Tutorial
How-to e guide pratiche sui dati
risultati
-
LLM cascade per la generazione RAG: partire dal modello piccolo, escalare solo se serve
Un benchmark su venti modelli locali contro un flagship hosted mostra che la dimensione non predice l’accuracy e…
-
Quali LLM locali girano davvero su una singola GPU da 24GB nel 2026
Quali LLM locali stanno davvero su una singola GPU da 24GB nel 2026 e come si spende la…
-
RAG: quando conviene passare i candidati al modello uno alla volta
Passare i candidati al modello uno alla volta, con un segnale di sufficienza a due booleani, taglia i…
-
Il prompt non basta: i quattro “bricks” del context engineering contro le allucinazioni RAG
La maggior parte delle “allucinazioni” RAG non nasce dal modello, ma da un brick a monte che gli…
-
Quanto di un workflow di data science gira su GPU oggi? La data preparation con cuDF e Polars
GPU acceleration non è più solo deep learning: con cuDF, cudf.pandas e il Polars GPU Engine molti workflow…
-
Branching dei database come il codice: il pattern CI/CD di Glaspoort su Lakebase
Glaspoort applica ai database OLTP lo stesso rigore del codice applicativo: ogni ambiente parte da un branch di…
-
Classificare documenti su 100.000+ label: il workflow vector search + AI Classify di Databricks
Databricks confronta vector search, AI Classify e chiamata diretta ai frontier model su tassonomie con oltre 100.000 label:…
-
Cost per successful outcome: la metrica che decide se un AI agent sopravvive
Un agente puo passare ogni metrica di qualita e costare piu delle persone che sostituisce. Come misurare il…
-
Fine-tuning di Qwen3 con LoRA usando NVIDIA NeMo AutoModel su una singola GPU
Un workflow completo su Google Colab per il fine-tuning parameter-efficient di Qwen3-0.6B con LoRA tramite NeMo AutoModel, dallo…
-
Dal warehouse ai vettori pronti per l’AI con le Embedding Columns di Fivetran Activations
Fivetran Activations aggiunge le Embedding Columns per generare embedding vettoriali dentro i dataset e nuove connessioni verso Pinecone…