#llm
risultati
-
L’AI scrive il tuo connector, ma il last mile resta lavoro tuo
Un coding agent scrive un connector in un pomeriggio. Fivetran spiega perché portarlo in produzione è tutt’altra storia,…
-
Directly Responsible Individuals: perché un agente non può essere il DRI
Simon Willison riflette sul concetto di Directly Responsible Individual applicato agli agenti LLM: un agente non dovrebbe mai…
-
Open model sotto pressione: Nathan Lambert e i sei mesi che contano
Su Interconnects, Nathan Lambert avverte che possibili misure di policy negli USA potrebbero relegare gli open model a…
-
Thinking Machines Lab: la tesi tecnica per un’AI human-centered sui model weights
Il laboratorio di Mira Murati sostiene che i valori umani vadano codificati nei model weights fine-tuned, non nei…
-
La soglia di un agente non è una percentuale: è un prezzo
Perché fissare un ESCALATION_THRESHOLD = 0.90 uguale per ogni decisione è un errore, e come derivare la soglia…
-
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…
-
Il collo di bottiglia dell’AI non è il compute, è spostare i dati
Sara A. Metwalli argomenta che i sistemi AI moderni non sono limitati dalla velocità di calcolo ma dalla…
-
Genie all’hackathon Databricks: interrogare, costruire e comporre agenti sui dati governati
Dal quinto hackathon Genie di Databricks, dieci progetti reali mostrano i tre modi di usarlo: interrogare, costruire e…
-
Databricks misura i coding agent sul proprio codice: cosa cambia su costi e modelli
Databricks ha costruito un benchmark interno sui propri milioni di righe di codice per capire quale coding agent…