Quasi tutti i sistemi AI si rompono tra una demo che funziona e un sistema che funziona. Retrieval che deriva, agenti che non si riprendono, valutazioni che non intercettano niente. Io lavoro in quello spazio. Sistemi backend, retrieval, agenti, valutazione.
Software Engineer di formazione. Sistemi backend, integrazioni e infrastruttura per quattro anni, prima che l'AI si mangiasse il mondo. Il focus attuale è retrieval, agenti e valutazione: lo strato tra un prototipo che funziona e un sistema che regge in produzione.
Gli interessi adiacenti sono rimasti. Data engineering, computer vision, sistemi distribuiti, qualche desktop app in Rust e i fondamenti di informatica a cui torno sempre. L'ampiezza è tutta su GitHub.
Lavoro tramite Eleventh Solutions oppure a contratto diretto.
Ogni incarico segue una pipeline di esecuzione strutturata: dal design del sistema al monitoraggio in produzione. Ogni fase ha deliverable chiari che ricevi alla fine.
La prima settimana serve a capire il sistema, non a scrivere codice. Vincoli, forma dei dati e metriche di successo vengono nominati e quantificati prima di costruire qualsiasi cosa.
Prima end-to-end, poi l'ottimizzazione. Uno scheletro di sistema che gira su dati veri produce domande più affilate di qualsiasi lavagna.
Le sensazioni non sono una metrica. Ogni modifica viene misurata su un eval set versionato, e le regressioni si intercettano prima del rilascio, non dopo la segnalazione di un cliente.
Produzione significa: dietro autenticazione, dietro rate limit, con un runbook per il giorno in cui si rompe. Tutto il resto è una demo, non un deploy.
Rilasciare non è finire. Costi, latenza e metriche di eval contro la produzione chiudono il ciclo: il sistema migliora con l'uso invece di degradare in silenzio.
Eleventh Solutions · MS-CS, University of Colorado Boulder
Costruisco sistemi AI tramite Eleventh Solutions (eleventh.dev). Retrieval, agenti, valutazione e l'infrastruttura backend che ci sta sotto. Il lavoro attuale include NexusRAG (piattaforma RAG multi-provider), SentinelID (computer vision biometrica on-device) e il livello di esecuzione durabile per workflow ad agenti. Codice su GitHub.
Indipendente · Sistemi backend, integrazioni, infrastruttura
Lavoro backend indipendente per clienti in settori diversi. Integrazioni API, data pipeline, tooling interno, infrastruttura. I quattro anni in cui si sono formate le abitudini ingegneristiche, prima di puntarle sull'AI.
Prima del 2020: operatore multi-settore tra Italia, Regno Unito, Irlanda, Stati Uniti, Australia e Cina. Riconoscimento di pattern, comunicazione interculturale, esecuzione sotto vincolo. Non è la storia ingegneristica, ma influenza il modo in cui definisco lo scope.
“Gran parte del lavoro è la parte che non è il modello.”
Applicato alle parti che non si vedono: valutazione del retrieval, percorsi di fallimento, disciplina dei runbook. Le parti visibili lo ereditano.
Scritta per l'ingegnere che eredita il sistema, non per l'audit. Ogni repo ha un README vero, e ogni sistema ha traccia del perché è stato costruito così.
L'architettura, il deploy e la documentazione descrivono lo stesso sistema. Nessuno scarto tra ciò che è stato costruito e ciò che se ne dice.
Agente AI freelance a nodo singolo, supervisionato da un operatore e alimentato dall'API Anthropic Claude. Pipeline di esecuzione end-to-end (Scout, Qualify, Propose, Execute, Deliver, Follow-up) su tre tracce: enterprise, engineering e webdev. Livello di intelligenza a ciclo chiuso con rilevamento del prompt drift, coda di active learning, previsioni Monte Carlo sui deal, calibrazione bayesiana dei prezzi e attribuzione dei costi per singola chiamata LLM.
Piattaforma RAG multi-provider con backend intercambiabili e output multi-modale (testo e voce sintetizzata). Orchestrazione LangGraph, ricerca semantica pgvector, backend FastAPI, deploy Docker multi-servizio. Document intelligence con retrieval strutturato e osservabilità completa.
Autenticazione biometrica in stile passkey con anti-spoofing e liveness detection. Shell desktop Tauri + Rust, backend CV in Python, dashboard Next.js. Computer vision on-device: nessun round-trip verso il cloud, nessun dato facciale grezzo che lascia il dispositivo per default.
Lavori fuori dal focus AI. Alcuni precedono il lavoro attuale, altri sono in corso. Il filo conduttore è la disciplina ingegneristica applicata a problemi che non riguardano i modelli linguistici.
Disponibile per lavori a contratto e collaborazioni continuative. Retrieval, agenti, valutazione, sistemi backend. Descrivi qui sotto cosa stai costruendo.