Progettazione di sistemi AI

Prima di scrivere una riga di codice, l'AI Solution Architect deve risolvere un problema di design: quale approccio usare, quale architettura reggerà il carico, cosa succede quando qualcosa va storto.

La fase che viene prima del codice

Progettare un sistema AI non significa scegliere un framework e iniziare ad addestrare modelli. Significa capire il problema reale che il sistema deve risolvere, tradurlo in requisiti tecnici precisi, e scegliere l'architettura che li soddisfa nel modo più efficiente e manutenibile.

È la fase in cui le decisioni costano meno ma contano di più. Un'architettura sbagliata si scopre tardi, si corregge tardi, e porta con sé un debito tecnico che cresce mentre il sistema scala.

Le scelte fondamentali

Per ogni sistema AI, le domande di design precedono le domande di implementazione.

Modello preaddestrato o fine-tuning?

I modelli fondazionali (GPT, Claude, Llama, Mistral) coprono un'enorme varietà di compiti senza adattamento. Il fine-tuning ha senso quando il dominio è molto specifico, i dati di training sono disponibili e la qualità del modello base non è sufficiente. Scegliere il fine-tuning quando non serve è costoso e lento; non farlo quando serve porta a prestazioni inadeguate.

RAG o conoscenza nel modello?

Quando il sistema deve rispondere su dati specifici — documenti aziendali, knowledge base proprietarie, informazioni che cambiano nel tempo — RAG (Retrieval-Augmented Generation) è quasi sempre la scelta giusta: separa la conoscenza dal modello, la rende aggiornabile, la rende tracciabile. Il fine-tuning non è un sostituto per la conoscenza dinamica.

Agente o pipeline deterministica?

Un agente AI può prendere decisioni, usare strumenti, iterare. Ma più autonomia significa più imprevedibilità. Per molti casi d'uso, una pipeline deterministica — sequenza di passi con input e output definiti — è più affidabile, più testabile e più manutenibile di un agente che decide da solo cosa fare.

Modello locale o API?

Un modello ospitato in cloud (via API) è immediato da usare ma ha costi variabili, latenza di rete e dipendenza da un fornitore esterno. Un modello locale (self-hosted, quantizzato) ha costi fissi, latenza bassa e controllo dei dati, ma richiede infrastruttura e manutenzione. La scelta dipende dai volumi, dai requisiti di privacy e dalla critiicità della disponibilità.

Come si studia all'ITS

Nel percorso AI Solution Architect all'ITS Tech Talent Factory, la progettazione dei sistemi viene affrontata sia in modo teorico — modelli di architettura, pattern di integrazione, valutazione dei trade-off — che pratico, attraverso project work che simulano richieste reali: un cliente con un problema, un insieme di vincoli, e la necessità di produrre un'architettura giustificata e implementabile.

L'obiettivo non è imparare a costruire ogni tipo di sistema, ma sviluppare il metodo per ragionare su un sistema nuovo: identificare i requisiti rilevanti, escludere gli approcci inadatti, giustificare la scelta finale.

Analisi dei requisiti

Dal problema al requisito tecnico

Tradurre una richiesta in linguaggio naturale ("voglio un sistema che risponda alle domande sui nostri prodotti") in requisiti tecnici precisi: latenza massima, qualità minima delle risposte, volume atteso, integrazione con i sistemi esistenti.

Valutazione dei modelli

Scegliere il modello giusto

Benchmark, task-specific evaluation, valutazione costi/prestazioni. I modelli non sono tutti uguali: per ogni compito c'è un insieme di candidati plausibili e un metodo per scegliere tra loro.

Architettura del sistema

Componenti e interfacce

Definire i componenti del sistema, i flussi di dati, le interfacce tra componenti, i punti di fallimento e le strategie di recovery. Un buon diagramma di architettura è già metà del lavoro di implementazione.

Hai un progetto AI da discutere?

Ho concluso l'ITS Tech Talent Factory e cerco un ruolo a tempo pieno. Scrivimi.

Contattami Vedi i progetti