Tutorial
How-to e guide pratiche sui dati
risultati
-
Orchestrare oltre 100 agenti con Claude Code: la modalita’ headless e l’agente coordinatore
Salire di un livello di astrazione: parlare a un agente che ne coordina molti altri in modalita’ headless.…
-
Loop engineering: come autoresearch trasforma un agente in un ciclo di ricerca ML
Il loop engineering sostituisce il botta e risposta manuale con un ciclo che pianifica, agisce e verifica da…
-
Interrogare un data lake in locale con DuckDB, MCP e Claude
Un tutorial Fivetran mostra come interrogare tabelle Iceberg dal laptop: DuckDB come motore, un server MCP come ponte…
-
Il long context ha un costo: un layer di prompt-pruning deterministico per sistemi LLM
Nelle conversazioni LLM lunghe il prompt cresce all’infinito, accumulando token ridondanti che aumentano costo e latenza. Un pipeline…
-
Amazon Quick Sight: join a runtime con le Multi-Dataset Relationships
Le Multi-Dataset Relationships di Amazon Quick Sight portano i join a runtime tra dataset separati. Guida ai due…
-
DDP, ZeRO, FSDP: la strategia decide quanto comunichi, il cablaggio quanto ti costa
Un’analisi misurata di DDP, ZeRO e FSDP su A100 e H200. La conclusione controintuitiva: sullo stesso nodo, quattro…
-
Costruire un data science agent autonomo con DeepAnalyze-8B su GPU T4
Un tutorial per trasformare DeepAnalyze-8B in un agente di data analysis: caricamento in 4-bit su GPU T4, esecuzione…
-
Migrare da Azure Synapse a Databricks: cosa aspettarsi davvero
Databricks ha pubblicato un playbook di campo per passare da Synapse al lakehouse. Le parti interessanti non sono…
-
PySpark oltre le basi: partizioni, shuffle, join e piani di esecuzione
Passare a un livello intermedio in PySpark significa soprattutto capire il movimento dei dati: partizioni, shuffle, join, caching,…
-
Fine-tuning spiegato dalle basi: come i modelli pretrained imparano nuove capacita’
Cos’e’ il fine-tuning, perche’ non si capisce senza il pretraining e quando conviene davvero rispetto a un prompt…