DIGITALIA.fm

. Dallo studio distribuito di Gunp Media Production. Notizie di tecnologia Questo è Digitalia. Settimana del 18 maggio 2026 nelle carte ci sono i jolly in cucina i fuori menù digitali ha gli speciali modelli di linguaggio di grandi dimensioni e programmazione agentica nel mondo dei beni culturali tra generativa ontologia archeologia aumentata come si insegna una macchina a capire la cultura Da Liguria 1 di Sanremo, qui è Franco Solerio. Dallo studio di Milano, Città Studi, Francesco Facconi. Da Salerno, Rocco Loffredo. Buongiorno a tutti amici bentornati all'ascolto di Digitalia lo sapete ogni tanto ci prendiamo una settimana o per impegno o per malattia o cosa ma ci facciamo un punto di onore di non lasciarvi mai senza la puntata settimanale. E quindi troviamo degli ospiti speciali e per delle puntate speciali allora avevamo quest'idea piccola introduzione avevamo questa idea di fare uno speciale dedicato all'agenti coding poi Max ci ha presentato Rocco che è un dottorando che lavora nel suo team e ha esperienza sì di coding agenti ma soprattutto sta studiando come creare degli agenti AI e in particolare quelli dedicati alla cultura che è un mix un po' particolare un po' strano e allora ci siamo detti vabbè vediamo se riusciamo a dare uno sguardo da dentro a questa cosa degli agenti, capire cosa sono come funziona come come si programmano, eccetera sia nel mondo del coding in generale, perché lui è un programmatore a tutti gli effetti sia nel creare proprio dei nuovi agenti e allora ciao Francesco e benvenuto Rocco Benvenuto grazie grazie mille Allora, prima di tutto vogliamo una curiosità da com'è lavorare col prof del Partiamo subito con le domande difficili, le domande scomode noi siamo inchiesta Lo so che è un uomo di team Massimo è un grande organizzatore è è un grande capo, diciamo lavorare con lui è ottima esperienza soprattutto di crescita perché non è banale, soprattutto ciò che facciamo è lui come ricerca di mantenere sempre facendo da collante con tutto il team con suo E lui è un uomo, sì è un uomo di organizzazione, un uomo di squadra, un uomo di team, certo, certamente certamente Allora abbiamo dato un'occhiata un po' al tuo curriculum a queste cose eccetera, ma è la prima volta che chiacchieriamo a noi piace di Italia farla così no come non ci sentiamo mai in settimana per commentare le notizie le commentiamo la prima volta in trasmissione e anche per gli speciali per cui per noi come per i nostri ascoltatori, anche per noi sei tutto da scoprire cosa fai Rocco esattamente? Allora, faccio il dottorato all'Università degli Studi di Salerno, come abbiamo già anticipato con Massimo. I topic principali su cui lavoro sono incentrati sull'intelligenza artificiale, quindi gli LLM, ultimamente anche con gli agenti AI, che è un mondo in cui praticamente attualmente ne parlano tutti e dal punto di vista della ricerca sto iniziando a ritagliare anche il mio piccolo spazio. Nel tempo libero posso definirmi al di fuori dell'università un strimpello, chitarre bassi, sono un po' di tutto, sono diciamo formazione metal mettiamola così che i geek finiscono sempre lì, non si sa perché forse è una necessità di sfogare l'istinto creativo da qualche parte. probabile è una delle musiche secondo me più geek perché è super preciso guarda che non è un caso quello fatto bene richiede molta nerdaggine, diciamo soprattutto lato sound perché un orecchio poco allenato, soprattutto nei generi che prediligo può sentire principalmente rumore bianco però poi se uno incomincia soprattutto se suona in digitale, quindi con schede audio DAV dedicate, se inizi a partire con ok proviamo questa cassa apriviamo questo cono proviamo questo microfono si finisce nel buco della tana Conosciamo la malattia e non se ne viene più e non se ne viene fuori se qualcuno ne trovasse un vaccino ci faccia sapere perché non lo vogliamo facci sapere poi non lo prenderemo non ho detto quello Allora, quindi tu stai nel tuo dottorando stai lavorando a creare degli LLM che in qualche modo capiscano la cultura che trasmettano le arti. Allora La domanda che ci siamo posti con Massimo all'inizio del dottorato che da cui poi è partita praticamente il percorso di ricerca che stiamo intraprendendo è ok noi sappiamo che gli LLM Attualmente sono nel general Purpose diciamo rispondono bene o male a quasi tutto bene o male, non lo so dipende quanto vai dentro nel dettaglio ciò so che ciò che ci eravamo chiesti era ma se questi l'LM quando rispondono comunque dal punto di vista della sintassi rispondono bene noi sappiamo che loro si appoggiano su un approccio probabilistico. Noi sappiamo che un LLM quando genera la sua risposta quello che sta facendo è indovinare, capire qual è la parola più prova concatenare parole esattamente. Da qui ci siamo posti Pappagalli stocastici li chiamavamo tempo fa ormai perfetto da qui ci siamo posti una domanda, ma il fatto che loro siano così bravi a rispondere rispettino così bene queste regole sintattiche ci ha posto il seguente quesito, ma invece dal punto di vista semantico Loro sono molto bravi a rispondere, ma di fatto quando rispondono capiscono veramente semanticamente appunto cosa stanno dicendo. Da qui abbiamo iniziato a indagare, siamo posti due domande. Il percorso di ricerca adesso si incentra sul provare a capire se dando loro un supporto semantico, quindi integrando conoscenze esterne in formati strutturati, come ad esempio possono essere le ontologie che possono essere visto per definizione come una forma strutturata di conoscenza in cui la semantica è del tutto esplicitata se l'LM con questa con questo aiuto in cui si danno tipo definizioni gli si esplicitano legami tra concetti se rispondono meglio o peggio in determinati domini. Il nostro il laboratorio in cui lavoriamo si chiama È un centro per i beni per i beni culturali, quindi automaticamente il dominio su cui stiamo lavorando è quello dei beni culturali. La domanda è quindi integrando l'LM e ontologie, se le domande che poniamo su dei domini precisi in quest'ambito dei beni culturali, se le domande sono migliori o meno. Se sono migliori vuol dire o meglio pensiamo che a loro quindi l'aiuto semantico serve e quindi di base diciamo fanno cilecca se rispondono uguale o se rispondono peggio ci iniziamo a porre due domande sul dove poi si separa diciamo l'essere umano da appunto questa intelligenza che in questo questi periodi sta spopolando perché se arriverà arriviamo a dire che gli LLM capiscono anche la semantica non so poi noi in quanto esseri umaniamo a che serviamo esattamente cosa che serviamo Cioè, secondo l'ipotesi è che mettendo insieme ontologie e agenti stai costruendo qualcosa che ragiona davvero o che segue meglio le istruzioni ti risponde più a tono? Sì, diciamo attualmente il campo d'applicazione, il caso d'uso in cui stiamo lavorando è quello ad esempio del un motore di ricerca semantico all'interno delle biblioteche moderne antiche, poi dipende dal dataset che ci forniscono per fare le sperimentazioni. L'idea di base sarebbe se tu chiedi a un modello prodotto diciamo pseudo finito, un prototipo, eccetera, eccetera, se cerchi un libro o un set di libri di un determinato dominio, Il modello non deve darti in output solamente i titoli o gli abstract di quei libri che per parole chiave hanno quel concetto che gli hai definito, ma riescono a capire appunto semanticamente quello che tu stai chiedendo, ad esempio, un esempio che facciamo quasi sempre in laboratorio per intenderci sia tra di noi sia chi spieghiamo, diciamo cosa cerchiamo di fare è Nel caso chiedi a un bibliotecario, diciamo basato su intelligenza artificiale di darti dei libri. Che parli della peste nera a Napoli, per esempio, un argomento molto divertente, molto un esempiogro non abbiamo solamente libri che hanno esplicitato nel titolo nell'abstract peste nera o Napoli, eccetera, eccetera, ma si riesca a fare un'inferenza tale per cui prendendo un libro, facendo collegando i vari puntini, appunto che si possono notare in una struttura grafo quale può essere l'ontologia, il libro il modello capisce che in quel libro quel documento o almeno è stato scritto magari anche in quel periodo e ti dà in output quel quel prodotto, quel libro questo ad esempio è uno dei casi su cui stiamo lavorando poi di fatto questo ontologie sono dei delle serie di dati più strutturati che tu dai impasto all'M oltre al dataset tradizionale del testo puro, no? Esattamente esattamente. Posso aprire una parentesi, scusatemi perché la parola ontologia penso che sia conosciuta a livello molto superficiale un po' da tutti quanti e correggimi Franco, però magari ci dai due parole, ma due di numero per definirci cos'è un'ontologia perché sappiamo tutti che è una classificazione, ma probabilmente in questo caso Vale la pena capire meglio. Allora, come ontologia dovete pensarla come una struttura attualmente, ma una definizione precisa a caldo no, no, no, possiamo andare avanti per esempi fra l'altro, se preferisci Una struttura immaginata ad esempio un grafo in cui abbiamo questi vari nodi e vari archi, un esempio diciamo che fa capire immediatamente il nodo libro, il nodo autore. L'arco has autore e quindi ha l'autore diciamo questo è un esempio molto semplice, però dovete immaginarvi questa serie di nodi a cui corrispondono di determinati concetti e gli archi che legano questi nodi con una particolare diciamo proprietà. esempio banale che appunto ho appena fatto libro, autore l'arco autore oppure è stato scritto da sia da un verso che dall'altro a cui ci aggiungi zona geografica nel quale è ambientato anno in cui c'è la storia, eccetera eccetera per cui in termini generici o in termini specifici, cioè tu all'LLM gli dici che questi concetti generici sono legati oppure per ogni libro nella biblioteca gli dici questo è il titolo del libro libro questo è l'autore questo è e questi collegamenti glieli dai tu questo che non capisco sì, diciamo dipende dal tipo di dataset che noi forniamo al modello, perché in base anche al dataset che ci viene dato , ovvero il catalogo della biblioteca XY su cui andiamo a lavorare, Possiamo tanto avere l'associazione banale titolo autore, titolo, data di pubblicazione, titolo abstract, oppure possiamo andare ad esempio a prendere l'abstract e possiamo far esplodere il testo, diciamo non strutturato che è quello dell'abstract, anch'esso in un ramo in una struttura a grafo. È un lavoro grosso, quindi costruire questi grafici. Sì, come io penso come in qualsiasi altro lavoro in cui si si applica l'intelligenza artificiale, la parte grossa è sempre quella del dataset, quella La parte appunto di addestramento del modello, anche perché poi tutta la complessità non solo la complessità sta nella creare l'ontologia adatta su quel dominio in modo tale che l'LM la comprenda la sappia analizzare la sappia interpellare anche. Per la sabbia consultare, scusa la sabbia consultare per estraporre le informazioni ma anche poi come fargliela diciamo interpellare si può fare un fine tuning conviene un rag va bene ok però con il rag ad esempio che come vai ad estrapolare l'ontologia attualmente quella su quello su cui stiamo lavorando è andare a estrapolare noi le chiamiamo triple, ovvero le associazioni noto noto arcografo tu fai una domanda il sistema consulta questa ontologia ottiene questo sottografo tra virgolette in cui ci sono questi legami esplicitati cercando di rimanere coerenti con la domanda che tu gli poni come utente e poi l'LM cerca di darti una risposta questo si è dimostrato con i primi lavori che abbiamo fatto un approccio più efficiente a volte di poco a volte di molto abbiamo notato che se tu una forma con un aiuto in forma strutturata e non anziché una forma non strutturata, quale può essere un plain text, un classico documento Word o PDF Il modello in maniera più concentrata riesce a avere un focus maggiore su quello che gli stai dando e ti dà una risposta più dettagliata. Perché se gli dai un testo non strutturato, c'è tutta la parte di inferenze deve riassumerlo diciamo può prendere iniziative strane può divagare mentre in queste altre situazioni, quando gli dai proprio il legame, la correlazione elemento legame elemento diretta lui la vede la capisce e da lì poi giochi su un po' di prompt engineering vedi un po' gestisci tu un pochino il prompt finale come deve essere gestito come l'output, eccetera. Ma in tutto questo, perdonami i dati sono dati umani, cioè che qualcuno nel corso del tempo ha inserito o sono cose che è riuscite a ottenere anche dal PDF del libro dalla scansione Più o meno autorizzata, diciamo. Allora, se chiedi il catalogo, il catalogo in genere ci viene fornito stesso da l'ente, diciamo la nel corso degli anni nel corso degli anni hozzato tutto esattamente esattamente. In genere quello che verosimilmente otteniamo più spesso è questo file Excel mostruoso con vari record. Noi lo convertiamo per quello che riusciamo in ontologia, quindi prendiamo tutti gli elementi che creiamo i legami tra questi elementi e poi da lì innanzitutto verifichiamo se l'ontologia è valida, quindi c'è poi tutto un processo in cui dobbiamo assicurarci che l'ontologia abbia senso che non ci sia un ambiguità e eccetera. Successivamente c'è poi tutta la fase di integrazione di questa ontologia nel framework generale in cui poi l'LM Perdonami, ma l'ontologia della mia biblioteca. Non può aiutare in qualche modo anche la biblioteca di Franco adesso porto esempi. Certo, allora qui Sì, però dipende sempre da come l'ontologia è strutturata. Vi spiego noi per ontologia in genere parliamo dello schema della struttura. Tu quando vai a realizzare l'ontologia, tu c'hai l'entità autore, ci sta l'entità libro, definisci l'entità autore eccetera poi tu la vai a popolare , ovvero crei tanti autori di individui di classe autore di questi nomi entità di classe libro con questi nomi la popo appunto e poi da la fornisce se l'ontologia lo stesso schema che sia la libreria tua o che sia la libreria di Franco popolate in maniera diversa se lo schema è lo stesso funziona anche se poi cerchiamo anche di generalizzare da quest'altro punto di vista in genere particolare quello su cui sto cercando di lavorare, appunto cercare di prescindere dallo schema dell'ontologia , quindi oltre a fornirgli l'ontologia gli forniamo come questa è strutturata e poi se la vede il modello in questo caso l'LLM o meglio ancora la gente che decide autonomamente se interpellarla con un metodo RAG facendo una query che si chiama per interrogare le ontologie si usano queste query chiamate query SPARQL con cui tu vai a chiedere a selezionare come in un database c'è un select elemento con i vari criteri e tu lo ottieni Ciò su cui stiamo lavorando attualmente è questo sistema che autonomamente cerca di scegliere in base alla domanda che l'utente fa, come interfacciarsi con questa ontologia per estrapolare al meglio l'informazione. Un esempio da cui diciamo che ci ha fatto accendere la lampadina per lavorare in questo modo era appunto il tipo di domanda, come ad esempio Dammi un elenco di libri che parlano di questo argomento. Se tu utilizzi un dell'LM classico o un rag classico, se tu gli poni la domanda, dammi l'elenco di tutti i libri che parlano di XY il rag per come funziona interrompetemi ovviamente se inizia a dire nomi che non vi sono familiari, tranquillo. Il rag per come funziona quello classico, se tu poni al sistema la domanda dammi tutti i libri che parlano di tot lui non esegue il comando. Lui ti cerca all'interno dell'ontologia tutte le informazioni, tutti diciamo le frasi, le triple più simili alla frase dammi tutti i libri che parlano di questa è una è un come dire, è un difetto è un problema perché per quello che vogliamo fare qui abbiamo abbiamo un baco e non riusciamo a uscircene da qui ci vede l'idea poi di provare quella programmazione agentica, ovvero ok cerchiamo anziché anziché utilizzare un LLM oppure un semplice codice Python con il retriver che effettueràerà che l'LM che risponde mettiamoci un agente che esegue uno step di istruzioni in cui in cui alcuni sono deterministici e alcuni ha diciamo una potere di scelta. quindi partiamo dalla domanda domanda. Tu la gente riceve la domanda dell'utente già da qua capisce, cerca di capire che tipo di approccio utilizzare per interfacciarsi con l'ontologia, quindi capire se la domanda possiamo rispondere o tramite rag quindi con l'esempio che con l'approccio che ho detto precedentemente, ma per cui ci sono alcuni casi, come ad esempio questo che vi ho appena detto in cui non funziona. Oppure una semplice ad esempio, una semplice query SPARQL, quindi magari ci sono domande per cui il rag viene meno rispetto all'approccio classico con cui si interroga le ontologie, quindi se io gli chiedo dammi tutti i libri che sono stati scritti a Napoli, tu anziché eseguire il rag la gente capisce o meglio cerchi di fargli capire che cerchi di far capire alla gente che deve invece utilizzare l'altro approccio, ovvero quello di scrivere all'ontologia select all books where location location io e a Francesco un attimino perché di nuovo sulle definizioni non sono sicuro che tutti i nostri ascoltatori sappiano che cos'è il rag. Il rag è una tecnica di recupero delle informazioni per i modelli linguistici di grandi dimensioni da dati strutturali, cioè è come se l'azienda che deve cercare i dati della knowledge base di tutta l'azienda, tutti i progetti, tutte le vendite, tutte le cose che fa non ha questi dati nel training dataset dell'intelligenza artificiale ma ce li ha in dei database separati e l'intelligenza artificiale o la gente Fa una rag, cioè una ricerca aumentata in cui deve andare a trovare esattamente un dato preciso che c'è nel database e quindi questo limita annulla praticamente le possibilità di allucinazione mentre se tu gli dessi tutti i dati dell'azienda nella rete neurale nel dataset di training, lui spesso ti risponde a tono però tu non puoi essere sicuro se ti ha risposto bene se ti ha risposto giusto se sei inventato tutto se sei inventato una parte della risposta. Oltre al fatto che ogni vendita dovresti rifare il completo training del modello invece i miei dati sono su quel database quando ti chiedo una fattura, vai sul database fattura e mi tiri giù. Quindi voi avete lavorate sia su un modello LLM che di cui fate voi il training? Prendete dei modelli che esistono. Modelli che esistono, i modelli su cui lavoriamo principalmente sono sempre modelli open source per questioni diciamo di token se volessimo utilizzare sempre i modelli diciamo in quelli grossi in cloud, quindi Gemini Claude, GPT eccetera. Fate fallire l'università, esattamente, sì praticamente faccio fallire i primi fondi di massimo. Poi i fondi miei che diciamo sono durerebbero un giorno e poi dopo quelli dell'università. infatti diciamo il rug lo vedo molto spesso quando lo spiega a qualcuno lo vedo sempre lo definisco sempre come il trade off tra il prompt engineering puro e il fine tuning perché alla fine alla fine della fiera quello è tu stai facendo un stai mettendo stai ovviando al problema del fine tuning che la necessità di un expertise grande sia perché devi mettere devi riaddestrare modelli e dimensioni colossali e anche lì i fondi di Max se ne vanno esattamente a voglia e anche lì nel caso un saluto ai fondi di Max in tutto ciò che ci ascoltano anche ci ascoltano esattamente stanno tremando in questo momento Un conto è addestrare questi modelli colossali e quindi necessiti di una potenza hardware non indifferente un expertise non indifferente perché poi magari la potenza hardware ce l'hai pure però come lo addestri sai come si addestra, se tu puoi fare un macello rovini tutti i pesi del modello e non funziona più niente lei è un macello. Il rug, come abbiamo detto prima, aiuta perché tu tutta la conoscenza ulteriore che vedere al modello la metti a parte, cioè c'è un secondo protagonista che è il Retriever che in questo caso a volte è un codice fatto ad hoc adesso può essere addirittura un agente che come hai detto prima può scegliere in che modo approcciarsi a questa base di conoscenza esterna. E quindi sì, diciamo perdonami rimanendo nell'esempio provando a semplificare, ma correggimi se semplifico troppo io digito in una casella di testo dimmi tutti i libri che parlano di Napoli del 1800 questa dice ok vuole capire tramite un LLM un modello Napoli 1800 quindi userò anzi subentrerà la gente capace di fare la ricerca che triggerato lanciato da queste parole chiave da questi concetti, anzi che fa la ricerca restituisce i dati in un formato standard che a quel punto il modello li condisce e ti restituisce perfetto ottima richiesta esattamente sì esattamente esattamente Certamente, ormai lavorando con gli LLM con gli agenti individui anche tu umano i pattern diventi come un killbot però umano che riesce a riconoscere facilmente se qualcosa è stato scritto o meno con l'intelligenza artificiale. Perfetto, alla fine anche noi siamo intelligenze artificiali, solo che non lo sappiamo. Non sappiamo chi ha fatto l'artificio non l'abbiamo abbiamo fatto delle ipotesi abbiamo fatto delle ipotesi ma non sappiamo bene chi ha fatto l'artificio Certo quali sono i modelli open che utilizzate che vanno per la maggiore? Sappiamo che Facebook è stato tra i primi meta a dire siamo in ritardo puntiamo sull'aprire i nostri modelli, però con anche regalando tutto la Cina che è famosa per l'apertura nelle politiche nel sociale eccetera per cui ha pensato Non si capisce perché è proprio loro hanno i modelli open anzi lo sappiamo che sono motivi di competizione eccetera stessi motivi per cui Google da Gemma di fatto e quindi cosa va per la maggiore adesso nel vostro ambiente? Attualmente noi utilizziamo, vabbè, Llama è un evergreen, quindi il 3.3 in particolare ultimamente stiamo utilizzando assai anche il modello open source di OpenAI che si chiama GPT OSS mi pare fortunatamente abbiamo macchine idonee per poterli caricare perché parliamo di modelli comunque andiamo sui 100 giga quindi serve comunque un po' di potenza computazionale per farli girare gira sul mio Raspberry 4 Forse può decollare, fa la missione Artemis 3, Raspberry che ci serve per far girare una Llama, farla girare bene fra l'altro. Attualmente modelli piccoli, quello poi alla fine dipende sempre da che tipo di approccio gli vuoi dare, perché se vogliamo fare se vogliamo parlare di agenti, quindi in cui c'è un'inferenza pesante in cui devono prendere scelte e quant'altro con modelli locali nelle tue macchine, io penso che o ti metti una sfilza di accento in parallelo come GPU Oppure attualmente abbiamo una sola GPU che è una 6000 con 48 giga di RAM e là se la cavicchia. Purtroppo modelli già quando arriviamo a 120 miliardi di parametri che è il caso del modello open source di OpenAI, già lì ad esempio, fa un po' fatica quindi l'idea è sempre quella di mettere le GPU in parallelo perché è il modo diciamo tra i 1000 virgolette più economico, perché comunque devi mettere in parallelo delle G più degne di nota. E comunque anche quello tutto in locale, tutto l'hardware in lo Esattamente esattamente se invece però ci sono vari trick tu puoi utilizzare per cercare di spingere meno il lato il lato hardware, ovvero ad esempio se tu l'LM che sta a valle del sistema ragg ad esempio che deve solamente rispondere alla domanda dell'utente e riceve già le informazioni che cui deve appoggiarsi per rispondere La puoi usare tranquillamente un modello piccolino, perché la c'ha l'imput c'ha l'istruzione ha il materiale deve solo rispondere deve solo occupare della parte generazionale della risposta, diciamo. L un un modello piccolino va bene un modello invece che quello ad esempio in che deve scegliere invece il come approcciarsi all'ontologia che deve costruire per bene la query per consultare l'ontologia eccetera lì conviene un modello diciamo un pochino più importante che capisce bene l'istruzione, anche perché come ben sappiamo questi questi modelli sono ben hanno diciamo la chiacchiera facile divagano facilmente se non sono ben pilotati quindi in contesti in cui ti serve ti aspetti un output preciso da un modello da un LLM e iniziano a divagare, ti smarmellano tutto tutta l'organizzazione e ci sono un po' di problemi poi. Dicevi quante a 100 monti? Attualmente nessuno abbiamo una 6000 l'ideale sarebbe Max apri il portafoglio per piacere Allora sto ordinandola giusto io poi Max la metto sulla tua carta sono 13.000 € l'una su Amazon oggi però consegno domani quindi tranquillo. domani che mi ha risposto un attimo Max è un argomento molto interessante Perfetto E vabbè, sperimentazione pura o avete in mente un prodotto, un caso di utilizzo o un cliente tra virgolette, un utilizzatore che potrebbe essere interessato al tipo di tecnologia che fate voi oppure a proprio base noi vogliamo pubblicare e poi saranno gli altri a pensare alle applicazioni specifiche. Allora, lato lato integrazione di ontologia, attualmente solo sperimentazione pura. Un po'' perché mi servono un po' di pubblicazioni per il dottorato, perché invece c'è la tesi da scrivere, eccetera, eccetera, quindi comunque ci si sta affondando in sperimentazioni su sperimentazioni per capire se la cosa funziona o meno e quanto funziona bene o se funziona male se si può sistemare o meno. Lato invece agentico in ultimamente ci stiamo comunque addentrando in Sperimentazioni che potrebbero poi diventare prodotti fruibili all'esterno, anche se attualmente è una competizione comunque aperta comunque ci stanno molti colossi che stanno lavorando su questo dalla mattina alla sera ti trovi sempre il nuovo ente XY che ha questo prodotto basato su programmazione agentica quindi lì non è banale quello che invece infatti noi cerchiamo di fare è sempre ritagliarci il nostro piccolino in questo caso ontologie e beni culturali per dare poi il nostro diciamo il nostro valore aggiunto, seppur di poco un esempio che fa Max è sempre quella della sfera della conoscenza in cui tu metti una piccola puntina all'esterno della circonferenza che poi nel complesso di fatto è nulla, però nel piccolo hai dato il tuo contributo in quella specifica nicchia Tra poco ti chiedo come si fa come si prepara la salsiccia, però dobbiamo ringraziare prima due minuti per ringraziare il nostro sponsor Squarespace questo episodio di Digitalia è sponsorizzato da Squarespace, la piattaforma all-in-one per creare la tua presenza online e farla crescere C'è stato nel momento un momento nella vita di ogni geek in ascolto siamo sicuri in cui creare un sito web era una forma di esplorazione un modo per imparare, smanettare e capire come funzionano le cose sotto il cofano, ma poi il tempo libero si riduce i progetti aumentano i plugin da aggiornare diventano una scocciatura e lì entra in gioco Squarespace il modo intelligente elegante e completo per costruire un sito professionale senza perdere settimane a litigare con i vari sistemi di publishing, le dipendenze e i DNS con il sistema Blueprint AI di Squarespace bastano pochi clic per generare una struttura su misura il sistema ti fa alcune domande che tipo di sito vuoi, lo stile, il tono, la palette di colori e ti propone un design perfettamente coerente, bello moderno, pronto da rifinire con il drag and drop Squarespace funziona davvero per ogni tipo di progetto dal portfoglio personale al blog tecnico fino al servizio online o alla landing page per un nuovo prodotto se poi offri servizi puoi anche gestire appuntamenti, vendere consulenze, inviare fatture personalizzate e ricevere pagamenti tutto dal sito e una volta pubblicato hai tutti gli strumenti per far crescere il tuo pubblico le newsletter automatizzate il SEO integrato strumenti per analisi per capire chi ti legge da dove a che cosa cerca puoi vendere veramente di tutto puoi vendere i corsi puoi vendere contenuti di ogni tipo tutorial semplicemente costruire la tua base di follower di clienti o di sostenitori e tutto quanto è sempre fully managed, cioè non lo gestisci tu niente aggiornamenti niente rischio di rotture improvvise niente notti insonni perché un'estensione è andata in conflitto dopo l'ultimo update e se serve supporto c'è l'assistenza 24 ore su 24 sette giorni su sette che risponde sono persone vere vere esseri umani non qualunque non da un call center in giro per il mondo, ma vi rispondono direttamente da un ufficio Squarespace per cui o lo sanno o lo chiedono nella porta a fianco agli ingegneri che sviluppano il sistema Provalo, provalo gratuitamente vai su squarespace.com slash digitalia senza la carta di credito non serve nessun impegno nessuna spesa, nessuna sorpresa quando però sei pronto a pubblicare usa il codice coupon Digitalia dà il diritto al 10% di sconto sul primo acquisto di un sito o di un dominio per cui codice coupon Digitalia 10% di sconto grazie a Squarespace per aver sponsorizzato anche questa puntata di Digitalia E salsicce esatto esatto vogliamo entrare in cucina Tu prima parlavi di Python perché immagino appunto che c'è del codice da scrivere non c'è solo da fare il training di questi modelli o il post-training o generare queste ontologie e fornirgliele poi ci vuole qualche cosa che faccia funzionare il tutto. Ci sarà il cuoco che si occupa appunto di girare ogni tanto se non si brucia tutto brucia Ecco tu sviluppavi già era già una tua competenza prima di iscriverti all'università era una tua era già un qualche cosa che avevi idea di andare in quella direzione. Allora, in realtà, no, è stata una è stato un un piacevole incontro, una piacevole sorpresa in particolare col dottorato, perché attualmente col dottorato smanetto programmo con LLM agenti eccetera, però io di formazione sono ingegnere elettronico quindi diciamo non era molto il mio diciamo non era incentrato proprio sul software esattamente esattamente infatti ho vari aneddoti più o meno divertenti sul come mi sono approcciato a a questo mondo in particolare con l'L ad esempio Con l'LM ad esempio, ho capito la loro potenza quando preso dalla classica serata in cui tu sbatti su un codice, perché non sai che come funziona che succede come mai non funziona poi noi sappiamo che Python in particolare un linguaggio di programmazione molto sporco tra virgolette viene definito spesso come un linguaggio di programmazione molto sporco. Desi una sera che non sapevo perché quel codice in particolare non funzionasse lo dai impasto all'LM, diciamo ma proviamolo anche perché erano i primi tempi, quindi molto spesso vedevi molte gaffe da parte di questi modelli, quindi c'era un po' di scetticismo poi tempo un mese, due mesi sono esplosi tutti quanti Diedi questo codice al modello e mi trovò in tempo record un errore che era letteralmente una variabile scritta un typ su una variabile che giustamente tu non noti o Python se ne fotte perché giustamente se dai un nome a una variabile quello fa tutto lui e quindi continua. Io avrei potuto perdere tutta la nottata a fare a cercare l'errore non l'avrei mai trovato e da lì ho incominciato più o meno ad approcciarmi, capire un pochino come funzionano non solo gli LLM ma anche come poterli utilizzare implementare in questi framework che sono dovete immaginarli come appunto dei codici classico codice Python con una pipeline di task che vengono eseguiti, dove poi a un certo punto fai o tramite chiamate API o tramite l'LM locale ci sta poi l'intervento dell'LM in fase generazionale che può essere ad esempio la scrittura di un report che è la cosa più semplice . per esempio generare inviare report l'output che si ottiene Oppure nel caso appunto delle ontologie, se tutta la programmazione Python si occupa di interrogare, quindi con le librerie specifiche e l'ontologia. però la query che effettivamente viene mandata all'ontologia viene generata dall'M dalla gente Quindi poi dipende sempre di volta in volta dove quelle dove la gente lo vuoi incastrare. Per quanto riguarda la programmazione, quindi la cucina vera e propria di questi agenti Attualmente in Internet si trova la qualunque tra N8N open clow che sono adesso sono sulle bocche di tutti per poter realizzare, diciamo in formato più o meno a chi visivo e chi un po' meno sistemi basati su agenti hai anche ai meno addetti ai lavori Io sia per questioni di diciamo appunto ricerca, perché su quello su cui lavoriamo è più sull'instaurare una metodologia su fare ricerca sulla metodologia e non su diciamo Il come utilizzare un prodotto già fatto e finito noi tendiamo a smanettare la tua codice integrare noi LLM con chiamate ad hoc all'interno dei nostri codici Python la gente viene strutturato in questo modo, noi iniziamo col codice programmiamo instanziamo l'LM, noi partiamo sempre dall'LM perché alla fine la gente diciamo homemade chiamiamolo così lo possiamo vedere come un LLM a cui fai notare l'esistenza di determinate funzioni Python o almeno questo è come io li creo. Quindi c'è l'LLM, dice l'LLM, guarda nel system prompt oppure in un prompt dedicato guarda io ti faccio questa domanda ti arriveranno queste tipologie di domande Hai questi strumenti da usare Hai questi strumenti che da un lato possono essere nei diciamo nei prodotti che trovi troviamo su Internet come mo viene sempre in mente N8N possono essere i tool, ovvero il link la Gmail, il GitHub eccetera che possono essere che sono quindi le chiamate API determinati servizi o con l'MCP e quant'altro nel caso diciamo a basso livello invece quello che io vedo come strumento in realtà è un codice Python scritto a ad hoc che dato un input ottiene in output in questo caso quello che si fa è dire all'LLM quel modello quella determinata funzione Python uno che tipologia di ingresso di input prende che tipologia di output dà è il docstring, ovvero un commento iniziale che si mette subito dopo la dichiarazione della funzione voi dovete immaginare i meno ai detti ai lavori che ascoltano una funzione Python ha inizialmente un iter un'intestazione iniziale che dice il nome della funzione la tipologia dell'input, la tipologia dell'autooutput. E poi dopo in genere ci sta subito il codice della funzione con il return che ti dà l'output. In genere tra l'intestazione e l'inizio del codice ci sta una parte di un commento chiamato, non vorrei fare una gaffe, mi pare si chiami docstring in cui si dice letteralmente quella funzione cosa fa questa funzione è quella che poi i sistemi di generazione e la documentazione estraggono per creare Esattamente esattamente. L'LLM di fatto non vede l'intero codice ma vede che quella funzione prende questi input prende questi output e legge quel docstring. Quindi sa che cosa serve esattamente e lì poi scegli autonomamente in base a quello che gli hai chiesto quale tu l' utilizzare, quale delle funzioni che tu gli dai a disposizione utilizzare. Ovviamente non è tutto tutto scritto a mano ci sono delle librerie che possono aiutare nella realizzazione di questi framework. Quelli su cui lavoro principalmente su cui ho lavorato principalmente sono stati agent development kit di Google e LangGraph che sono è correlato agli amici di Langchain che immagino conosciate Il primo, quello di Google è un pochino una programmazione più ad alto livello in cui gli stanzi letteralmente già la gente è pronto e gli dici cosa deve fare, quindi è più incentrato in parte al contesto proprio Google, quindi con Google Workspace e quant'altro. Un po' per la programmazione multiagentica che poi non so se riprenderemo magari dopo in cui abbiamo più agenti che fanno diversi compiono diversi task e tu, dato che quella libreria ti permette di instanziare già la gente bella e fatto in cui devi solamente dire che tu il fare cosa deve fare li metti insieme e ottieni il tua pipeline. LangGraph invece è quello che preferisco per i motivi detti sopra ti permette di avere un approccio un pochino più controllato ti permette di gestire esattamente il framework Di la pipeline del programma che tu vai a scrivere, quindi magari hai più libertà ovviamente devi smanettare di più perché devi configurare poi cose un pochino più sofisticate che ADK di Google non ti fa vedere gesti autonamente ti dà più libertà esattamente il pro e i contro sempre della programmazione più vai ad alto livello più non vedi quello che c'è sotto e ti sembra più facile però poi se vuoi smanettare un po' di più non lo puoi fare quando poi invece in situazioni di più basso livello è un po' +1 caos all'inizio però una volta che ci prendi la mano è più libertà e la voli, diciamo che riesci a fare un po' tutto quindi diciamo bene o male la programmazione gente che la faccio principalmente con LangGraph quindi immagino un problema cerchiamo di capire come strutturare facciamo esattamente quello che faccio di solito è creare realizzarmi un diagramma di flusso in cui mi immagini task per arrivare all'obiettivo di questo problema di questo progetto e lì inizio a pensare ok quali di questi blocchi può essere gestito da un collaboratore virtuale che quindi sarà un agente hai quale di queste quale di questi punti può essere meglio Diciamo utilizzato tramite gente che prende un attimo il controllo della situazione e ti dà già l'output pronto questo abbiamo ponendoci nell'esempio precedente, ad esempio nella scelta dell'approccio all'ontologia uno poteva sia fare una caterva di IF in cui si andava a capire che tipo di intenzione avesse abbia l'utente che vuole interpellare l'ontologia un conto è avere un agente in cui gli dici guarda tu ricevi in input una domanda di un utente stabilisci tu che cosa scritto da allora cerca per autore la funzione cerca search by e primo parametro in nome dell'autore. Esatto, questo è un punto di partenza poi quando inizi a prenderci un po' più mano e riesci già a capire se sono domande di tipo diciamo che fanno più influenza sul catalogo, quindi appunto domande di ricerca dei titoli standard, quindi dimmi tutti i libri pubblicati in tot. Che praticamente come che si potrebbero ottenere tranquillamente anche programmando su Excel nel catalogo in cui fai un film filter della colonna anno. Un conto invece ad esempio, come abbiamo detto prima, l'inferenza semantica, quindi di tutti i libri che parlano di questo di questo tema e qui la gente può intervenire, diciamo andando a interpellare l'ontologia o più approcci uno piuttosto che con un altro, un approccio combinato, fare ricerca su internet. Infatti, diciamo attualmente, io penso che il la distanza tra LLM agente si sta andando ad assottigliare sempre di più, perché noi diciamo la differenza sostanziale che in genere si dà per far capire quando è che si sta parlando di LLM e quando è che si sta parlando di agente un esempio che mi piace sempre fare, ad esempio è quello bisogna vedere l'LLM come una persona intelligentissima che sa tutto però vive in una camera chiusa senza finestre senza porte tu gli dai dei bigliettini da sotto la porta e lui pensa a una risposta lui pensa è una risposta la gente la stessa persona però col Wi-Fi è un computer che può cercare può darti una mano al Wi-Fi fare una ricerca più approfondita. E poi c'ha la calcolatrice poi c'è il compilatore poi c'attamente a me diverte quando chiedo un'operazione quanto fa 2 + 2 al mio LM di fiducia e scrive un codice Python per dare una risposta e questo è esattamente quello che dicevamo prima. Questo infatti io lo vedo come anche il l'altra faccia della medaglia di questa democratizzazione che si sta venendo a creare adesso con l'avvento degli LLM degli agenti che adesso aiuta anche i meno addetti ai lavori a realizzare codici per per soddisfare determinati diciamo task. Il problema qua poi diventa ok ma tu sai effettivamente cosa hai chiesto se effettivamente cosa ti sta arrivando in output. Se tu ricevi un codice da parte della gente dell'LM all'inizio peggio ancora dalla gente perché la gente raggiunge l'obiettivo che tu gli chiedi di raggiungere non è detto che quello che raggiunge è fatto a modo diciamo ad hoc come un un ingegnere del software realizzerebbe anche perché anche la gente viene chiamato dall'LLM quindi l'LM sceglie la quale agente chiamare ed è già una scelta arbitraria in più la gente deve poi creare ancora più arbitrario c'è un livello di arbitralità rischiosa. tu vedi la gente come l'LLM in realtà Il cuore della gente è l'LLM che ha questi tool alla fine questo lo possiamo riassumere in questo modo la gente con l'LM con dei tool a disposizione che infatti io dicevo prima che la distanza si sta assottigliando sempre di più perché noi di fatto questo attualmente stiamo vedendo con i GPT, Claude, che quando tu gli poni una domanda cercano su internet alla fine quello già è un qualcosa. Noi prima ad esempio mi ricordo che prima gli inizi proprio 2023 quando ho iniziato ad approcciarmi con questi sistemi quando era appena uscito ad esempio Llama loro questi avevano praticamente le fotografie temporali della loro conoscenza se tu gli chiedevi tutto fino a novembre 2022 esatto se tu diciamo se tu adesso chiedi a Llama 3.1 chi è il monarca in Inghilterra ti dirà la regina Elisabetta non ti dirà il principe il re Carlo III questo principe esatto a meno che siamo rimasti. Mentre i modelli attuali hanno l'MCP di Buckingham Palace e quindi interrogano l'M il famoso MCP di Buck chi comanda e l'MCP gli dice oggi comanda Carlo va bene no scusami nella differenza che è chiaro quello che stai dicendo che si stanno avvicinando sempre di più agenti e dell'LM io nella mia esperienza di quello che è il coding, così torniamo magari anche un po' su quel binario so che generalmente agli agenti viene cercato di dare il minor contesto possibile no tornando all'esempio di prima c'hai l'uomo super intelligente chiuso nella stanza senza finestra e poi lui passa dei bigliettini a tanti gnometti ognuno dei quali sa fare poco, ma lo sa fare proprio bene, cioè è più si dice contesto ridotto infatti tipicamente anche scope obiettivo e capacità questa cosa è ancora vera innanzitutto. Sì, anzi, questo è il motivo per cui appunto ci stiamo spostando a sistemi multiagente piuttosto che agente singolo, perché la gente singolo Tanti gometti Tanti gnometti esattamente. Ancora prima prima ci stava la gente singolo in cui tu gli da un'istruzione e lui in un modo o nell'altro soddiva di cercava di fare tutto in maniera controllata mi viene da dire in maniera anche legale, diciamo questo è sempre andiamo sempre a finire nel ok la gente peggio ancora dell'LLM perché l'LM quando ti risponde la peggior cosa che può succedere semplicemente è che ti diceva allucini possa fare la gente proprio perché è incentivare a dover raggiungere quell'obiettivo tu non hai controllo se non gli poni i di determinati paletti però può decidere di rapinare una banca per poter pagare l'abbonamento alla biblioteca e recuperare quell'informazione che esattamente esattamente. Certamente, ecco a te. Ah, ops, scusa, ecco. Da qui dicevo i sistemi multigente stanno diventando sempre più la moda del momento proprio perché avere più agenti che si devono focalizzare su una determinata cosa è meglio rispetto ad un agente grande, perché lì poi ci sta il trade off difficile tra ok mettiamogli dei paletti perché non deve fare cose strane, però poi se da solo comunque deve riuscire a fare bene o male tutto e lì si crea una situazione un po' invece se si crea proprio una catena di lavoro un po' esattamente come negli uffici qui ci sta un agente leader che gestisce i vari sottoagenti che o ricevono gli ordini che era uno dei i primi tipi di architettura all'inizio, quindi l'agente capo e gli agenti schiavetti che danno una mano che eseguono gli ordini ho detto dammi una mano perché poi ci sta l'architettura successiva in cui ci sta l'orchestratore E gli agenti sotto anche interagiscono tra di loro per poter magari raggiungere più facilmente l'obiettivo. Un esempio arriveranno al team agile prima o poi in cui tutto però esattamente ad esempio adesso purtroppo non ricordo bene perché ne ho parlato venerdì con un collega ci sta una situazione in cui si programmano dei siti dei tool verso l'esterno in cui ci sono una gente che si dedica unicamente al front end una gente che si dedica unicamente al back-end comunicano tra di loro e vanno avanti con la gente capo che li sorveglia controlla di passo passo che combinano e così fino al raggiungimento appunto dell'obiettivo facendo anche dei report in cui che si interscambiano anche tra di loro, insomma si sta creando tutta una situazione in cui Ti posso confermare che questo è un metodo che funziona e addirittura molto ancora più elaborato nel senso che tu hai chi scrive il front-end, chi scrive il back-end, quindi la parte visiva e la parte dietro Ma è anche magari quello che è responsabile di controllare che quello che è stato fatto risponda al prompt o hai quello che decide di verificare che tu non stia andando fuori dai binari, eccetera, eccetera poi c'è quello anche del sindacato che li mette in sciopero quando devono, ma questo è un altro. Sì sì ma lì le possibilità sono infinite no c'è quello che si occupa dell'int, c'è quello che si occupa della qualità del codice c'è quello che sì certamente. Io aggiungerei però che spero che questa diciamo non voglio dire deriva, ma questa nuova strada che si sta aprendo questa nuova novità tenda sempre comunque a tenere un occhio di riguardo per l'Human in the Loop, ovvero è vero che adesso abbiamo gli agenti. Cos'è questa cosa chiamata Human che non Dobbiamo vedere un pochino il system prompt di Francesco perché secondo me si sta un pochino. pochino sì sta andando in allucinazione. Non so se avete visto ci sta un sito attualmente che è basato su un sistema che prende le sembianze di Gandalf basato su sempre su. i sistemi gli LLM un gioco a livelli in cui questo LLM conosce una password e tu gliela devi Devi fargliela confessare Devi fargliela confessare ogni volta ci sono stati più tentativi del genere più cose del genere sono simpatici nel mondo delle criptovalute c'è anche lo fanno anche col gioco a premi. mettono un agente che ha il controllo di un wallet Bitcoin, un wallet lightning con una certa cifra e non deve dartelo e non deve e tutti sono liberi di provare a chiedergli qualsiasi cosa per far sganciare il denaro e se ne vedono è abbastanza simpatica l'interazione tutto un campo di studi anche quello è quello dell'interazione uomo macchina. Sì, anche perché tutto quello che siamo detti precedentemente, ovvero la gente che sorveglia la gente che fa questo la gente che fa quell'altro ci fa venire da pensare ok l'uomo che fa. E infatti molto spesso si viene viene da pensare ok la maggior parte dei programmatori dei developer avranno perso il lavoro. In realtà no per quello che vedo per come la vedo io, ad esempio è semplicemente un cambio di rotta su cosa poi deve fare l'umano, anche perché altrimenti vorrei dire non so se è un paragone che fila però secondo me sì. Io penso che i programmatori assembler del passato, quando sono usciti linguaggi di programmazione più ad alto livello, pure si siano messi le mani nei capelli, però non mi pare di aver visto mai notizie. di programmatori assembler che sono stati licenziati in tronco semplicemente come l'apprendista meccanico quando è stato inventato il cacciavite elettrico dice adesso il meccanico non ha più bisogno di me per stringere i bulloni e non bisogno peroni solo meccanici senior d'ora in poi esatto Infatti, secondo me questa cosa renderebbe renderà spero mi auspico se non prendiamo le rive strane il lavoro del developer un po' più secondo me affascinante perché qui non si passa dal programmare scrivere documentazione al secondo me avere una una visione migliore dei problemi perché qua ci andiamo a spostare dal andiamo a programmare noi al andiamo a dire al modello cosa deve fare. non è banale vuol dire che devi capire il problema prima il problema devi saperlo scomporre esattamente quindi praticamente se andiamo a spostare la complessità e poi dargli anche l'obiettivo perché quello che ho visto tantissimo nel mio utilizzo di questi strumenti è che quello che cambia enormemente il risultato è dargli la possibilità a questi strumenti di valutare da soli il risultato del loro lavoro, cioè la differenza è enormeme che ha fatto che hanno fatto l'introduzione di clode code e strumenti del genere erano la possibilità di verificare il loro lavoro, anche il primo gradino, cioè prima tu dicevi a ChatGPT scrivimi uno script che faccia questa cosa qui e lui te la dava la incollavi nell'editor lanciavi l'interprete Python e poi se avevi un errore lo copiavi lo incollavi dentro a ChatGPT e lui ti diceva oh già mi sono sbagliato e ti dava un'altra versione con questi strumenti con le prime versioni, semplicemente il fatto di generare il codice, farlo girare dentro l'interprete o il compilatore, vedere gli errori, correggere il codice lo faceva in loop da solo la gente perché aveva la possibilità macinando token nel frattempo è ovvio che è sempre di più, però è automatico e molto più veloce la produttività aumenta perché lui in quella maniera lì ti può darti un risultato finale che intanto compila. E poi può sorvegliare che il risultato sia corretto se tu gliene dai la possibilità e allora se gli dai una cosa un compito semplice per lui è semplice capire se sta dando un risultato corretto, ma per sistemi complessi, beh, quella lì è un'altra competenza che deve avere l'umano che gestisce questi strumenti, cioè formalizzare non solo il problema ma anche il risultato e costruire degli strumenti con cui la gente può valutare il risultato del suo lavoro e correggerlo e iterare finché il risultato è ottimizzato e questa è un'altra competenza che l'umano deve sviluppare che ha normalmente la sviluppava da sola perché scrivo il codice più o meno so cosa deve arrivare lo tiro faccio la prova vedo cosa succede invece devi insegnare a fare anche questo passaggio al tuo agente di turno e quella è un'ulteriore competenza che va raffinata. Ora addirittura con i sistemi spec driven devi proprio dirgli qual è l'obiettivo finale, quindi non solo che lo compili mappe, ma quelle sono pippe da voi ingegneri, spec driven, sono robe specifiche, voi dovete fare il manuale per tutto Gli ingegneri sputavano sopra il vibe coding perché e allora gli smandrappati del vibe coding ha detto va bene allora voi fate spec driven e noi facciamo intent driven Che praticamente un vibe coding col foulard, praticamente io penso che la verità sta nel mezzo, ovvero anche con l'avvento degli sistemi multiagenti in cui mo ognuno si fa il suo alla fine stiamo arrivando in un trade off anche in questo tra spec driven, intent driven tra lo spec driven in cui metti tutte le specifiche che deve soddisfare per arrivare ottimamente al risultato con quello intent driven che come abbiamo detto gli dai un'idea di cosa vuoi e poi vede lui cosa fare Con il multiagente stiamo comunque arrivando a un trade off ovvero prendi un agente, tu fai parte di questo sistema e questi colleghi tu devi fare questo questo e questo e lo fai. Idem tutti gli altri sottoagenti diciamo gli schiavetti, il capo supremo sopra E poi ci sono i sistemi che ti aiutano loro a scrivere specifiche, no? Cioè fai il vibe specking lo fai lanciare lo lanci e lui gli dice io voglio fare questa cosa qui e lui ti dice un attimo calma allora hai pensato che ci potrebbe essere questo problema lo vuoi risolvere con A, B, C o una cosa che mi dici tu Tu gli dici ma una via di mezzo tra e B ok altro problema questo questo hai pensato di che colore lo vuoi hai pensato così Dopodiché quando gli dai tutte queste cose qui, lui mumble mumble mumble macina token e ti fa un documento e ti fa un documento che è una specifica che è la specifica iniziale la specifica generale Dopodiché se tu la provi tu gli dici no c'è questo problema lui la modifica dopodiché la dà a un altro agente che fa un'ulteriore specifica implementativa ti dici vabbè questo lo faremo così questo faremo così è interessante perché ogni volta che c'è un passaggio che noi diciamo beh però c'è bisogno dell'umano che faccia questa cosa qui dopodiché trovano il modo di farla fare a un altro agente che però avrà bisogno di un altro input che farà l'umano, ma dopo un po' Adesso è rimasto l'input del picchio di Homer che deve dire sì alla fine ok prova prova prova esatto Vabbè, insomma, mi sembra che abbia fatto un escurso bello e interessante. Quanto avrai ancora da lavorare su questa cosa qui prima di arrivare alla fine del dottorato? Allora, sulla carta il dottorato mi finirà il 31 ottobre di quest'anno . Nel pratico ho una marea di cose da fare. Quindi ti tengono lì in stato di schiavitù totale nello scantinato del prof De Santo la primavera e l'inizio dell'estate c'è un po' di luce spesso succedeva che andavi e tornavi col buio. anche perché purtroppo il fatto è che stiamo in un momento la curva dell'hype sta all'apice tra una settimana ci saranno cose che renderanno la situazione attuale obsoleta quindi bisogna stare sempre sul pezzo bisogna non bisogna addormentarsi diciamo tissi di Artemis sono passati dietro la luna ha visto guarda la curva dell'hype girava anche quella e stavano ancora così sta ancora verso più avanti Io una cosa che spero che dico sempre anche a chi diciamo quando spiega qualche studente o quando mi portano a fare qualche lezione introduttiva su questi argomenti è stare sempre attenti a non atrofizzare il proprio la propria skill di ragionamento. Perché molto spesso si cade spesso nella nella trappola in cui questi qua questi modelli, questi questi agenti fanno tutto. Lasciamociamo a fare tutto a loro e poi come attualmente ci stiamo spostando dal o no andare via la corrente al o no non funziona cloud. Sì è vero, è vero. Comunque oggi ho pushato del codice sul mio GitHub e c'era scritto da Claude con un po' d'aiuto di Francesco. oramai la maggior parte del contrario no no ma il contrario lo sai che tra un po' cambiano l'eula e tutto il codice che ha quelle cose lì diventa di proprietà di Anthropic Ecco perfetto Ma anche attualmente anche i paper scientifici mo richiedono quasi tutti quando li sottometti a conferenze o a riviste. Adesso richiedono quasi tutti obbligatoriamente la sezione in cui scrive esplicitamente dove come quando è utilizzato strumenti di AI generativa per la scrittura perché ormai già lo sanno perché troppi chi inizia con la perché almeno come autore va per primo esatto dipende da come li usi oggi Bea mi ha stupito Bea era la figlia della mia compagna è praticamente la mia figlioccia studentessa di liceo classico molto molto molto impegna tanto e dei bei risultati siamo tutti terrorizzati perché questi strumenti dici che cosa faranno e che cosa ha combinato. E dove vedi l'inventiva e la voglia di utilizzare strumenti nuovi , ma non per fare meno fatica, ma per lavorare meglio è una cosa che io non avrei mai fatto, cioè io avrei preso GPT e avrei detto senti traducimi sta versione di latino perché non ce l'ho voglia la devo fare per domani ci ho altre 1000 cose da studiare. Lei oggi era lì che parlava al telefonino. Io entro sento che ripete che parla entro e dice ma stai ripetendo la lezione ogni tanto lo fa con qualche tua compagna tuo compagno di classe No, sto ripetendo a ChatGPT. Come che cosa stai facendo? Ce l'aveva messo, ChatGPT, in modalità che gli parli con la voce lei gli dettava come se fosse all'interrogazione della prof e gli ha detto guarda adesso io ti dico questa cosa sull'Orlando Furioso te ne parlo per cinque minuti tu trascrivi e poi dimmi se ho sbagliato qualcosa. Io io credo che dopo questo aneddoto posso dire che non ho capito nulla sul come sfruttare appieno questi mi ha appena data l'idea su come prepararmi per lezioni fantastico. ma nuovo millenio noi siamo del vecchio millenio come dicevamo all'inizio, quindi questo è un qualcosa di Noi pensiamo che quelli piccoli, quelli giovani siano tutti scemi con questi strumenti invece sono come noi, ci sono quelli scemi, ci sono quelli medici, ci sono quelli intelligenti ci sono i turbo le aquile bisogna solo selezionarli eccetera tanto la vita poi li seleziona li mette tutti più o meno nella casella giusta, eccetera però certo, questi strumenti ti possono atrofizzare il cervello ma ti possono anche mettere il turbo e se il cervello ce lo metti farti arrivare proprio dove nessun uomo è mai giunto prima dai Allora grazie mille a Rocco Rocco Loffredo ne sentirete parlare fra una grande strada se il professor De Santo non lo lascerà chiuso a morire di stenti nel laboratorio quello con le catene eccetera. Grazie Rocco davvero è stato veramente una chiacchierata piacevole. Grazie a voi Sono sicuro che anche ai nostri ascoltatori sia piaciuta questa chiacchierata, questo escursus ogni tanto ci piace riempire i buchi di digitalia con delle cose un po' più approfondite e un po' più viste dall'interno. Francesco, commentino finale, qualsiasi cosa. Ti vedo soddisfatto così commentino finale no sono soddisfatto sono soddisfatto è bello è bello imparare comunque come anche problemi che oggi sono prima parlavamo delle informazioni di biblioteche eccetera è un qualcosa che diamo o per assodato come un database o lontano da quello che è l'hype in questo momento invece no è una materia di studio che può creare un sacco di cose interessanti applicabili poi in altri settori e poi è quello che sta facendo Rocco e la sua squadra per cui bello bello ho imparato anche oggi qualcosa sono veramente molto contento. Sai se nel monastero del nome della Rosa avessero avuto nell'LM era tutto più facile. attenta a toccare i tasti giusti che uno di quelli avvelenato c'era la tastiera con l'arsenicocum perdonateci se vi spoileriamo un film di 40 anni fa o più o meno una roba del genere che deriva da un libro ma anche quello di 45 anni fa esatto non è consiglia una meraviglia è un si scherza E con questo direi che è tutto per questo speciale Dallo studio di Liguria uno di Sanremo, un saluto da Franco Solerio. Un ciao anche dallo studio di Milano Città Studi da Francesco Facconi e un ciao anche da Rocco Loffredo da Salerno. Ci sentiamo la settimana prossima, come sempre con una nuova puntata di Digitalia.