#mlops
risultati
-
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…
-
Valutare gli agenti AI in produzione: il blueprint di Motorway e AWS
Motorway e AWS hanno costruito una pipeline di valutazione a tre layer per un agente conversazionale, portando le…
-
MLflow: le trace in Unity Catalog per i workspace con compliance security profile
Le MLflow trace arrivano nelle tabelle Unity Catalog per default sui workspace con compliance security profile: formato OpenTelemetry,…
-
Agenti in produzione: cosa insegna il caso monday.com su Amazon Bedrock
Come monday.com fa girare agenti AI in produzione su Amazon Bedrock dentro un code base decennale: architettura, cinque…
-
Valutazioni che passano, agenti che falliscono: il divario tra eval e realtà
Una survey su 157 aziende: metà ha spedito in produzione agenti che avevano passato le eval e poi…
-
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…
-
L’agente AI che superò ogni test: perché la finanza lo ha bocciato
Un agente AI supera tutte le metriche tecniche ma costa più degli umani che dovrebbe sostituire: perché serve…
-
Fraud detection su cloud warehouse: l’architettura dati prima del modello
Prima parte di una serie sulla fraud detection: perché gran parte del lavoro sta nell’ingestion affidabile e nella…
-
Fraud detection con BigQuery ML: dal database a un modello di classificazione
Una guida pratica per portare un dataset di transazioni con carta di credito da SQL Server a BigQuery…