImageOfPage":{"@id":"https:\/\/intellico.ai\/it\/blog\/accelerare-lo-sviluppo-di-prodotti-cosmetici-grazie-allexplainable-ai-quando-il-machine-learning-tradizionale-non-basta\/#primaryimage"},"image":{"@id":"https:\/\/intellico.ai\/it\/blog\/accelerare-lo-sviluppo-di-prodotti-cosmetici-grazie-allexplainable-ai-quando-il-machine-learning-tradizionale-non-basta\/#primaryimage"},"thumbnailUrl":"https:\/\/intellico.ai\/wp-content\/uploads\/2026\/07\/cosmesi.png","datePublished":"2026-07-24T16:04:29+00:00","dateModified":"2026-07-24T16:05:37+00:00","author":{"@id":"https:\/\/intellico.ai\/#\/schema\/person\/287a2a4ab61b77e7326eb0cb42faf494"},"description":"Come un'azienda cosmetica da 180M\u20ac accelera la formulazione con MATILDE\u00ae di Intellico.ai: 95,6% di accuratezza su viscosit\u00e0 e 96,2% sul pH.","breadcrumb":{"@id":"https:\/\/intellico.ai\/it\/blog\/accelerare-lo-sviluppo-di-prodotti-cosmetici-grazie-allexplainable-ai-quando-il-machine-learning-tradizionale-non-basta\/#breadcrumb"},"inLanguage":"it-IT","potentialAction":[{"@type":"ReadAction","target":["https:\/\/intellico.ai\/it\/blog\/accelerare-lo-sviluppo-di-prodotti-cosmetici-grazie-allexplainable-ai-quando-il-machine-learning-tradizionale-non-basta\/"]}]},{"@type":"ImageObject","inLanguage":"it-IT","@id":"https:\/\/intellico.ai\/it\/blog\/accelerare-lo-sviluppo-di-prodotti-cosmetici-grazie-allexplainable-ai-quando-il-machine-learning-tradizionale-non-basta\/#primaryimage","url":"https:\/\/intellico.ai\/wp-content\/uploads\/2026\/07\/cosmesi.png","contentUrl":"https:\/\/intellico.ai\/wp-content\/uploads\/2026\/07\/cosmesi.png","width":903,"height":507},{"@type":"BreadcrumbList","@id":"https:\/\/intellico.ai\/it\/blog\/accelerare-lo-sviluppo-di-prodotti-cosmetici-grazie-allexplainable-ai-quando-il-machine-learning-tradizionale-non-basta\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Home","item":"https:\/\/intellico.ai\/it\/"},{"@type":"ListItem","position":2,"name":"Accelerare lo sviluppo di prodotti cosmetici grazie all\u2019Explainable AI, quando il machine learning tradizionale non basta"}]},{"@type":"WebSite","@id":"https:\/\/intellico.ai\/#website","url":"https:\/\/intellico.ai\/","name":"Intellico","description":"","potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/intellico.ai\/?s={search_term_string}"},"query-input":{"@type":"PropertyValueSpecification","valueRequired":true,"valueName":"search_term_string"}}],"inLanguage":"it-IT"},{"@type":"Person","@id":"https:\/\/intellico.ai\/#\/schema\/person\/287a2a4ab61b77e7326eb0cb42faf494","name":"Intellico","url":"https:\/\/intellico.ai\/it\/blog\/author\/intellico\/"}]}},"_links":{"self":[{"href":"https:\/\/intellico.ai\/it\/wp-json\/wp\/v2\/posts\/19602","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/intellico.ai\/it\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/intellico.ai\/it\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/intellico.ai\/it\/wp-json\/wp\/v2\/users\/2"}],"replies":[{"embeddable":true,"href":"https:\/\/intellico.ai\/it\/wp-json\/wp\/v2\/comments?post=19602"}],"version-history":[{"count":5,"href":"https:\/\/intellico.ai\/it\/wp-json\/wp\/v2\/posts\/19602\/revisions"}],"predecessor-version":[{"id":19609,"href":"https:\/\/intellico.ai\/it\/wp-json\/wp\/v2\/posts\/19602\/revisions\/19609"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/intellico.ai\/it\/wp-json\/wp\/v2\/media\/19604"}],"wp:attachment":[{"href":"https:\/\/intellico.ai\/it\/wp-json\/wp\/v2\/media?parent=19602"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/intellico.ai\/it\/wp-json\/wp\/v2\/categories?post=19602"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/intellico.ai\/it\/wp-json\/wp\/v2\/tags?post=19602"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}