Perché gli agenti AI hanno bisogno di livelli di governance
Gli agenti AI autonomi operano senza supervisione adeguata. Serve un'architettura di governance progettata per il controllo, la trasparenza e la responsabilità.
Leggi tuttoAI Governance
Governance degli agenti AI, verificabilità e conformità dei sistemi autonomi.
Dove cade il confine di un agente CLI dentro una sessione SSH
Un agente da terminale avviato dentro una sessione SSH lavora sul server, non sulla workstation: eredita quell'ambiente. La governance non sta nel prompt ma nel file dei permessi. Cosa garantisce e cosa lascia scoperto.
Leggi tutto
Pesi aperti e licenze: cosa rilascia davvero DeepSeek-R1
DeepSeek-R1 esce con i pesi sotto licenza MIT, ma la dicitura open weights copre solo i parametri: dati, codice di addestramento e procedura di RL restano fuori. Cosa cambia per chi deve auditare il modello.
Leggi tutto
Riconoscere un agente prima di poterlo fermare
Per governare un agente autonomo servono tre primitive: identificazione, diagnosi, intervento. Hanno gradi di maturità molto diversi, e l'asimmetria è il vincolo operativo principale.
Leggi tutto
Un LLM su Raspberry Pi 5: inferenza locale senza rete
Con i modelli da 1-4 miliardi di parametri usciti ad aprile 2024 e la quantizzazione GGUF, un Raspberry Pi 5 esegue un LLM senza connessione. È un vincolo di architettura, non un dato di prestazione: il testo che non lascia il dispositivo non subisce alcun trasferimento.
Leggi tutto
Reti neurali e annealing quantistico sulle reti elettriche
Applicare reti neurali a grafo e annealing quantistico al controllo delle reti elettriche apre un problema di verificabilità che le metriche di accuratezza non coprono.
Leggi tutto
TinyLlama: una pipeline di addestramento ricostruibile da terzi
TinyLlama 1.1B rilascia pesi, codice, dataset e checkpoint intermedi sotto Apache 2.0. Per la governance il valore sta nella catena che porta dai dati ai pesi, ispezionabile passo per passo, a prescindere dalla dimensione del modello.
Leggi tutto
GPT-NeoX-20B: che cosa rende "aperto" un modello
Il 9 febbraio 2022 EleutherAI rilascia GPT-NeoX-20B sotto Apache 2.0, con pesi, codice di training e datasheet del corpus. Una nota su governance del rilascio e riproducibilità.
Leggi tutto
La memoria unificata di Apple M1 e il machine learning locale
Il SoC Apple M1 (10 novembre 2020) tiene CPU, GPU e Neural Engine sulla stessa memoria, senza copie tra spazi separati. Note tecniche sull'architettura e su cosa cambia quando si decide dove far girare un addestramento.
Leggi tutto
Classificatori supervisionati per il controllo qualità in linea
Su una linea di produzione che usa il machine learning per scovare i difetti, il risultato dipende più dalle etichette e dalla stabilità ottica che dall'algoritmo. Note tecniche su feature, modelli e vincoli operativi.
Leggi tutto
Mettere un modello di machine learning in produzione
Addestrare un classificatore è la parte facile. Tenerlo in esercizio — serializzazione, deriva dei dati, riaddestramento, responsabilità sulle decisioni — è il conto che si paga ogni giorno.
Leggi tutto
Misurare l'aria da un veicolo in movimento
Montare i sensori di qualità dell'aria su un veicolo produce dati che la normativa sulle stazioni fisse non sa interpretare. Note tecniche sulla tracciabilità della misura, a partire dal sistema RIPEG.
Leggi tutto
Schemi che competono per il tempo di CPU: l'architettura di un runtime ad agenti cognitivi
Come un'architettura cognitiva schema-based diventa un problema di concorrenza: thread paralleli, energia di attivazione e allocazione delle risorse fra unità che competono, dalla lezione del Pandemonium di Selfridge alle implementazioni in C++.
Leggi tutto