#mlops
risultati
-
Il context engineering non basta: un esperimento di loop engineering senza LLM nel loop
Un benchmark Python deterministico e senza dipendenze isola una singola proprietà del loop engineering: la failure isolation. Un…
-
La scorecard di OpenAI per l’AI: useful intelligence per dollar
Sarah Friar, CFO di OpenAI, propone di misurare la spesa AI sul lavoro completato invece che sui token:…
-
Fine-tuning distribuito di modelli video e immagini con NVIDIA NeMo Automodel e Diffusers
NVIDIA e Hugging Face portano il training distribuito production-grade su qualsiasi modello in formato Diffusers, senza conversione dei…
-
Netflix e il serving degli LLM in casa: perché reinternalizzare l’inferenza
Perché Netflix ha scelto di costruire una piattaforma interna per il serving degli LLM: controllo, latenza, costi e…
-
Cinque asset da preparare prima di affidare più lavoro agli agenti AI
Prima di affidare lavoro ricorrente agli agenti AI serve definire il lavoro stesso. L’articolo propone cinque asset riutilizzabili:…
-
Dotmatics Luma e Databricks: dalla sperimentazione all’insight con dati scientifici AI-ready
Dotmatics Luma cattura e armonizza i dati degli strumenti di laboratorio, Databricks fornisce storage governato e AI a…
-
Whatnot acquisisce Shaped per le raccomandazioni in tempo reale del live shopping
La piattaforma di livestream shopping Whatnot acquisisce la startup ML Shaped, specializzata in recommendation e search in tempo…
-
Anthropic e Blackstone scommettono sull’implementazione: nasce Ode, non solo modelli
Ode with Anthropic è la società di implementazione AI da 1,5 miliardi di dollari nata dalla joint venture…
-
Pipeline PyTorch controllata da Gin Config: esperimenti riproducibili senza toccare il codice
Un tutorial pratico su come usare Gin Config con PyTorch per spostare i gradi di libertà sperimentali in…