b0sh.net

Proudly debugging the system since 1981

Retro Gaming Revived: Browser-Based DOS Multiplayer Experiences

22 Novembre 2025 / / 0 commenti

Negli anni 2000, i giochi DOS multiplaer hanno definito l’era dei LAN party e della competizione online. Oggi, progetti browser-based stanno rendendo accessibili questi classici, unendo nostalgia e tecnologia moderna per rilanciare l’esperienza di gioco.

Le sfide della compatibilità moderna

La compatibilità moderna rappresenta uno dei principali ostacoli per chi desidera giocare ai giochi DOS multiplayer su sistemi operativi attuali. I titoli sviluppati per Windows 95/98 o Windows XP non funzionano più senza interventi specifici, poiché le nuove versioni di Windows, macOS e Linux hanno abbandonato supporto per driver grafici, sistemi audio e input obsoleti. Senza emulatori come DOSBox o l’uso di macchine virtuali, molti giochi diventano inaccessibili o instabili. La configurazione di rete aggiuntiva, come il port forwarding e le eccezioni firewall, complica ulteriormente la connessione a server multiplayer, rendendo l’esperienza frustrante per chi non è esperto di networking. Il declino delle copie fisiche ha reso rari i file originali, mentre la legalità di utilizzare copie pirate limita l’accesso a chi non possiede le versioni ufficiali. Tuttavia, progetti come Chrono Divide stanno superando queste barriere. Grazie a tecnologie web, permettono di giocare direttamente nel browser, eliminando la necessità di software aggiuntivo o configurazioni complesse. Questi progetti non solo ripristinano l’esperienza di gioco, ma anche la comunità, unendo giocatori in modo semplice e inclusivo.

La rivoluzione dei browser-based

La rivoluzione dei browser-based ha trasformato l’accesso ai giochi DOS multiplaer, eliminando ostacoli tecnici. Progetti come Chrono Divide e DOS Zone permettono di giocare direttamente nel browser, senza bisogno di port forwarding o configurazioni di firewall. Questo modello client-server rende le partite accessibili da qualsiasi dispositivo, garantendo compatibilità cross-platform su Windows, macOS e Linux. L’integrazione di Discord favorisce la comunità, con server dedicati a strategie, match organizzati e discussioni. Funzionalità moderne come leaderboards e eventi stagionali mantengono l’interesse, mentre la semplicità d’uso attira nuovi giocatori. Queste iniziative non solo preservano la cultura del gaming retro, ma riconnettono i giocatori con le radici del multiplayer, rendendo accessibili esperienze che altrimenti sarebbero scomode o impossibili. La loro crescita dimostra che il passato del gaming può vivere nel presente, grazie all’innovazione tecnologica e alla passione dei fan.

Conclusioni

La riscoperta dei giochi DOS multiplaer attraverso browser-based ha trasformato l’accesso a questi titoli, mantenendo viva la loro eredità. Per saperne di più, visita l’articolo originale su Ars Technica.

AI e Programmazione: Un Reality Check

21 Novembre 2025 / / 0 commenti

L’evoluzione dell’Intelligenza Artificiale nella programmazione ha suscitato grandi aspettative, ma la realtà è più complessa. Questo articolo esamina i limiti dell’AI nel generare codice, i tentativi di integrare agenti di programmazione e le sfide nella collaborazione tra umani e macchine.

I Limiti dell’AI nella Scrittura del Codice

Il modello mentale del developer è la comprensione profonda dell’architettura, della data flow e delle relazioni tra componenti di un sistema. Quando l’AI genera codice, questa comprensione viene oscurata, rendendo difficile mantenere la coerenza del sistema. Ad esempio, nel progetto dei test branch-specifici, l’AI ha introdotto funzionalità senza considerare l’impatto sull’intero codice, creando incoerenze. La fiducia nei confronti dell’AI si basa sull’incapacità di autovalutazione: l’AI sovrastima le proprie capacità, come nel caso del test su URL, dove ha ignorato regole fondamentali. Questo mancanza di introspezione rende difficoltoso valutare la qualità del codice generato. La collaborazione futura tra umani e AI dipende da un equilibrio: l’AI può assistere in compiti specifici, ma non sostituirà la capacità umana di comprendere il contesto globale. La fiducia deve essere costruita attraverso revisioni umane e una consapevolezza delle limitazioni dell’AI.

La Perdita del Modello Mentale e la Fiducia

La scomparsa del modello mentale del developer nel codice generato da AI rappresenta un problema profondo nel processo di sviluppo. Quando l’AI produce code chunks senza comprendere l’architettura globale del sistema, nasconde la complessità che un developer umano avrebbe chiarito. Ad esempio, un’implementazione di un feature senza tenere conto delle interazioni con altri moduli crea un’astrazione che rende difficile il mantenimento e l’estensione del sistema. Questo è particolarmente critico in contesti con alta coesione e bassa coupling, dove una modifica apparentemente marginale può scatenare errori di difficile tracciabilità. La fiducia nei confronti dell’AI si basa su un’autovalutazione che essa non possiede. Mentre un developer umano riconosce i propri limiti e corregge errori, l’AI tende a sovrastimare la qualità del proprio lavoro, ignorando edge cases o pratiche consolidate. Questo porta a code che funzionano in modo superficiale ma mancano di robustezza. La collaborazione futura tra umani e AI dovrà quindi bilanciare l’automazione con la supervisione critica, garantendo che l’AI agisca come strumento di supporto, non come sostituto. Solo integrando la capacità di riflessione umana con la velocità dell’AI si potranno sfruttare al meglio le potenzialità di entrambi.

Conclusioni

L’AI non sostituirà i programmatori, ma agirà come strumento ausiliario. La collaborazione tra umani e macchine richiede una critica consapevole, con il focus su task specifici come testing e refactoring. Per ulteriori dettagli: Why agents DO NOT write most of our code – a reality check.

Ridondanza vs Dipendenze: Qual è il Peggior Nemico del Codice?

21 Novembre 2025 / / 0 commenti

La tensione tra ridondanza e dipendenze definisce la qualità del codice. Mentre la ridondanza sembra un problema marginale, le dipendenze possono paralizzare un sistema. Questo articolo esplora come bilanciare questi due aspetti per creare software robusto e mantenibile.

La Tensione tra Ridondanza e Dipendenze

La progettazione di moduli sostenibili richiede un equilibrio tra ridondanza e dipendenze, privilegiando l’efficienza e la manutenibilità. Un modulo ben progettato dovrebbe avere un’interfaccia stabile, documentazione completa e proprietà chiare, evitando di diventare un ‘trash can’ di funzioni disordinate. L’interfaccia deve essere minimalista, limitata a ciò che è realmente necessario, per ridurre la complessità e prevenire errori. La documentazione, invece, è essenziale per garantire che altri sviluppatori possano integrare il modulo senza confusioni. Un esempio emblematico è il caso del parsing dei comandi riga: creare un modulo concreto per questa funzione, anziché dipendere da un ‘utilities module’ sovraccarico, riduce i rischi di instabilità. L’over-engineering, come in alcuni strumenti come XParam, può portare a soluzioni complesse e poco utilizzate, aumentando la manutenzione. La chiara proprietà di un modulo, con un unico responsabile, evita conflitti e garantisce un ciclo di vita prevedibile. La gestione delle dipendenze, quindi, non deve essere vista come un nemico, ma come un’opportunità per costruire sistemi robusti, purché guidata da principi di progettazione rigorosi.

Progettare Moduli Sostenibili

Un modulo sostenibile deve essere un’unità autonoma, con un’interfaccia compatta e stabile. Evita di esporre modelli complessi o classi sovraccariche, che aumentano la dipendenza e la fragilità. La documentazione completa è essenziale: senza essa, un modulo diventa inutilizzabile. Testa l’interfaccia pubblica, non singole funzioni, per garantire coerenza. La dimensione deve essere equilibrata: troppo grande è incontrollabile, troppo piccola genera overhead. Un chiaro proprietario assicura responsabilità e stabilità. La gestione della vita del modulo, con versioni ben definite, evita conflitti. Il rischio maggiore è il “trash can”: un modulo connesso a troppe dipendenze diventa un deposito di codice incoerente. L’esempio del parsing dei comandi riga mostra come un’over-engineering possa generare un’infrastruttura complessa e inutilizzata. Priorizza moduli piccoli, focalizzati, e evita di affidarti a soluzioni generali che non risolvono problemi specifici.

Conclusioni

La ridondanza è meno rischiosa delle dipendenze, ma entrambe richiedono attenzione. Per sviluppare software di alta qualità, è essenziale comprendere i trade-off tra questi due elementi. Scopri di più.

LLaMA Factory: La Soluzione Unificata per l’Ottimizzazione di Modelli LLM

14 Novembre 2025 / / 0 commenti

Nel mondo dell’intelligenza artificiale, i grandi modelli linguistici (LLM) hanno rivoluzionato il modo in cui interagiamo con la tecnologia. Tuttavia, il loro potenziale si svela solo quando vengono addestrati in modo mirato a specifiche applicazioni. Ecco che entra in gioco LLaMA Factory, un progetto open source che semplifica e ottimizza il processo di fine-tuning di oltre 100 modelli LLM e VLM (Vision-Language Models). Con il suo approccio unificato, LLaMA Factory si presenta come una soluzione versatile per sviluppatori, ricercatori e aziende che desiderano sfruttare al massimo le capacità dei modelli linguistici.

Cos’è LLaMA Factory?

LLaMA Factory è un framework open source progettato per semplificare e accelerare il processo di fine-tuning di modelli linguistici di grandi dimensioni. Sviluppato da un team di esperti, il progetto è stato presentato al ACL 2024 e si distingue per la sua capacità di supportare una vasta gamma di modelli, da LLaMA a Qwen, da Mistral a DeepSeek, e non solo. LLaMA Factory unifica diverse metodologie di addestramento, come il fine-tuning supervisionato, la modellazione delle ricompense e le tecniche di ottimizzazione avanzate, rendendo il processo di personalizzazione dei modelli più accessibile e efficiente.

Il framework è progettato per adattarsi a diverse esigenze: che si tratti di un’azienda che desidera creare un modello specializzato per il supporto clienti o di un ricercatore che vuole esplorare nuove tecnologie, LLaMA Factory offre strumenti flessibili e potenti.

Le Caratteristiche Chiave di LLaMA Factory

LLaMA Factory si distingue per una serie di funzionalità che lo rendono unico nel panorama degli strumenti per il fine-tuning dei modelli LLM. Ecco le sue principali caratteristiche:

  1. Supporto per 100+ Modelli LLM e VLM
    LLaMA Factory supporta una vasta gamma di modelli, tra cui LLaMA, LLaVA, Mistral, Qwen, DeepSeek, Phi, GLM, e molti altri. Questo rende il framework adatto a diverse applicazioni, da compiti di comprensione del linguaggio a compiti multimediali come l’analisi di immagini o video.
  2. Metodi di Addestramento Integrati
    Il framework include diverse tecniche di fine-tuning, tra cui:

    • Fine-tuning supervisionato
    • Modellazione delle ricompense (Reward Modeling)
    • PPO (Proximal Policy Optimization)
    • DPO (Direct Preference Optimization)
    • KTO (Knowledge Transfer Optimization)
    • ORPO (Optimizing Reward with Preference Optimization)
      Questi metodi permettono di adattare i modelli a specifiche esigenze, come la generazione di testi, il ragionamento logico o l’interazione con utenti.
  3. Ottimizzazione delle Risorse
    LLaMA Factory supporta diverse strategie per ridurre il carico computazionale, come:

    • LoRA (Low-Rank Adaptation)
    • QLoRA (Quantized LORA)
    • GaLore, BAdam, APOLLO, DoRA
      Queste tecniche permettono di addestrare modelli su hardware meno potente, riducendo i costi e il tempo di elaborazione.
  4. Strumenti per la Gestione degli Esperimenti
    Il framework integra strumenti per il monitoraggio e la gestione degli esperimenti, come:

    • LlamaBoard
    • TensorBoard
    • WandB (Weights & Biases)
    • MLflow
      Questi strumenti aiutano a tracciare i progressi, confrontare i risultati e migliorare la produttività del processo di addestramento.
  5. Interfaccia Utente e CLI Zero-Code
    LLaMA Factory offre un’interfaccia web (LlamaBoard) e un CLI (Command Line Interface) che permettono di eseguire il fine-tuning senza codice, rendendo il processo accessibile anche a chi non ha esperienza avanzata in programmazione.
  6. Supporto per Inference Rapida
    Il framework include strumenti per l’inference veloce, come l’API OpenAI-style e il supporto per vLLM, che permettono di deployare i modelli in modo efficiente.

Perché Scegliere LLaMA Factory?

LLaMA Factory si distingue per la sua flessibilità, potenza e facilità d’uso. Ecco i vantaggi principali:

  • Unificazione di Metodi e Modelli: Riduce la complessità di gestire diversi framework e modelli, concentrando l’attenzione sulle esigenze specifiche del progetto.
  • Ottimizzazione delle Risorse: Grazie alle tecniche di quantizzazione e adattamento a basso rango, permette di addestrare modelli su hardware limitato.
  • Supporto per Task Complessi: Dalla comprensione del linguaggio ai compiti multimediali, LLaMA Factory è adatto a qualsiasi applicazione.
  • Community e Documentazione: Il progetto ha una documentazione completa e una comunità attiva, con blog, tutorial e esempi pronti all’uso.

Come Iniziare con LLaMA Factory

LLaMA Factory è facile da installare e usare, grazie alla sua struttura modulare e alla documentazione dettagliata. Ecco i passaggi principali per iniziare:

  1. Installazione
    Il framework può essere installato tramite pip o Docker. Per l’installazione tramite pip:

    git clone --depth 1 https://github.com/hiyouga/LLaMA-Factory.git  
cd LLaMA-Factory  
pip install -e ".[torch,metrics]" --no-build-isolation

    Per l’installazione Docker, si possono utilizzare le immagini preconstruite su Docker Hub.

  2. Preparazione dei Dati
    LLaMA Factory supporta diversi formati di dati, tra cui dataset su Hugging Face, ModelScope o cloud storage. È possibile specificare il percorso dei dati direttamente nel codice.
  3. Fine-Tuning
    Il framework permette di eseguire il fine-tuning tramite CLI o interfaccia web. Ad esempio, per eseguire un fine-tuning con LoRA:

    llamafactory-cli train examples/train_lora/llama3_lora_sft.yaml

    L’interfaccia web (LlamaBoard) permette di monitorare in tempo reale l’addestramento e di visualizzare i risultati.

  4. Deploy e Inference
    Dopo il fine-tuning, i modelli possono essere deployati tramite API OpenAI-style o vLLM per l’inference veloce.

Supporto per Modelli e Dataset

LLaMA Factory supporta una vasta gamma di modelli, tra cui:

  • LLaMA, LLaVA, Mistral, Mixtral-MoE, Qwen, DeepSeek, Phi, GLM, Gemma, ChatGLM
  • Modelli Vision-LLM: LLaVA-1.5, LLaVA-NeXT, LLaVA-NeXT-Video, InternVL, etc.

I dataset supportati includono:

  • Dataset per fine-tuning supervisionato: Alpaca, ShareGPT, etc.
  • Dataset per modellazione delle ricompense: Human Feedback, etc.
  • Dataset per compiti multimediali: ImageNet, COCO, etc.

Conclusione

LLaMA Factory rappresenta un passo avanti nella personalizzazione e ottimizzazione dei modelli linguistici. Con la sua capacità di unificare metodi, modelli e risorse, il framework si distingue come una soluzione versatile per sviluppatori, ricercatori e aziende. Che si tratti di addestrare un modello per un’applicazione specifica o di esplorare nuove tecnologie, LLaMA Factory offre strumenti potenti e accessibili.

Se sei interessato a esplorare le potenzialità di LLaMA Factory, visita il sito ufficiale o segui il blog per rimanere aggiornato sulle ultime novità e tutorial.

LLaMA Factory: perché il fine-tuning non deve mai essere complicato.

Scrivere per l’AI: L’evoluzione della comunicazione nel mondo digitale

11 Novembre 2025 / / 0 commenti


Nel mondo accelerato del web, dove la tecnologia cambia ogni giorno il modo in cui interagiamo con l’informazione, un tema sempre più rilevante è l’idea di “scrivere per l’AI”. Questo concetto, una volta considerato un’ipotesi futuristica, sta diventando una realtà concreta, trasformando radicalmente la scrittura umana e il suo scopo. Da un lato, l’Intelligenza Artificiale (AI) ha reso più accessibili e immediati i dati, permettendo a chiunque di ottenere informazioni in pochi secondi. Dall’altro, però, questa evoluzione ha portato a una profonda riflessione su come gli umani stanno adattando il loro lavoro, non più per gli esseri umani, ma per gli algoritmi che dominano il web. 

La scrittura, una delle forme più antiche di comunicazione, sta subendo una metamorfosi. Non si tratta più solo di condividere idee o informazioni, ma di creare contenuti che siano “leggibili” e “comprensibili” per le macchine. Questo cambiamento non è solo tecnologico, ma anche culturale e sociale. Gli scrittori, i giornalisti, i creatori di contenuti e perfino i professionisti come i PR stanno riconoscendo che il loro lavoro deve adattarsi a nuove regole: quelle dell’AI. 

L’evoluzione del web e il ruolo dell’AI
Negli ultimi anni, il web è diventato un luogo dove l’informazione è accessibile a tutti, ma anche un ambiente in cui la competizione per l’attenzione è spietata. La nascita dei motori di ricerca come Google ha reso possibile trovare informazioni in pochi secondi, ma ha anche creato un sistema in cui i contenuti devono essere ottimizzati per essere visibili. Con l’avvento degli strumenti di intelligenza artificiale, come ChatGPT e Claude, questa dinamica sta cambiando. Gli algoritmi non solo “leggono” il web, ma lo “assimilano”, analizzando dati, creando risposte e persino influenzando il modo in cui le informazioni vengono condivise. 

Questo ha portato a una nuova forma di scrittura: non più rivolta a un pubblico umano, ma a un sistema di intelligenza artificiale che, grazie al suo addestramento su milioni di testi, ha acquisito una capacità di comprensione e di generazione di contenuti. Perché, come sottolinea il magazine della Phi Beta Kappa, “l’idea di un mondo in cui gli umani scrivono, ma lo fanno principalmente per l’AI, è diventata una possibilità reale”. 

Scrivere per l’AI: una strategia necessaria?
Il fenomeno è stato ampiamente discusso da figure come Tyler Cowen, economista e influencer, che ha sottolineato come la scrittura per l’AI sia diventata una forma di “influenza” su un pubblico non umano. “Scrivere per l’AI non è solo una strategia per ottenere visibilità, ma un modo per influenzare il futuro”, ha dichiarato Cowen. La sua motivazione? Non solo aumentare il proprio impatto, ma anche “insegnare” agli algoritmi ciò che si ritiene importante. 

Ma come si fa a scrivere per l’AI? La risposta è semplice: adattare il contenuto a come gli algoritmi “leggono” e “processano” l’informazione. Gli strumenti di intelligenza artificiale non solo analizzano testi, ma li “strutturano”, cercando informazioni chiare, dati organizzati e contenuti formattati. Per questo, la scrittura ottimizzata per l’AI richiede una struttura chiara, sezioni ben definite e una chiara espressione degli intenti. 

Questo ha portato a una nuova forma di marketing e comunicazione: il “chatbot optimization” (CO). I professionisti del PR, sempre alla ricerca di influenze, stanno sviluppando strategie che non solo mirano a Google, ma a algoritmi come ChatGPT. La chiave per ottenere attenzione da parte dell’AI è scrivere in modo che sia “leggibile” per loro, con un linguaggio semplice, dati ben organizzati e un’organizzazione logica. 

Tra opportunità e preoccupazioni
Se da un lato l’AI offre nuove opportunità per la comunicazione e la diffusione delle idee, dall’altro solleva interrogativi su cosa possa significare per la creatività umana. Alcuni sottolineano che la scrittura per l’AI potrebbe portare a una perdita di valore umano, riducendo la scrittura a una mera forma di ottimizzazione per algoritmi. “L’AI legge tutto, mentre gli umani non leggono quasi nulla”, ha commentato un utente, riferendosi al fatto che l’AI è in grado di analizzare ogni tipo di contenuto, mentre la maggior parte delle persone si limita a leggere solo ciò che è necessario. 

Altri, invece, vedono in questo cambiamento un modo per immortaliare la propria voce. “Scrivere per l’AI potrebbe essere la chiave per un’immortalità intellettuale”, ha affermato un commentatore, sottolineando che gli algoritmi potrebbero “riconoscere” e “valorizzare” i contenuti che rientrano nei loro parametri di qualità. Tuttavia, molti sottolineano che l’AI non è in grado di comprendere le emozioni, le esperienze umane o il contesto culturale, rendendo la scrittura per l’AI un’attività limitata. 

Le critiche e le sfide
Nonostante i pro e i contro, il dibattito intorno alla scrittura per l’AI è stato accompagnato da critiche e preoccupazioni. Alcuni sottolineano i limiti tecnologici degli algoritmi, che non sono in grado di comprendere il significato profondo di un testo, ma solo di generare risposte basate su dati. “L’AI non è in grado di distinguere tra informazioni utili e inutili, né di valutare il valore di un contenuto”, ha scritto un commentatore, sottolineando il rischio di “informazione di scarsa qualità” che potrebbe proliferare. 

Altri, invece, si concentrano sulle implicazioni etiche e sociali. “Scrivere per l’AI potrebbe portare a una dipendenza tecnologica, riducendo la capacità degli umani di pensare criticamente”, ha affermato un utente, preoccupato che l’uso crescente di algoritmi possa influenzare la capacità di valutare fonti e verificare fatti. Questo tema è particolarmente rilevante in un’epoca in cui il web è pieno di informazioni spesso inaffidabili, e l’AI potrebbe amplificare questa problematica. 

Un futuro in bilico tra innovazione e conservazione
L’evoluzione della scrittura per l’AI rappresenta un punto di svolta nella comunicazione digitale. Da un lato, offre nuove opportunità per diffondere idee e informazioni in modo più efficiente. Dall’altro, solleva domande fondamentali su cosa significhi essere umani in un mondo dominato da algoritmi. 

Sebbene alcuni vedano in questo cambiamento un’opportunità per l’immortalità intellettuale, altri temono la perdita di valore umano e la riduzione della scrittura a una mera forma di ottimizzazione. La sfida, quindi, è trovare un equilibrio tra innovazione e conservazione, tra l’uso delle tecnologie e la protezione della creatività umana. 

Conclusione
La scrittura per l’AI è un fenomeno che sta trasformando il modo in cui gli umani comunicano e condividono informazioni. Sebbene il tema sia ancora in fase di evoluzione, è chiaro che il ruolo degli algoritmi nel web non è più un’ipotesi futuristica, ma una realtà che richiede adattamento e riflessione. Per chiunque si trovi a scrivere oggi, la domanda rimane: come si può preparare il proprio lavoro per un pubblico che non è più umano? 

Per ulteriori informazioni su questo argomento, puoi leggere l’articolo originale: https://m.slashdot.org/story/448890

Bot Voice To Text

5 Settembre 2025 / / 0 commenti

Nella sua semplicità è il bot (gestito da un workflow N8N) che uso più spesso. I messaggi vocali sono lenti e inefficienti, l’accelerazione 1.5x o 2x risolve solo in parte il problema. Poter leggere velocemente, o scansionare, il contenuto di un vocale senza dover essere bloccato due minuti per ascoltarlo tutto è una fantastica comodità.

Ho migliorare un pochettino il workflow per gestire correttamente anche l’inoltro, sempre tramite telegram, di una MP3. Il motivo scatenante è stato che non volevo ascoltare un podcast di un ora per una piccola frazione di informazione, durata 5 minuti, annegata chissà dove.

Ho per cui modificato la gestione dell’input, cambiato i timeout di risposta, e gestito l’output di più di 2000 caratteri con lo stesso sistema del bot assistente personale.

Per trascrivere un ora di podcast l’hardware a mia disposizione ha impiegato 22 minuti, ma va bene. Non avevo fretta. E’ comunque una velocità superiore al doppio e mentre il silicio lavorava io potevo fare altro.

Il punto di partenza è stato quanto descritto in questo articolo. Il bot è sempre disponibile pubblicamente su http://t.me/b0sh8_bot anche se non tutti i giorni e non H24.

Di seguito il workflow aggiornato.

Voice to TextDownload

Navigating Intelligent Solutions: From AI to Agentic Retrieval‑Augmented Frameworks

3 Settembre 2025 / / 0 commenti

L’intelligenza artificiale (IA) ha trasformato il modo in cui le aziende elaborano informazioni. Ma i modelli linguistici di grandi dimensioni (LLM) spesso mancano di conoscenza aggiornata e possono generare dati errati. La tecnica di retrieval‑augmented generation (RAG) unisce ricerca documentale e generazione, riducendo le allucinazioni e mantenendo il modello aggiornato. Quando questa metodologia è abbinata a sistemi agentici intelligenti che decidono autonomamente quale strumento utilizzare, nasce l’agentic RAG, una nuova frontiera che migliora la precisione e la trasparenza delle risposte. Il modello di decision‑tree guida la logica decisionale in questi sistemi, consentendo una pianificazione adattiva basata su test successivi. In questo articolo esploreremo passo dopo passo queste tecnologie, partendo dalla base dell’IA, passando per RAG, l’agent AI, l’agentic RAG e infine il ruolo del decision tree.

Capire l’Intelligenza Artificiale: Fondamenti e Sfide

Il settore dell’Intelligenza Artificiale (IA) è nato con l’obiettivo di replicare l’intelligenza umana nei sistemi computazionali. I primi sistemi basati su regole rigide e approcci simbolici si sono dimostrati difficili da scalare e poco robusti di fronte alla variabilità dei dati reali. Con l’avvento dei modelli di apprendimento profondo, l’IA ha guadagnato capacità di estrazione di pattern non lineari, portando allo sviluppo dei cosiddetti Large Language Models (LLM). Tuttavia, i LLM pur essendo potenti, soffrono di allucinazioni, mancano di spiegabilità e richiedono enormi risorse computazionali. Per mitigare tali problemi, la ricerca ha intensificato lo studio di architetture decision‑tree, che suddividono il processo decisionale in nodi specializzati (es. ricerca, sintesi, filtro). Tale modularità consente un tracciamento chiaro delle operazioni, facilita la gestione degli errori e permette di combinare modelli leggeri per la routing con LLM pesanti per il ragionamento approfondito. Inoltre, le decision‑trees favoriscono l’apprendimento continuo grazie alla possibilità di aggiungere nuovi “tool” in modo incrementale. In sintesi, l’evoluzione dall’IA tradizionale a sistemi decision‑tree‑augmented rappresenta un passo cruciale verso soluzioni più efficienti, trasparenti e sostenibili. Gli approcci decision‑tree non solo migliorano la qualità delle risposte, ma permettono anche una gestione più fine delle risorse di calcolo, poiché il carico computazionale viene distribuito tra componenti di diverso peso. Ciò riduce l’overhead di addestramento e facilita l’implementazione su infrastrutture esistenti, rendendo l’IA più accessibile e adattabile a scenari reali.

Retrieval‑Augmented Generation (RAG): La Nuova Frontiera per LLM

RAG è un’architettura che combina la ricerca di informazioni (retrieval) con la generazione di testo (augmentation). In pratica, un modello di linguaggio chiama un sistema di ricerca vettoriale per recuperare documenti pertinenti, quindi integra questi documenti nel proprio prompt per produrre risposte basate su fonti verificabili. Questo approccio riduce le allucinazioni, perché la generazione è ancorata a dati esterni, e migliora la precisione senza richiedere un costoso fine‑tuning del modello principale.

Agent AI: Sistemi Intelligenti che Operano in Ambienti Dinamici

I chatbot tradizionali si basano principalmente sulla risposta a prompt testuali. Con gli agenti AI, l’interazione diventa autonoma e contestuale: il sistema valuta lo stato attuale, decide quale azione compiere (ricerca, sintesi, visualizzazione) e produce la risposta in modo iterativo.

In un contesto Retrieval‑Augmented Generation (RAG), l’agente accede in tempo reale a una base di conoscenza, recupera i documenti più rilevanti e poi genera la risposta con un modello LLM, integrando così recupero e generazione in un’unica pipeline decisionale.

L’implementazione di Elysia si basa su un “decision tree orchestrato” dove ogni nodo è un tool (retriever, summariser, visualizzatore, ecc.). Il decision agent valuta il contesto, la storia delle interazioni e i costi computazionali per scegliere l’operazione più adatta. Questo approccio garantisce trasparenza: il percorso decisionale è visibile in tempo reale, facilitando debug e audit.

Per le imprese, i vantaggi sono:
– Affidabilità migliorata grazie alla gestione degli errori e ai limiti di iterazione.
– Riduzione dei costi di sviluppo: i componenti possono essere riutilizzati senza riformulare prompt.
– Personalizzazione pro‑attiva che apprende dai feedback degli utenti.

Il futuro prevede l’integrazione di agenti multi‑modalità, la capacità di autogenerare nuovi tool e la sinergia con sistemi di controllo decisionale complessi, aprendo la strada a soluzioni enterprise completamente autonome.

Agentic RAG e Decision Tree: La Logica Decisionale dei Sistemi

Elysia sfrutta una decision‑tree architecture per coordinare gli agenti. Ogni nodo è un tool specifico—retriever, LLM, visualizer—e la scelta di quale nodo attivare avviene tramite un decision agent che valuta contestualmente i dati, i risultati precedenti e le potenziali ramificazioni future. Questo modello si ispira alle teorie dei Decision Trees, dove la struttura ad albero rappresenta una sequenza di test decisionali, ognuno dei quali conduce a ulteriori sotto‑decisioni o a un risultato finale. In Elysia, i test sono adaptivi: l’agente ricalcola le probabilità di successo di ciascun branch in base ai feedback in tempo reale, spostando dinamicamente l’albero verso percorsi più promettenti. La profondità dell’albero è limitata da un hard pass limit che evita loop infiniti; al superamento di questo valore, l’agente propaga un errore verso un percorso alternativo o invia una notifica di fallimento.

Flusso decisionale in una lista:

  • Input utente → nodo di analisi preliminare
  • Test di compatibilità del dato → scegliere retriever o preprocessore
  • Chiamata LLM → valutare qualità della risposta
  • Se insufficiente, ricalcolo: attivare visualizer o iterare con nuovo prompt
  • Output finale → rendering dinamico e memorizzazione preferenza utente

Esempi pratici:

  • Nel negozio di skincare, il percorso dall’input di un problema cutaneo al consiglio di prodotto passa da un retriever di documenti, a un LLM di sintesi, fino a un visualizer di carte prodotto.
  • In un sistema di raccomandazione, la decision tree genera una serie di filtri di prodotto, crea una collezione di articoli correlati e poi genera un prompt per l’LLM che propone prodotti finali.

Conclusioni

Il futuro dell’IA non è solo potenza di calcolo, ma capacità di integrare conoscenza esterna in modo intelligente e decisionale. RAG, quando combinato con architetture agentiche e modelli di decision‑tree, offre soluzioni più affidabili, trasparenti e adattabili. Le imprese possono ora sfruttare data‑driven chat‑bots e agenti autonomi che si evolvono con il loro ambiente, riducendo il rischio di allucinazioni e garantendo la citazione delle fonti.

Link di partenza per la generazione del testo : https://weaviate.io/blog/elysia-agentic-rag
La generazione e’ stata fatta con GPT-OSS 20B, che per arrivare all’articolo di cui sopra (circa 1000 parole, 500 token) ha prodotto 50.000 token in elaborazioni successive, tra cui riassunto a pezzi con metodo map-reduce, pianificazione dell’articolo interrogando anche altre fonti (wikipedia) e redazione dei singoli capitoli. Proverò comunque Elysia e magari scriverò qualcosa anche io direttamente.

L’AI e il Futuro dei Junior Developer

2 Settembre 2025 / / 0 commenti

In un’epoca in cui l’intelligenza artificiale sta rivoluzionando il mondo del lavoro, il ruolo dei junior developer si sta trasformando. AWS CEO Matt Garman ha espresso la sua visione su come l’AI possa integrarsi con le competenze umane, piuttosto che sostituirle.

L’AI e la sua applicazione nel programming

Nonostante l’AI possa semplificare alcune attività ripetitive, come la generazione di codice o l’ottimizzazione del debugging, non rappresenta una minaccia per i programmatori inesperti. Al contrario, offre loro strumenti potenti per imparare più velocemente e sviluppare competenze avanzate. I junior developer possono sfruttare l’AI per automatizzare compiti che richiederebbero tempo e pazienza, concentrando quindi le loro energie su aspetti più creativi e strategici del coding.

Con l’AI a disposizione, i junior developer possono ricevere feedback immediati durante lo sviluppo del software, migliorare la loro capacità di risolvere problemi complessi e affinare le loro abilità di pensiero critico. Questo non solo accelera il loro apprendimento, ma li prepara a svolgere ruoli più avanzati in futuro. Inoltre, l’AI può fungere da strumento di supporto per i junior developer, guidandoli attraverso processi di sviluppo complessi e aiutandoli a comprendere meglio i concetti di programmazione.

L’evoluzione del ruolo del junior developer nel contesto dell’AI richiede una visione proattiva: imparare a utilizzare queste tecnologie non come sostituti, ma come alleati. Questo approccio non solo rafforza il loro valore nel mercato del lavoro, ma li posiziona come attori chiave nell’innovazione tecnologica futura.

Il ruolo dei junior developer nel futuro del lavoro

Il ruolo dei junior developer nel futuro del lavoro è un tema cruciale in un contesto in cui l’intelligenza artificiale sta trasformando il mondo del programming. Matt Garman ha sottolineato che i junior developer non devono essere visti come una risorsa da sostituire con l’AI, ma come una opportunità di investimento per le aziende. I junior developer, infatti, sono i meno costosi e i più adattabili alle nuove tecnologie, rendendoli un elemento chiave per il successo delle organizzazioni.

Il loro ruolo non è solo di apprendere le competenze tecniche, ma anche di sviluppare abilità come il pensiero critico, la creatività e la capacità di risolvere problemi complessi. Queste competenze saranno sempre più importanti in un mondo in cui l’AI diventa un alleato, non un sostituto. I junior developer possono sfruttare gli strumenti AI per migliorare la loro efficienza e la loro produttività, senza perdere la capacità di pensare in modo autonomo e innovativo.

L’AI non eliminerà il ruolo dei junior developer, ma lo trasformerà. I programmatori del futuro non saranno semplici codificatori, ma problem-solver e gestori di agenti AI. Questo richiederà una continua formazione e un’adattabilità ai nuovi strumenti e alle nuove tecnologie. I junior developer dovranno imparare a utilizzare l’AI come un supporto per il loro lavoro, piuttosto che come una sostituzione.

Il futuro del lavoro per i junior developer è quindi un’opportunità, non una minaccia. Con l’adeguata formazione e l’uso intelligente dell’AI, i junior developer potranno diventare sviluppatori più efficienti, creativi e adatti alle esigenze del mercato del lavoro in evoluzione.

L’evoluzione del ruolo del developer

In questo capitolo, affronteremo l’evoluzione del ruolo del developer in un mondo dominato dall’AI. Matt Garman ha sottolineato che i programmatori non saranno sostituiti, ma il loro lavoro si trasformerà. Questo capitolo analizzerà come i developer passeranno da semplici codificatori a problem-solver e gestori di agenti AI. Verranno esaminate le nuove competenze necessarie per i developer del futuro, tra cui la capacità di prendere decisioni critiche, risolvere problemi complessi e gestire strumenti AI avanzati.

Garman ha sottolineato che il ruolo del developer non si limiterà a scrivere codice, ma si estenderà a comprendere e gestire le soluzioni AI. Questo richiederà una forte capacità di adattamento e una visione strategica per identificare quando e come l’AI può essere utilizzata per migliorare la produttività. I developer del futuro dovranno anche imparare a lavorare in sinergia con gli strumenti AI, interpretando i risultati e correggendo eventuali errori.

Inoltre, Garman ha sottolineato che l’AI non eliminerà il lavoro, ma lo trasformerà. I developer dovranno evolvere le loro competenze per rimanere rilevanti nel mercato del lavoro. Questo richiederà un impegno costante nell’apprendimento continuo e nell’adattamento a nuove tecnologie. Il ruolo del developer si trasformerà in un ruolo più creativo e strategico, dove il pensiero critico e la capacità di decisione saranno fondamentali.

Questo capitolo conclude che l’AI non eliminerà il ruolo del developer, ma lo trasformerà in una figura più versatile e strategica. I developer del futuro saranno chiamati a sfruttare l’AI come strumento di supporto, non come sostituzione, per raggiungere obiettivi più complessi e innovativi. Questo richiederà una combinazione di competenze tecniche, creative e strategiche, che renderanno i developer sempre più indispensabili nel mondo del lavoro.

L’importanza delle competenze umane nell’era dell’AI

L’evoluzione del ruolo del developer non è l’unica trasformazione in atto nell’era dell’intelligenza artificiale. I junior developer, in particolare, stanno assumendo un ruolo sempre più centrale nel mondo del lavoro tecnologico. Nonostante l’AI possa semplificare molte attività di programmazione, come la scrittura di codice ripetitivo, è chiaro che le competenze umane restano irrinunciabili. I junior developer, pur essendo alle prime armi, rappresentano una risorsa preziosa grazie alla loro capacità di apprendimento rapido e alla loro adattabilità ai nuovi strumenti e tecnologie.

Garman ha sottolineato che i junior developer non sono solo il futuro della programmazione, ma anche un’opportunità per le aziende di investire in talenti emergenti. Questi giovani professionisti possono imparare a lavorare in sinergia con l’AI, utilizzandola come strumento di supporto per migliorare la produttività e la qualità del lavoro. Inoltre, le capacità umane, come la creatività, la capacità di risolvere problemi complessi e il pensiero critico, sono fondamentali per guidare l’AI e massimizzare il suo potenziale.

I junior developer, quindi, non devono temere di essere sostituiti dall’AI, ma anzi, devono imparare a integrarla nel loro lavoro. Questo richiede una formazione continua e l’acquisizione di nuove competenze, come la gestione di strumenti AI avanzati e la capacità di prendere decisioni etiche e creative. Solo chi si adatta a questa nuova realtà potrà prosperare nel mercato del lavoro del futuro.

Conclusioni

L’AI non eliminerà i lavori, ma li trasformerà. I junior developer hanno un ruolo cruciale nel futuro del programming, e l’adattamento a nuove tecnologie sarà la chiave per successo e crescita professionale.

Questo post e’ realizzato tramite intelligenza artificiale basandosi su questo articolo: AWS CEO Says Replacing Junior Developers with AI Is the Dumbest Thing He’s Ever Heard

AI, N8N, Workflow, Agentic AI e LLM: Un’Introduzione al Futuro della Tecnologia

31 Agosto 2025 / / 0 commenti

In questo articolo, esploreremo il ruolo chiave dell’intelligenza artificiale, N8N, i workflow, l’agentic AI e i modelli linguistici di grandi dimensioni (LLM) nel contesto tecnologico moderno. Questi argomenti rappresentano una combinazione potente che sta rivoluzionando il modo in cui sviluppiamo e utilizziamo le applicazioni.

Introduzione all’Intelligenza Artificiale e n8n

L’intelligenza artificiale (AI) sta trasformando il modo in cui creiamo e gestiamo i flussi di lavoro, e uno strumento che sta guadagnando attenzione è n8n. Questo strumento permette di costruire workflow complessi in modo visivo e intuitivo, integrando facilmente API e servizi esterni. Con l’avvento dell’Agentic AI, i workflow possono diventare autonomi, prendendo decisioni basate su dati e feedback in tempo reale. L’uso di LLM (Large Language Models) all’interno di questi workflow apre nuove possibilità, come l’analisi del testo, la generazione di contenuti e l’automazione intelligente. Questa combinazione di tecnologie promette di semplificare processi complessi, aumentando l’efficienza e riducendo il carico umano.

Intelligenza Artificiale e Workflow Dinamici

L’intelligenza artificiale (AI) sta rivoluzionando il modo in cui creiamo e gestiamo i workflow, grazie ad strumenti come n8n, una piattaforma open source che permette di costruire e automatizzare processi complessi. Con l’introduzione di agentic AI, i workflow non sono più semplici sequenze di istruzioni, ma diventano dinamici e adattivi, grazie all’uso di LLM (Large Language Models) che possono prendere decisioni autonome. Questo approccio consente di creare soluzioni personalizzate, scalabili e in grado di evolversi nel tempo.

L’intelligenza artificiale (AI) rappresenta una delle tecnologie più promettenti del nostro tempo

L’intelligenza artificiale (AI) rappresenta una delle tecnologie più promettenti del nostro tempo, con applicazioni che vanno dall’automazione al riconoscimento delle immagini. Uno strumento chiave per sfruttare al massimo le potenzialità dell’AI è n8n, una piattaforma open source che permette di creare workflow complessi senza la necessità di codificare. Questo strumento è particolarmente utile quando si lavora con l’AI agente, dove un modello linguistico di grandi dimensioni (LLM) esegue compiti autonomi e interagisce con altri sistemi. Il potere di n8n risiede nella sua capacità di integrare diversi strumenti e API, rendendo il processo di sviluppo più fluido e accessibile.

L’intelligenza artificiale (AI) sta trasformando il modo in cui creiamo e gestiamo i workflow

grazie a strumenti come n8n, una piattaforma open source che permette di collegare diversi servizi e applicazioni in modo semplice e intuitivo. In combinazione con l’AI, n8n permette di automatizzare compiti complessi, riducendo il tempo e gli errori umani. L’agente AI, un sistema autonomo in grado di prendere decisioni, può essere integrato nei workflow per eseguire compiti specifici, come l’analisi dei dati o la generazione di testi, grazie all’uso di modelli linguistici di grandi dimensioni (LLM). Questa sinergia tra AI, n8n, workflow e agente AI rappresenta un passo avanti significativo nell’automazione intelligente.

Conclusioni

L’AI, N8N, i workflow, l’agentic AI e i LLM stanno aprendo nuove possibilità nel mondo della tecnologia. Questi strumenti, quando utilizzati insieme, possono portare a un’evoluzione significativa in molti settori, rendendo il software più intelligente, personalizzato e adattabile.

Questo articolo, fin qua, e’ stato interamente scritto tramite AI e un workflow N8N, che a partire da un elenco di keyword ha generato il testo e pubblicato (in bozza) sul sito. Mi sono ispirato ad un workflow reso disponibile pubblicamente e modificato, come al solito, per usare ollama e per scrivere in italiano. L’idea e’ di adattarlo ulteriormente per partire da un testo o ancora meglio da una pagina web che mi ha interessato per generare un post, invece che dalle keyword. Se ne esce qualcosa di interessante pubblicherò il risultato.

AI Workflow 2.5

29 Agosto 2025 / / 0 commenti

Modifiche:

  • Correzioni di bug vari
  • Gestito l’invio di messaggi multipli di telegram invece che fare un riassunto nel caso si eccedessero i 2000chr come nelle versioni precedenti, cosa che ha necessitato un po di programmazione
  • Aggiunto un riassunto delle informazioni dedotte della conversazioni su un documento su google drive
  • Corretto un bug che impediva al RAG di funzionare correttamente: lo step e’ stato diviso, prima con il reperimento delle informazioni, e poi con la generazione delle risposta
  • Integrato l’utilizzo delle API di Groq per una migliore velocità di esecuzione. Al momento non esegue tutto in locale, ma alcune task sono effettuate remotamente da Groq. L’utilizzo rientra ampiamente nel piano free, quindi senza costi. E’ comunque facilmente modificabile … sia per usare Groq per tutto (ma consiglio un piano developer per via dei limiti della dimensione del contesto del piano free) sia per usare solo un llm offerto localmente da Ollama
Ai Workflow 2.5.jsonDownload

« Articoli meno recenti

Categorie

© 2025 b0sh.net

Tema di Anders Noren — Su ↑