AI che risolve il problema, non solo la demo.
Porto un problema dai dati grezzi fino a qualcosa che gira in produzione — analisi, machine learning, LLM e agenti, valutazione, deployment, e il giorno in cui deve continuare a funzionare senza di me. Ricerca con revisione paritaria dietro una parte di questo lavoro, e un background da sistemista che si vede nel modo in cui costruisco.
La macchina fa la preparazione — la stesura, la ricerca, l’analisi, le ore ripetitive. La persona mantiene la decisione, e ciò che passa tra le due è un artefatto verificabile. È questo che rende l’AI utilizzabile dove il lavoro è reale: pubblica amministrazione, dati soggetti a vincoli, team senza un reparto ML.
Guarda come funziona nella pratica →Una sola persona su tutto lo stack: pipeline di dati, modelli, sistemi LLM e ad agenti, valutazione, deployment e il monitoraggio che viene dopo. Il problema non passa di mano quattro volte prima che qualcuno lo risolva davvero.
Guarda lo stack completo →Corrispondenza e documenti che consumano ore di lavoro. Conoscenza che nessuno riesce a trovare. Analisi che a mano richiedono una settimana. Materiale formativo che costa settimane-uomo di sviluppo. Portami il problema e ti dirò onestamente se l’AI è la risposta, e cosa servirebbe.
Guarda i problemi che ho risolto →Ogni progetto di questo sito è documentato per intero — l’architettura, i numeri e i limiti che preferisco dichiarare io invece di lasciarteli scoprire. Pubblicazioni con revisione paritaria su large language model e computer vision. Sistemista di mestiere: per questo costruisco per il giorno in cui deve funzionare senza di me, non per il giorno della demo.
Leggi la storia completa →
Chi sono
Da dove vengo, cosa ho realizzato e la ricerca che c'è dietro.
Leggi la storia completa →Progetti
Pipeline multi-agente, sicurezza DeFi, XR e fine-tuning di LLM.
Guarda i progetti →Video
Approfondimenti tecnici su AI, data engineering e strumenti.
Guarda →Stack
L'intera gamma — dagli LLM e dal RAG alla visione artificiale, ai dati e al deployment.
Vedi lo stack →Contatti
Disponibile per lavori AI/ML, collaborazioni o una buona conversazione tecnica.
Mettiti in contatto →Basi da sistemista, applicate all'AI.
L'amministrazione di sistema mi ha insegnato come le cose si rompono. L'AI mi sta insegnando a costruire cose che non lo fanno.
Sono un data scientist e AI systems builder che lavora sull'intero stack — analisi dati, machine learning, deep learning e large language model, dal training e fine-tuning fino a inferenza, valutazione e deployment.
Attualmente lavoro come IT officer e amministratore di sistema, occupandomi di infrastruttura di rete e sicurezza. Quella base sistemistica pratica confluisce direttamente nel modo in cui costruisco e metto in produzione sistemi AI, non solo nei notebook.
Il lavoro recente spazia da pipeline LLM multi-agente all’analisi di sicurezza DeFi allo sviluppo VR/AR, con pubblicazioni sottoposte a revisione paritaria su large language model e computer vision.
Costruisco il sistema, poi resto il supervisore.
I lavori qui sotto hanno una forma in comune: spezzare un problema difficile in fasi che una macchina può eseguire da sola, rendere ispezionabile ogni passaggio di consegne tra quelle fasi e tenere una persona nel ciclo dove il giudizio conta davvero — non ovunque, e non da nessuna parte.
Tutti i progetti →Pianificazione, generazione, replay, valutazione — il lavoro lo fa la pipeline. Il compito è decidere che cosa dovrebbe fare e accorgersi quando sbaglia.
T-Rax — Generazione multi-agente di codice Unity
Una pipeline multi-agente in stile LangGraph — agenti orchestrator, planner ed executor — che pianifica e genera codice C# per scene Unity…
Il problemaCreare un singolo scenario di training XR costa settimane-uomo di sviluppo, così le organizzazioni che avrebbero più bisogno di esercitazioni finiscono con tre scenari invece che con una libreria.
Gmail Assistant
Un agente n8n orchestrato che redige risposte Gmail contestuali con Claude, negozia e prenota riunioni sulla disponibilità reale del calendario e…
Il problemaLa corrispondenza di routine divora ore di lavoro del personale: smistamento, botta e risposta per fissare gli appuntamenti e nessun quadro affidabile di ciò che resta da evadere.
SmartReco
Una pipeline di sicurezza DeFi in quattro fasi che unisce l'analisi statica di Slither al replay dinamico delle transazioni basato su REVM. Testata su 17 protocolli principali —…
Il problemaGli analizzatori statici consegnano ai team lunghi elenchi di forse — segnalazioni su cui nessuno può agire, e l'assuefazione agli alert che finisce per nascondere quella vera.
Approfondimenti tecnici, registrati dall'inizio alla fine.
L'intero stack, non una sua fetta.
Sei aree, e gli strumenti che uso in ciascuna. Dove un progetto o un paper presente su questo sito sostiene un'area, c'è il link — il resto è lavoro in corso o non ancora pubblico.
LLM & Fine-tuning
Training, fine-tuning e valutazione di modelli linguistici end to end — costruzione dei dataset e ablation sulla qualità, adattamento parameter-efficient, quantizzazione per inferenza su CPU ed edge, e messa in servizio del risultato dietro un'API.
Ablation di fine-tuning →Agenti & Orchestrazione
Sistemi multi-agente in cui la pianificazione è separata dall'esecuzione, ogni agente ha un solo compito e i passaggi di consegne sono ispezionabili. Uso di tool, parsing di output strutturati, retry e idempotenza per workflow che girano senza supervisione.
T-Rax e il Gmail Assistant →RAG & Knowledge
Pipeline di retrieval dal chunking e dagli embedding fino al reranking e alla generazione ancorata alle fonti, e il versante knowledge graph dello stesso problema — tradurre domande in linguaggio naturale in query strutturate su un grafo.
Paper WAILS 2025 →Computer Vision & XR
Rilevamento 3D monoculare di oggetti, generazione di dataset e costruzione di benchmark sul versante della ricerca; interazione con tracciamento delle mani e generazione di scene per visori sul versante applicativo.
RoadSense3D e VR Hand Interfaces →Dati & Analytics
Lo strato sotto ogni modello — ingestion e streaming, pulizia e feature engineering, analisi statistica con le assunzioni dichiarate, e visualizzazioni che portano un'interpretazione invece che solo un'immagine.
Walkthrough della pipeline real-time →Deployment & Infrastruttura
Portare i sistemi in produzione e tenerli in piedi: infrastruttura ML containerizzata, server GPU e compatibilità CUDA, reverse proxy e TLS, più la disciplina di sicurezza di rete che viene dal gestire l'IT di una pubblica amministrazione.
Pipeline di sicurezza SmartReco →Parliamone.
Disponibile ad ascoltare proposte di lavoro AI/ML, collaborazioni o semplicemente una buona conversazione tecnica. Quattro modi per raggiungermi — scegli quello che preferisci.
Il modo più affidabile per raggiungermi. Leggo tutto e rispondo come si deve.
marcosau.dev@gmail.comStoria professionale completa, ruoli e formazione, sempre aggiornati.
/in/marcosauGitHub
Il codice dei progetti presenti su questo sito, più esperimenti minori.
@Marco-SauYouTube
Approfondimenti tecnici su AI, data engineering e gli strumenti che ci girano attorno.
@MarcoSau1981