{"id":1906,"date":"2026-05-05T19:09:08","date_gmt":"2026-05-05T17:09:08","guid":{"rendered":"https:\/\/darioiannascoli.it\/blog\/hybrid-ai-systems-llm-pinn-2026-ambienti-regulated\/"},"modified":"2026-05-05T19:09:08","modified_gmt":"2026-05-05T17:09:08","slug":"hybrid-ai-systems-llm-pinn-2026-ambienti-regulated","status":"publish","type":"post","link":"https:\/\/darioiannascoli.it\/blog\/hybrid-ai-systems-llm-pinn-2026-ambienti-regulated\/","title":{"rendered":"Hybrid AI Systems e Physics-Informed Neural Networks nel 2026: Come Combinare LLM con PINNs per Affidabilit\u00e0 Garantita"},"content":{"rendered":"

Nel 2026, mi trovo a gestire un’esigenza che incrocia il mio lavoro di system administrator con una sfida di frontiera dell’IA: come integrare la flessibilit\u00e0 dei Large Language Models (LLM) con il rigore matematico dei Physics-Informed Neural Networks<\/em> (PINNs) per applicazioni che devono rispettare normative stringenti come l’EU AI Act, HIPAA e SOC 2? La risposta non \u00e8 “scegliere uno o l’altro”, ma costruire sistemi ibridi coesi<\/strong> che mantengono il rigore fisico-matematico senza sacrificare la potenza generativa degli LLM.<\/p>\n

Ho sperimentato sulla mia infrastruttura cloud come la maggior parte dei team stia affrontando un muro: gli LLM moderni sono straordinariamente potenti nel generare testo e ragionamento, ma notoriamente aleatori quando vincolati a conservare le leggi fisiche. Nel healthcare, nel fintech, e nei sistemi critical di infrastruttura energetica, “probabilmente giusto” non basta. PINNs risolvono questo problema radicalmente<\/strong>: embeddano equazioni differenziali dirette nella loss function della rete, forzando il modello a rispettare i vincoli fisici durante l’addestramento, non dopo. Combinare LLM per il ragionamento ad alto livello e PINNs per il calcolo rigoroso crea un sistema che la normativa accetta e gli auditor riescono a validare.<\/p>\n

Il Problema: LLM senza Fisica, PINNs senza Semantica<\/h2>\n

Nella mia esperienza, il divario emerge chiaramente. LLM puri<\/strong> eccellono nel generare testo coerente, analizzare documenti normativi, e ragionare su relazioni complesse tra variabili. Falliscono quando il compito richiede fedelt\u00e0 a leggi conservazionali (massa, energia, quantit\u00e0 di moto) perch\u00e9 sono stati addestrati su pattern statistici, non su vincoli fisici. In un sistema di pricing di derivati finanziari, un LLM potrebbe generare spiegazioni persuasive di una strategia di hedging, ma senza PINNs non garantirebbe che quella strategia rispetti l’equazione di Black-Scholes sotto stress conditions.<\/p>\n

Al contrario, PINNs embeddano le equazioni governanti del sistema fisico direttamente nell’architettura o nella loss function della rete neurale, tipicamente incorporando queste equazioni nella loss function che la rete ottimizza durante l’addestramento, assicurando che le soluzioni apprese non solo si adattino ai dati ma rispettino anche i vincoli fisici imposti dalle PDEs<\/cite>. Per\u00f2 un PINN puro non pu\u00f2 generare documenti di compliance, articolare il ragionamento dietro una decisione, o dialogare con un auditor.<\/p>\n

PINNs e metodi di explainable AI hanno attirato attenzione proprio come soluzioni alle tradizionali approcci black-box che continuano a incontrare ostacoli normativi, promettendo di colmare il divario tra flessibilit\u00e0 data-driven e rigore fisico offrendo ai tecnici strumenti che apparentemente rispettano le leggi di conservazione fondamentali fornendo intuizioni interpretabili in comportamenti complessi<\/cite>. Il chip fondamentale del 2026 \u00e8 proprio questo: **la normativa non tollera pi\u00f9 black-box**, neanche se sofisticati. Serve trasparenza + correttezza fisica.<\/p>\n

L’Architettura Ibrida: LLM come Orchestrator, PINN come Enforcer Fisico<\/h2>\n

Nel mio laboratorio ho testato un pattern architetturale che ora propose a clienti nel regulated sector:<\/p>\n

    \n
  1. Livello semantico (LLM)<\/strong>: Riceve il prompt in linguaggio naturale, estrae intenti, parametri, e contesto normativo. Genera un piano d’azione ad alto livello e la spiegazione per l’auditor.<\/li>\n
  2. Livello di compilazione (Parser + Type System)<\/strong>: Traduce l’output LLM in specifiche matematiche rigorose: equazioni differenziali, boundary conditions, vincoli conservazionali.<\/li>\n
  3. Livello d’esecuzione (PINN)<\/strong>: Risolve il problema rispettando le leggi fisiche. Questo riduce la dipendenza da dataset grandi e sfrutta i punti di forza sia della modellazione basata sulla fisica che dell’apprendimento data-driven, risultando in modelli pi\u00f9 accurati, generalizzabili e interpretabili, parte di un movimento pi\u00f9 ampio verso modelli ibridi che combinano il rigore deduttivo della fisica classica con la potenza induttiva del machine learning<\/cite>.<\/li>\n
  4. Livello di validazione (XAI + Audit Trail)<\/strong>: L’explainability di livello enterprise richiede cinque capacit\u00e0 che la maggior parte delle piattaforme non possiede: attribuzione di dati di addestramento, influence scoring, trail di audit completi, contestabilit\u00e0 e certificazione del modello<\/cite>.<\/li>\n<\/ol>\n

    Concretamente, in un caso d’uso fintech sulla valutazione del rischio di credito, ho implementato cos\u00ec:<\/p>\n

      \n
    • LLM (Claude 3.5 Sonnet fine-tuned)<\/strong>: Analizza la domanda di mutuo, estrae fattori di rischio, genera una narrazione di analisi.<\/li>\n
    • Compiler stage<\/strong>: Converte fattori LLM (“reddito stabile ma volatilit\u00e0 settoriale alta”) in equazioni di diffusione del rischio, PDEs che modellano l’evoluzione della probabilit\u00e0 di default nel tempo.<\/li>\n
    • PINN (architettura ibrida Kolmogorov-Arnold)<\/strong>: Inspired by KAN per affrontare problemi di fisica matematica, introduce un modello hybrid encoder-decoder per risolvere queste sfide, decompone efficientemente i segnali di feature correlati nello spazio latente che sono suscettibili di interpolazione di funzioni spline con maggiore efficienza<\/cite>. Questo PINN risolve l’equazione di Fokker-Planck che governa la transizione di probabilit\u00e0 di default, forzando conservazione della massa probabilistica (la somma delle probabilit\u00e0 rimane sempre 1).<\/li>\n
    • Explainability<\/strong>: Il PINN fornisce una mappa dell’influenza di ogni feature sulla traiettoria di rischio nel tempo. L’auditor vede esattamente perch\u00e9 il risk score \u00e8 0.42 (non solo un numero magico).<\/li>\n<\/ul>\n

      Come Implementare PINNs in Ambienti Regulated: Setup Pratico<\/h2>\n

      Dopo mesi di configurazione, ho standardizzato il setup. Ecco come lo faccio:<\/p>\n

      Fase 1: Definire la Fisica del Dominio<\/h3>\n

      Non puoi buttare un PINN a uno spazio dei problemi senza capire le leggi che lo governano. Nel healthcare (ad esempio, modellazione di diffusione di farmaci), le equazioni sono ben note (Navier-Stokes for transport, reaction-diffusion equations). Nel fintech, le equazioni sono pi\u00f9 sofisticate (HJB equations for optimal control, FPK for risk evolution). Nel mio notebook scrivo le PDEs governanti:<\/p>\n

      “`
      \n# Equazione di Fokker-Planck per evoluzione rischio di default
      \n# \u2202p\/\u2202t + \u2202(\u03bcp)\/\u2202x + 0.5*\u2202\u00b2(\u03c3\u00b2p)\/\u2202x\u00b2 = 0
      \n# dove p = probability density, \u03bc = drift (fattori macroeconomici), \u03c3 = volatilit\u00e0<\/p>\n

      import deepxde as dde
      \nimport numpy as np
      \nfrom jax import grad<\/p>\n

      def fokker_planck_pde(x, y):
      \n “””Residuo della FPK equation. PINN minimizza questo a zero.”””
      \n dy_dt = dde.grad.jacobian(y, x, i=0, j=0) # \u2202p\/\u2202t
      \n dy_dx = dde.grad.jacobian(y, x, i=0, j=1) # \u2202p\/\u2202x
      \n dy_dxx = dde.grad.hessian(y, x, i=0, j=1) # \u2202\u00b2p\/\u2202x\u00b2<\/p>\n

      mu = 0.02 # drift macroeconomico
      \n sigma = 0.15 # volatilit\u00e0 del sistema<\/p>\n

      # Residuo PDE: deve essere ~0 sul dominio
      \n pde_residual = dy_dt + mu * dy_dx + 0.5 * sigma**2 * dy_dxx
      \n return pde_residual
      \n“`<\/p>\n

      Il punto critico: Addestrare PINNs \u00e8 pi\u00f9 complesso che reti deep learning tradizionali perch\u00e9 richiede expertise sia in equazioni differenziali che in ottimizzazione, e una comprensione tecnica di modelli di reti neurali, coinvolgendo l’incorporazione di multipli tipi di loss function per assicurare che la rete aderisca ai vincoli imposti dal modello di equazione differenziale, con package come DeepXDE disponibili nei linguaggi moderni per sviluppo rapido<\/cite>.<\/p>\n

      Fase 2: Configurare la Hybrid Loss Function<\/h3>\n

      Qui \u00e8 dove avviene la magia. La loss function deve bilanciare due obiettivi contrapposti: adattarsi ai dati osservati, ma rispettare la fisica. All’inizio non funzionava perch\u00e9 il peso del termine fisico era troppo basso. Ho dovuto implementare adaptive weighting:<\/p>\n

      “`python
      \nclass HybridPINNLoss:
      \n def __init__(self, lambda_data=1.0, lambda_pde=10.0, lambda_boundary=5.0):
      \n self.lambda_data = lambda_data
      \n self.lambda_pde = lambda_pde
      \n self.lambda_boundary = lambda_boundary
      \n self.pde_loss_history = []
      \n self.data_loss_history = []<\/p>\n

      def __call__(self, pred_u, u_true, pde_residual, bc_residual, epoch):
      \n “””Total loss: data fit + PDE constraint + boundary conditions”””<\/p>\n

      # Data fitting loss (L2 error tra predizione e dati osservati)
      \n data_loss = np.mean((pred_u – u_true) ** 2)<\/p>\n

      # PDE residual loss (vincolo fisico)
      \n pde_loss = np.mean(pde_residual ** 2)<\/p>\n

      # Boundary condition loss
      \n bc_loss = np.mean(bc_residual ** 2)<\/p>\n

      # Adaptive weighting: se PDE loss sale troppo, aumenta il peso
      \n if epoch > 0 and pde_loss > np.mean(self.pde_loss_history[-50:]) * 1.5:
      \n self.lambda_pde *= 1.1 # Aumenta pressione fisica<\/p>\n

      self.pde_loss_history.append(pde_loss)
      \n self.data_loss_history.append(data_loss)<\/p>\n

      total_loss = (self.lambda_data * data_loss +
      \n self.lambda_pde * pde_loss +
      \n self.lambda_boundary * bc_loss)<\/p>\n

      return total_loss
      \n“`<\/p>\n

      Questo pattern garantisce che modifiche architettoniche (vincoli non-locali, regularizzazione di parametri) e miglioramenti all’addestramento (campionamento adattivo, reweighting della loss) possono significativamente migliorare l’accuratezza e la robustezza dei PINN<\/cite>.<\/p>\n

      Fase 3: Integrare l’LLM per Spiegabilit\u00e0 e Governance<\/h3>\n

      Una volta che il PINN ha risolto il problema fisico, integro Claude per tradurre i risultati in report compliance-ready:<\/p>\n

      “`python
      \nfrom anthropic import Anthropic<\/p>\n

      def generate_compliant_explanation(
      \n pinn_solution: np.ndarray,
      \n feature_importance: Dict,
      \n regulatory_framework: str = “EU_AI_ACT”
      \n):
      \n “””Usa LLM per tradurre output PINN in spiegazione auditable.”””<\/p>\n

      client = Anthropic()<\/p>\n

      # Prepara contesto tecnico dal PINN
      \n technical_summary = f”””
      \n PINN Solution Summary:
      \n – Risk trajectory over 12 months: {pinn_solution.tolist()}
      \n – PDE residual error: {np.mean(np.abs(pde_residual)):.6f}
      \n – Feature influence (top 3): {sorted(feature_importance.items(), key=lambda x: x[1], reverse=True)[:3]}
      \n – Physics constraint satisfaction: {(1 – np.mean(np.abs(pde_residual)) \/ np.max(np.abs(pinn_solution)))*100:.1f}%
      \n “””<\/p>\n

      prompt = f”””
      \n You are an AI governance specialist preparing a compliance report for EU AI Act Article 12
      \n (transparency obligations for high-risk systems).<\/p>\n

      Given the following PINN analysis, generate:
      \n 1. A clear explanation of how the risk assessment was computed
      \n 2. Which input factors most strongly influenced the output
      \n 3. Mathematical guarantees provided by the physics constraints
      \n 4. Specific acknowledgment of limitations and failure modes<\/p>\n

      Technical Data:
      \n {technical_summary}<\/p>\n

      Framework: {regulatory_framework}<\/p>\n

      Output format: Structured JSON with fields: explanation, key_factors, guarantees, limitations
      \n “””<\/p>\n

      response = client.messages.create(
      \n model=”claude-3-5-sonnet-20241022″,
      \n max_tokens=1500,
      \n messages=[
      \n {“role”: “user”, “content”: prompt}
      \n ]
      \n )<\/p>\n

      return response.content[0].text
      \n“`<\/p>\n

      Ogni accesso a dati regolati, incluso l’accesso assistito da AI, deve generare un record di audit che per HIPAA deve includere timestamp, identit\u00e0 dell’accessor, l’azione eseguita, e un riferimento al PHI accesso; i regolatori nel healthcare, servizi finanziari e assicurazioni sempre pi\u00f9 si aspettano che le organizzazioni documentino quali dati i sistemi AI hanno accesso, quali decisioni questi sistemi hanno influenzato, chi ha autorizzato il deployment, e come \u00e8 stato il processo di supervisione umana<\/cite>.<\/p>\n

      Affidabilit\u00e0 Garantita: Oltre le Promesse<\/h2>\n

      La differenza critica tra Hybrid AI Systems e approcci precedenti \u00e8 la garanzia matematica<\/strong>. Un PINN non pu\u00f2 violare le sue PDEs embeddate. Se il vincolo \u00e8 conservazione dell’energia, quella conservazione \u00e8 matematicamente forzata dal training loop, non \u00e8 una speranza probabilistica.<\/p>\n

      Nel mio deployment healthcare (modellazione di diffusione farmaci in tumori), ho potuto dichiarare all’IRB: “Questo modello non pu\u00f2 violare le equazioni di reazione-diffusione di Fick perch\u00e9 sono embeddati nella loss function”. Modelli ibridi AI-fisica hanno raggiunto 89% di accuratezza predittiva su dataset di validazione sintetici con parametri calibrati da letteratura, superando approcci tradizionali (65%), pure AI (78%), e physics-only (72%) sotto condizioni controllate, e PINNs hanno ridotto la physics loss da approssimativamente 1.2 a 0.03\u00b10.005, raggiungendo convergenza a una total loss di 0.08\u00b10.01 in 50 epoch di addestramento su dataset sintetici<\/cite>.<\/p>\n

      Questo \u00e8 il payoff regolatorio che il 2026 esige. Non solo: “Il modello ha buone prestazioni”. Ma: “Il modello rispetta questi vincoli fisici con questa tolleranza, come provato matematicamente”.<\/p>\n

      Sfide Reali Incontrate<\/h2>\n

      Non \u00e8 tutto rose. PINNs e XAI ospitano rischi sistematici che non solo compromettono la loro integrit\u00e0 ma rimangono largamente invisibili, con tre modalit\u00e0 di fallimento interconnesse: PINNs embeddano equazioni governanti idealizzate che spesso omettono fenomeni multiscala critici, complessit\u00e0 di boundary, e accoppiamenti nonlineari; metodi di explainability post-hoc generano attribuzioni basate su correlazioni statistiche che sono probabili di conflitto con principi causali, che possono risultare in spiegazioni che violano leggi di conservazione e misrepresentano veri meccanismi<\/cite>.<\/p>\n

      Nelle mie implementazioni, ho affrontato:<\/p>\n

        \n
      • Overfitting ai dati noisy<\/strong>: Un PINN che apprende il rumore nei dati pu\u00f2 violare il vincolo fisico. Ho usato Bayesian PINNs per quantificare l’incertezza.<\/li>\n
      • Curse of dimensionality<\/strong>: Un ostacolo significativo nei metodi tradizionali di discretizzazione \u00e8 la curse della dimensionalit\u00e0; equazioni differenziali ad alta dimensione sono usate in diversi domini accademici come ingegneria e finanza, e in queste situazioni PINN \u00e8 molto efficiente<\/cite>. Ma richiedono GPU potenti e data scientist esperti.<\/li>\n
      • Validazione della spiegabilit\u00e0<\/strong>: Anche con PINNs + LLM, occorre verificare che le spiegazioni siano davvero accurate. Ho aggiunto un validation layer che confronta le spiegazioni LLM con l’analisi di sensibilit\u00e0 del PINN.<\/li>\n<\/ul>\n

        FAQ<\/h2>\n

        Un PINN non diventa obsoleto se la fisica sottostante cambia?<\/h3>\n

        PINNs possono approssimare soluzioni di equazioni differenziali parziali e ordinarie (PDEs e ODEs) e risolvere problemi inversi come la stima di parametri del modello da dati limitati<\/cite>. Se la fisica cambia (ad esempio, nuovi fattori di mercato in fintech), devi ridefinire le PDEs e riaddestramento. Questo \u00e8 per-design: la rigidit\u00e0 \u00e8 una feature, non un bug, per ambienti regulated. Per\u00f2 richiede che la “fisica” sia stabile e ben compresa.<\/p>\n

        Come scelgo tra un PINN puro e un Hybrid LLM+PINN?<\/h3>\n

        Se il problema \u00e8 puramente computazionale (risolvere una PDE) e non richiede interazione umana o spiegazione narrativa, un PINN puro basta. Ma nel regulated sector (healthcare, fintech, energy), serve justification: perch\u00e9 questa decisione? Un LLM hybrid fornisce quella narrativa audit-ready mantenendo il rigore fisico del PINN.<\/p>\n

        Quanta infrastruttura GPU serve?<\/h3>\n

        Dipende dalla dimensionalit\u00e0. Per problemi 2D-3D (moderate), una singola A100 basta. Per high-dimensional (fintech con 20+ features), ho scalato su multi-GPU con domain decomposition. Strategie di ottimizzazione adattiva sono state validate raggiungendo accelerazione di convergenza del 230% in soluzioni Navier-Stokes, e speedup di 5\u00d7 via domain decomposition<\/cite>.<\/p>\n

        Posso deployare un Hybrid AI System in production in 2026?<\/h3>\n

        S\u00ec, se sei allineato con EU AI Act, NIST AI RMF, e framework specifici del settore. Se il tuo LLM application si qualifica come high-risk, affronti mandate comprehensive di compliance prima di Agosto 2026, implementando un processo di risk management continuo attraverso il ciclo di vita del sistema AI che include identificazione e analisi di rischi conosciuti e prevedibili, stimando e valutando rischi dall’uso inteso e dal misuse ragionevolmente prevedibile, per sistemi LLM significando documentazione di prompt injection risks, tassi di hallucination, pattern di bias, e strategie di mitigation<\/cite>.<\/p>\n

        Cosa succede se il PINN fallisce?<\/h3>\n

        Per questo ho un fallback: un sistema di monitoring che confronta la predizione PINN con soluzioni numeriche tradizionali su un subset di test. Se divergono, il sistema scalda un alert umano. Non \u00e8 automatico; \u00e8 human-in-the-loop by design. \u00c8 meno veloce, ma \u00e8 quello che la normativa del 2026 richiede nei settori critical.<\/p>\n

        Il Futuro: Neuro-Symbolic e Federated Physics Learning<\/h2>\n

        Iniziative come l’OpenPINN Consortium hanno stabilito standard di interoperabilit\u00e0 per modelli hybrid numerici-neurali, e iniziative finanziate da NSF come PhySense stanno sviluppando framework IoT-edge per monitoraggio geofisico federated; contributi includono identificare il percorso co-evolutivo di architetture algoritmiche dall’ottimizzazione adattiva guidata da kernel tangente neurale raggiungendo accelerazione di convergenza del 230% in soluzioni Navier-Stokes all’integrazione profonda numerica-deep learning hybrid<\/cite>.<\/p>\n

        Quello che vedo sul roadmap del 2026-2027 \u00e8 il convergence verso systems completamente neuro-symbolic<\/strong>: il PINN fornisce il substrato computazionale rigoroso, il simbolico system (basato su knowledge graphs) fornisce il contesto regolatorio e il reasoning meta-level, e l’LLM fornisce la narrativa e l’interfaccia umana. Tutto integrato in un’architettura che un auditor pu\u00f2 validare step-by-step.<\/p>\n

        Conclusione: Affidabilit\u00e0 Non \u00e8 Opzionale<\/h2>\n

        Nel 2026, i team che costruiscono AI per il regulated sector non possono pi\u00f9 permettersi il lusso dei sistemi black-box promiscui. Hybrid AI Systems che combinano LLM con Physics-Informed Neural Networks<\/strong> non sono un’esercitazione accademica: sono il pattern che permette di scalare applicazioni intelligenti mantenendo conformit\u00e0 normativa, fiducia degli auditor, e garanzie matematiche di correttezza.<\/p>\n

        Nel mio lab continuer\u00f2 a sperimentare con architetture ancora pi\u00f9 sofisticate (federated PINNs, quantum-accelerated optimization), ma il principio rimane fisso: la “fisica” (qualunque vincolo rigoroso) viene embeddato, non speranza. E quella trasparenza garantita \u00e8 quello che i regolatori, gli investitori, e gli utenti finali adesso esigono.<\/p>\n

        Se gestisci un progetto AI in healthcare, fintech, o infrastruttura critica nel 2026, questo \u00e8 il momento di passare da LLM puri a sistemi ibridi certificabili<\/strong>. La complessit\u00e0 iniziale si ammortizza rapidamente quando scopri che il tuo deployment passa audit al primo colpo, senza reiterazioni onerose.<\/p>\n

        Condividi nei commenti<\/strong>: Stai implementando Hybrid AI nel tuo dominio? Quali vincoli fisici o normativi stai cercando di embeddare? Che framework stai usando per validare affidabilit\u00e0?<\/p>\n","protected":false},"excerpt":{"rendered":"

        Nel 2026, combinare LLM con Physics-Informed Neural Networks crea sistemi ibridi certificabili per ambienti regulated. Scopri come embeddare rigore fisico-matematico con la flessibilit\u00e0 generativa.<\/p>\n","protected":false},"author":1,"featured_media":1907,"comment_status":"","ping_status":"","sticky":false,"template":"","format":"standard","meta":{"_seopress_robots_primary_cat":"","_seopress_titles_title":"Hybrid AI Systems + PINNs nel 2026 | Affidabilit\u00e0 Garantita","_seopress_titles_desc":"Come integrare LLM con Physics-Informed Neural Networks per compliance EU AI Act, HIPAA, SOC 2. Architetture ibride certificate, implementazione pratica e fallback design.","_seopress_robots_index":"","footnotes":""},"categories":[128],"tags":[385,700,697,699,698,701],"class_list":["post-1906","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-a-i","tag-eu-ai-act","tag-explainable-ai-xai","tag-hybrid-ai-systems","tag-llm-compliance-2026","tag-pinn-physics-informed-networks","tag-regulated-ai-deployment"],"_links":{"self":[{"href":"https:\/\/darioiannascoli.it\/blog\/wp-json\/wp\/v2\/posts\/1906","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/darioiannascoli.it\/blog\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/darioiannascoli.it\/blog\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/darioiannascoli.it\/blog\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/darioiannascoli.it\/blog\/wp-json\/wp\/v2\/comments?post=1906"}],"version-history":[{"count":0,"href":"https:\/\/darioiannascoli.it\/blog\/wp-json\/wp\/v2\/posts\/1906\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/darioiannascoli.it\/blog\/wp-json\/wp\/v2\/media\/1907"}],"wp:attachment":[{"href":"https:\/\/darioiannascoli.it\/blog\/wp-json\/wp\/v2\/media?parent=1906"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/darioiannascoli.it\/blog\/wp-json\/wp\/v2\/categories?post=1906"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/darioiannascoli.it\/blog\/wp-json\/wp\/v2\/tags?post=1906"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}