Tutorial
How-to e guide pratiche sui dati
risultati
-
Prevenire il churn con un AI agent: come Fivetran unifica i segnali
La risposta a “perché questo cliente ci ha lasciato?” non sta mai in un solo posto. Il racconto…
-
Sette passi per alimentare gli AI agent con Fivetran e Google Cloud
Dalla connessione dei dati al lineage end-to-end: i sette passi con cui Fivetran, dbt e Google Cloud costruiscono…
-
Come assemblare una Open Data Infrastructure, livello per livello
Una guida pratica ai cinque layer che compongono una Open Data Infrastructure: storage, file format, table format, compute…
-
Analizzare EdgeBench: tassonomia, leaderboard e scaling law degli agenti AI
Un tutorial per analizzare EdgeBench in Python: parsing dei task, leaderboard dal README, curve log-sigmoid sul tempo di…
-
Costruire un runtime di inference LLM da zero: le lezioni di un motore CUDA per Qwen2.5-Coder-7B
Un motore CUDA da zero per Qwen2.5-Coder-7B su H100: perché possedere il decode stack, i numeri rispetto a…
-
Model governance con MLflow: tracciare esperimenti e riprodurre i risultati
Requisiti che cambiano, dati nuovi, metriche diverse: lo sviluppo di un modello diventa presto un caos. Una guida…
-
srt-slurm: il framework NVIDIA per benchmark riproducibili di LLM serving su SLURM
srt-slurm di NVIDIA trasforma configurazioni YAML dichiarative in workflow di benchmark SLURM riproducibili per il serving distribuito di…
-
AI transparency: cosa documentare tra governance, explainability ed EU AI Act
Una guida per distinguere AI transparency, explainability e interpretability, capire cosa impone l’EU AI Act (Articoli 13 e…
-
Data mesh su Redshift: condivisione cross-account governata con SageMaker Unified Studio
Come usare Amazon SageMaker Unified Studio per condividere dati Redshift tra account con logica data mesh: architettura a…
-
Far girare i coding agent per 24 ore: permessi, verifica e review
Con la review umana diventata il collo di bottiglia, alcune tecniche per far lavorare i coding agent per…