Chi sono

Sono Data Scientist e ML Engineer, con una formazione in statistica. Laurea triennale in Scienze Statistiche a Bologna (110 e lode, 2018), magistrale in Data Science a Milano-Bicocca (108/110, 2022).
L'ordine conta: penso prima in distribuzioni, poi in modelli.

La mia linea di lavoro è ML probabilistico e sistemi ad agenti LLM, ma non mi fermo al modello. Ho portato in produzione prodotti end-to-end — dall'ingestion alla modellazione del warehouse, passando per training e valutazione, fino alla UI su cui clicca davvero un utente. Il motivo è egoistico: un modello che non arriva a un utente è un paper, non un prodotto, e a me i prodotti interessano di più.

In questo momento sono Data Scientist in Menumal: disegno e implemento la data platform aziendale. Ingestione da fonti eterogenee con Airbyte, trasformazioni in dbt, orchestrazione su Temporal.io, record linkage probabilistico con Splink, Postgres sotto, Metabase sopra. Decisioni di produzione documentate, riconciliazione verificata, sicurezza verificata.

Prima di Menumal ho passato quasi tre anni in Tomato AI come Full-Stack Developer e AI Engineer, riscrivendo un SaaS della ristorazione da PHP legacy a Next.js + Django + PostgreSQL in team da tre, migrando clienti attivi sulla nuova piattaforma e costruendo moduli AI per revenue management e monitoraggio prezzi fornitori sulle API OpenAI. Deployment ibrido AWS + Vercel. Dal 2019 faccio anche consulenza indipendente per PMI, su market research, segmentation e modellistica leggera — mi tiene allenato.

In parallelo sto costruendo vague — una libreria Python che rappresenta la memoria di un agente LLM come Gaussian Mixture Model nello spazio degli embedding, invece di una lista di chunk recuperabili. Due primitive testate su LongBench (3 task × 2 modelli). GaussianBelief ha F1 al pari del naive RAG — il valore è strutturale: belief state componibili, aggiornamento incrementale, merge analitico tra agenti come parametri della mixture. SummaryBelief (sperimentale) comprime il contesto iniettato 15–40×: su modelli piccoli/quantizzati (Qwen3-8B-4bit) recupera +30–65% di F1 sulla miglior baseline, su un frontier model (Haiku 4.5) costa −15%. Un trade-off ingegneristico vero, misurato. Integrazioni con Anthropic SDK e LangGraph. Pre-release; i numeri sono reali, l'API non è ancora congelata.

Una linea coerente passa anche dal lavoro accademico — tesi magistrale su un framework per word embedding non distorti, e un progetto separato su classificazione fair adversarial. Responsible AI non è un'etichetta aggiunta dopo: è il modo in cui sono stato formato a pensare.