Junior AI & Automation Developer · ITS AI Solution Architect

Costruisco sistemi AI.
Dalla teoria alla pipeline.

Non mi fermo ai notebook. Ho confrontato architetture RAG e CAG nella mia tesi, costruito pipeline con agenti autonomi in due stage professionali, e portato sistemi reali dal notebook al deploy su cloud. Mi sono diplomato all'ITS Tech Talent Factory e sono disponibile da subito per un team che vuole crescere insieme a me.

Stefano Simone – AI Solution Architect

Elettronica, poi AI. Il filo è sempre lo stesso.

Ho studiato sistemi elettrici e automatici per cinque anni all'IIS "E. Alessandrini" di Abbiategrasso, poi ho capito che il sistema più interessante non era quello che conduce corrente — era quello che elabora dati.

Da lì ho scelto il corso AI Solution Architect all'ITS Tech Talent Factory di Milano, dove mi sono diplomato nel 2026.

Sono metodico, mi piace capire le cose fino in fondo e mi annoio quando tutto funziona troppo facilmente. Ho messo alla prova questo approccio in due stage professionali in Jobiri e nella tesi finale — e ora cerco un contesto a tempo pieno dove continuare a crescere con un team.

Da zero a sistema AI funzionante.

Non salto al codice senza capire prima il problema. Costruire un sistema AI che funziona davvero — e non solo nel notebook — richiede metodo, scelte architetturali consapevoli e test su dati reali.

  1. 01

    Capisco il problema

    Prima di scrivere codice, capisco cosa deve fare il sistema, su che dati opera e quali vincoli esistono: latenza, costo, privacy, volume. La scelta tecnologica viene sempre dopo.

  2. 02

    Scelgo l'architettura

    RAG o fine-tuning? Agente o pipeline statica? LLM in cloud o modello open-weight locale? Ogni scelta ha un perché — e le conseguenze si vedono in produzione, non nel notebook.

  3. 03

    Costruisco e testo

    Python, i framework giusti, dati reali. Testo i casi limite, non solo il golden path. Se qualcosa non funziona, voglio sapere perché prima che succeda fuori dal laboratorio.

  4. 04

    Deploy e monitoring

    Un modello che gira solo in locale non serve. Containerizzazione, API, deployment su cloud — e log per capire come si comporta il sistema quando scala.

Capitolo 04 — Il mio focus

Tre aree in cui vado in profondità.

Non tutto l'AI è uguale. Questi sono i tre campi in cui investo più tempo e attenzione — non perché siano di moda, ma perché cambiano concretamente cosa si può costruire.

01

LLM & Agenti autonomi

I modelli linguistici da soli non bastano. Studio come costruire agenti che usano tool, chiamano API, prendono decisioni in sequenza e si coordinano con altri agenti. È qui che l'AI smette di essere un chatbot e diventa un sistema.

02

RAG & Knowledge Graph

Come si porta un LLM a ragionare su dati aziendali specifici senza ri-addestrarlo? Retrieval-Augmented Generation, embedding, grafi di conoscenza: le architetture che rendono l'AI utile su dati reali e proprietari.

03

Cloud & Deploy

Un modello che gira solo in locale non serve a nessuno. Lavoro su Azure AI Studio, conosco AWS e GCP, e mi interessa il percorso dal notebook al servizio reale: containerizzazione, API, scalabilità.

Capitolo 05 — Cosa significano

RAG, LLM, Knowledge Graph:
cosa sono davvero.

L'AI è piena di acronimi. Ecco cosa c'è sotto — spiegato senza riempire tutto di tecnicismi inutili.

LLM — Large Language Model

Un modello come GPT-4 o Llama che sa produrre e interpretare testo in modo coerente. Potente ma generico: non conosce i tuoi dati specifici né quello che è successo dopo il suo addestramento. Da solo è uno strumento — non ancora un sistema utile.

RAG — Retrieval-Augmented Generation

La tecnica che rende l'LLM utile su dati specifici senza ri-addestrarlo. Prima di rispondere, il sistema recupera i documenti rilevanti dalla base di conoscenza e li passa al modello come contesto. L'LLM ragiona su dati reali e aggiornati a un costo molto inferiore al fine-tuning.

Knowledge Graph

Un modo per rappresentare le relazioni tra concetti in forma navigabile da una macchina. Dove un documento dice "A è collegato a B", un Knowledge Graph lo rende interrogabile con precisione — potente quando i dati hanno struttura relazionale complessa che un semplice vettore non cattura.

Agente autonomo

Un LLM dotato di strumenti: fa ricerche, chiama API, esegue codice, si coordina con altri agenti. Invece di rispondere a una domanda, prende decisioni in sequenza per completare un obiettivo. È dove l'AI smette di essere un chatbot e diventa un sistema capace di agire.

Approfondisci l'AI generativa →

Capitolo 06 — Oltre il curriculum

Quello che sto studiando adesso.

Queste non sono voci del CV. Sono domande aperte su cui sto lavorando — perché l'AI si muove troppo velocemente per aspettare che le risposte arrivino a lezione.

  • Fine-tuning vs RAG: quando ha senso quale

    Non sempre serve addestrare. Capire quando il retrieval in tempo reale batte il fine-tuning — per costo, latenza e manutenibilità — è una delle decisioni di design più pratiche che un AI architect deve saper fare.

  • Small models: Llama, Mistral, Phi-3

    I modelli open-weight stanno diventando seriamente capaci. Mi interessa il tradeoff tra un GPT-4o in cloud e un Llama 3 locale: privacy, latenza, costi e casi d'uso reali dove i modelli piccoli vincono.

  • Multi-agent orchestration

    Framework come LangGraph e AutoGen permettono di costruire sistemi dove più agenti AI si dividono il lavoro, si passano contesto e gestiscono errori. È la frontiera che trovo più interessante in questo momento.

Capitolo 07 — Esperienza

In campo.

Aprile – Giugno 2026 · Stage curriculare

Migrazione piattaforma corsi a Next.js

Jobiri

Migrazione della piattaforma corsi da due app Flask/SQLite separate a un'unica app Next.js/TypeScript con database PostgreSQL unificato (Drizzle ORM). Motore di ricerca full-text (tsvector, trigrammi pg_trgm), interventi SEO (slug, sitemap dinamica), containerizzazione Docker e CI/CD con GitHub Actions. 194 commit su 374 totali — online da giugno 2026 su jobiri.com.

Settembre – Novembre 2025 · Stage curriculare

Automazione editoriale con n8n

Jobiri

Progettazione e sviluppo di un flusso n8n che genera articoli con l'AI (API OpenAI), li pubblica automaticamente su WordPress e prepara i post per LinkedIn: 2–3 contenuti al giorno, con un risparmio stimato di circa 3 ore di lavoro manuale per articolo — il progetto che poi mi ha portato a costruire Radar AI, la newsletter di questo sito.

2023 · Stage curriculare

Supporto tecnico elettrotecnico

AMAGA S.p.A. · Abbiategrasso

Stage svolto durante l'ultimo anno di superiori. Affiancamento al team tecnico in attività di manutenzione e installazione di impianti elettrici. Prima esperienza concreta in un contesto professionale strutturato.

Vai al percorso completo →

Capitolo 08 — Formazione

Da dove vengo.

2024 – 2026

AI Solution Architect

ITS Tech Talent Factory · Milano

Corso biennale post-diploma su programmazione avanzata, machine learning, AI generativa e piattaforme cloud, con stage in azienda e project work in contesti reali. Tesi finale: confronto tra architetture RAG e CAG per un assistente conversazionale (PostgreSQL/pgvector, embedding multilingue, Llama 3.2 via Ollama). Diplomato nel 2026.

2019 – 2024

Perito Elettrotecnico ed Elettronico

IIS "E. Alessandrini" · Abbiategrasso

Sistemi elettronici, automatici e tecnologie informatiche — le basi tecniche da cui è partita la specializzazione in AI.

Certificazioni · Claude Academy (Anthropic)

Vai al percorso completo →

FAQ

Domande frequenti sull'AI

Le domande più comuni su intelligenza artificiale, su cosa ho studiato e su come posso essere utile in un ruolo a tempo pieno.

Disponibile subito · Tempo pieno

Cerco un team dove crescere mentre costruisco.

Se stai cercando qualcuno che conosca davvero l'AI — non solo in teoria — e voglia imparare lavorando, scrivimi.