Progetti | Stefano Blando

Multi-Agent Orchestration

Wed, 18 Mar 2026 00:00:00 +0000

Questo progetto puo essere letto come un sistema di coordinamento economico in tempo reale sotto fasi mutevoli, informazione parziale e vincoli temporali stringenti.

Il sistema e strutturato come un livello di orchestrazione multi-agente event-driven. Ascolta il gioco tramite eventi SSE, mantiene una rappresentazione runtime dell’ambiente e cambia strategia in base alla fase corrente: aggiornamento della policy, asta di procurement, riconciliazione dell’inventario e fulfillment.

Cio che rende interessante il progetto non e solo l’uso di piu agenti, ma il modo in cui l’orchestrazione e legata alla robustezza operativa. In fasi diverse si attivano insiemi diversi di capacita, mentre persistenza locale, metriche e replay analysis aiutano a rendere le decisioni piu stabili in condizioni runtime rumorose.

In pratica, e un buon esempio di progetto in cui il design agentico doveva poggiare sull’affidabilita esecutiva e non soltanto su prompting generico. Il pattern piu profondo e il coordinamento basato su aste con vincoli di inventario e gestione della domanda.

Interactive Explorer

L’app interattiva si concentra sul nucleo ingegneristico del progetto: event loop live, stato runtime condiviso, interazione stilizzata tra agenti, agenti specifici per fase, partizionamento delle capacita, memoria limitata e replay dei KPI.

E presentata intenzionalmente come runtime architecture explorer, non come una falsa dashboard di benchmark. L’obiettivo e rendere leggibile la logica di orchestrazione nello stesso linguaggio visivo usato per le app Island Model e PFSE, con enfasi su coordinamento, aste e fulfillment.

RiskSentinel - Simulatore Agentico di Rischio Sistemico

Sun, 15 Mar 2026 00:00:00 +0000

RiskSentinel e un simulatore agentico di rischio sistemico costruito attorno a una domanda che trovo insieme pratica e concettualmente interessante: se un grande nodo finanziario viene colpito da uno shock, come possiamo rendere la propagazione di quello stress visibile, confrontabile e spiegabile in tempo reale?

Sviluppato per il Microsoft AI Dev Days Hackathon 2026, il progetto combina tre modelli di contagio, analytics topology-aware e un workflow multi-agente bounded sopra dati di rete di mercato di livello research-grade. Lo scopo non e solo simulare le cascades, ma renderle piu facili da ispezionare tramite interazione in linguaggio naturale, visualizzazione interattiva e confronto tra modelli.

Cio che fa funzionare il progetto e la combinazione di livelli che spesso restano separati: un vero motore di simulazione di rete, un’interfaccia che rende i risultati esplorabili e un livello agentico che aiuta a interpretare cio che sta accadendo senza fingere di sostituire il motore quantitativo sottostante.

Il risultato e un prototipo pratico per il monitoraggio del rischio sistemico, a cavallo tra finanza quantitativa, sistemi complessi e supporto decisionale assistito da AI.

Puoi esplorare il progetto qui:

Island Model + MultiVeStA - Statistical Model Checking della Crescita Economica

Fri, 06 Mar 2026 00:00:00 +0000

Questo progetto riproduce ed estende l’Island Model di Fagiolo e Dosi (2003), un modello agent-based fondamentale della crescita economica endogena, usando MultiVeStA, uno strumento per lo statistical model checking sequenziale di sistemi stocastici.

Il paper e stato accettato a MARS @ ETAPS 2026 (Workshop on Models for Formal Analysis of Real Systems, European Joint Conferences on Theory and Practice of Software).

Lavoro con Giorgio Fagiolo, Daniele Giachini, Andrea Vandin ed Ernest Ivanaj (Scuola Superiore Sant’Anna).

Pagine collegate: , e .

Cosa fa il modello

L’Island Model cattura la crescita endogena attraverso l’interazione di tre tipi di agenti eterogenei che operano su un fitness landscape:

Miners sfruttano la loro nicchia produttiva corrente, accumulando competenze nel tempo
Imitators copiano l’agente visibile con maggior successo, diffondendo conoscenza nell’economia con probabilita φ
Explorers cercano nuove isole casualmente, guidando l’innovazione ed evitando il lock-in

L’intuizione chiave e che la tensione tra exploitation ed exploration, parametrizzata da ε, genera dinamiche di crescita autosostenute senza richiedere progresso tecnologico esogeno.

Cosa aggiunge MultiVeStA

L’analisi Monte Carlo standard usa un numero fisso di simulazioni senza garanzie formali sulla qualita della stima. MultiVeStA applica sequential statistical model checking: esegue le simulazioni in modo adattivo, fermandosi solo quando l’intervallo di confidenza al 95% su E[logGDP] e piu stretto di δ=0.05 a ogni istante temporale. Questo fornisce una garanzia formale di precisione: la dimensione campionaria e determinata dalla varianza dei dati, non dal ricercatore.

La nostra analisi conferma l’ottimalita di un’esplorazione moderata (ε ≈ 0.1), riproduce tutti gli stylized facts del modello originale e stabilisce tramite analisi controfattuale con Welch t-test che 6 confronti su 7 tra coppie di parametri producono traiettorie di crescita statisticamente distinguibili. L’unica eccezione (ρ=3.0 vs ρ=5.0) rivela un effetto di saturazione nella localita della conoscenza.

Interactive Explorer

L’app interattiva permette di esplorare il modello dal vivo: osservare gli agenti muoversi nel paesaggio tecnologico, seguire le cascata di imitazione e gli eventi di esplorazione, eseguire l’analisi di sensibilita MultiVeStA su α, φ e ρ, e vedere come converge il campionamento sequenziale.

Ottimizzazione Robusta di Portafoglio sotto Disruption Sistemiche di Mercato (PFSE)

Fri, 06 Mar 2026 00:00:00 +0000

Questo progetto introduce il Parallel Factor Space Estimator (PFSE), un framework ibrido per la stima robusta della covarianza che risolve un trade-off fondamentale nel portfolio management istituzionale: gli stimatori robusti tradizionali (MCD, Tyler) offrono forti garanzie statistiche ma sono computazionalmente impraticabili per il ribilanciamento giornaliero di oltre 100 asset, mentre i metodi efficienti (Ledoit-Wolf, sample covariance) hanno breakdown point nullo contro contaminazioni sistematiche.

PFSE sfrutta un’intuizione strutturale: durante disruption sistemiche di mercato, come flash crash, shock di politica monetaria o contagio di crisi, i movimenti estremi si propagano attraverso fattori comuni, non componenti idiosincratiche. Concentrando la stima robusta in uno spazio fattoriale ridotto di dimensione k (k=5 contro p=100-1000), PFSE eredita il breakdown point del 25% da MCD ottenendo al tempo stesso 32x speedup computazionale.

Lavoro con Alessio Farcomeni (University of Roma Tor Vergata). Sottomesso a Computational Economics (Springer), marzo 2026.

Risultati principali

Validato attraverso tre stadi complementari:

Monte Carlo (p=100, ε=10% contamination): PFSE Sharpe 1.42 vs 0.96 per sample covariance, mantiene il 97% della performance clean-data mentre la sample covariance degrada del 31%
Backtest S&P 500 (2015-2025): Sharpe out-of-sample 1.87 vs 1.63 (+14.7%), max drawdown -24.3% vs -34.1% (-29%) durante il COVID-19, turnover -42%
Cinque scenari di stress: PFSE rank-1 in tutti gli scenari, Sharpe medio 1.67 vs 1.39 (+20%), minima variabilita della performance (CoV 0.041 vs 0.064)
Valore economico: $72M di benefici in periodi normali + $93M in periodi di stress per ogni portafoglio da $1B, rapporto benefici-costi 31:1

Interactive Explorer

L’app interattiva permette di esplorare tutti i risultati: eseguire live l’algoritmo di stima PFSE, confrontare i metodi all’aumentare della contaminazione, esaminare la scalabilita computazionale e ispezionare i rendimenti cumulati dell’S&P 500 nei quattro regimi di mercato.

PokéNexus

Wed, 04 Feb 2026 00:00:00 +0000

PokéNexus nasce da una cosa molto semplice: amo i Pokemon da quando ero bambino e a un certo punto ho voluto unire quel mondo con il tipo di strumenti e idee che oggi mi piace costruire.

Il risultato e una app Streamlit che trasforma l’universo Pokemon in uno spazio interattivo dove visualizzazione di grafi, meccaniche di gioco e dati guidati da API si incontrano. Ho usato NetworkX, PyVis e Plotly per esplorare relazioni tra tipi ed entita, mentre PokeAPI fornisce il livello dati live per creature, evoluzioni e informazioni collegate.

Invece di essere solo un grafo statico, il progetto e cresciuto fino a diventare un piccolo sistema giocabile: si possono gestire team, conservare strumenti, raccogliere medaglie e sovrapporre diversi cicli di progressione alla visualizzazione. Questo mix di struttura, esplorazione e gioco e esattamente cio che ha reso divertente costruirlo.

Non e un progetto di ricerca, e non pretende di esserlo. E un esperimento personale in cui una passione d’infanzia incontra il modo in cui oggi penso a reti, interfacce e applicazioni Python interattive.

Analisi della Topologia di Rete per la Previsione del Rischio Sistemico

Sat, 10 Jan 2026 00:00:00 +0000

Questo progetto corrisponde alla mia tesi CESMA sulla previsione del rischio sistemico nei mercati azionari statunitensi. La domanda di fondo e semplice ma importante: la topologia di rete puo dire qualcosa di utile sullo stress di mercato prima degli indicatori standard?

Usando dati giornalieri di 210 componenti dell’S&P 500 (2013-2025), il progetto combina reti di correlazione dinamiche con modelli di machine learning che vanno dal gradient boosting alle Graph Neural Networks come GraphSAGE e GAT. L’obiettivo non e solo l’accuratezza di classificazione, ma l’utilita economica sotto vincoli realistici di validazione e backtesting.

Il risultato piu interessante e che i segnali derivati dalla rete sembrano contenere vera informazione di early warning, soprattutto attorno a stati di mercato severi e strutturalmente fragili. Nelle configurazioni migliori, il framework migliora sia il timing sia la performance di trading rispetto a baseline piu semplici.

Questo progetto e affiancato dalla relativa pagina tesi, dove lo stesso lavoro e presentato come publication entry.

NLP e Analisi di Reti Semantiche

Sat, 10 Jan 2026 00:00:00 +0000

Questo progetto e l’implementazione tecnica alla base della pubblicazione “A Multi-Method Validation Framework for Large-Scale Multilingual Text Analytics” (JADT 2026, in review). Operationalizza l’intero workflow analitico usato nel paper, dalla preparazione dei dati alla validazione cross-method e al confronto dei risultati.

La pipeline combina moduli in R e Python su un grande corpus multilingue di recensioni, includendo: preprocessing e TF-IDF, LDA topic modeling, LSA e Correspondence Analysis, sentiment analysis lessicale e model-based, clustering e analisi di reti di co-occorrenza. Il repository include anche script di validazione cross-platform per confrontare gli output dei metodi e verificare la stabilita strutturale tra implementazioni.

L’obiettivo centrale e la robustezza metodologica: verificare quali risultati restano consistenti quando cambiano metodi, famiglie di modelli e componenti specifiche della lingua. In questo senso, il progetto non e una generica demo NLP, ma una pipeline di ricerca riproducibile progettata per la validazione quantitativa di conclusioni di text analytics.

Sistema di Raccomandazione Avanzato

Fri, 20 Jun 2025 00:00:00 +0000

Questo progetto e stato sviluppato nel Master CESMA in collaborazione con TIM. Invece di formulare il problema come un classico task di classificazione, il sistema e stato progettato come pipeline learning-to-rank per raccomandare la next best action.

Questo cambio di impostazione conta perche il ranking e piu vicino alla decisione di business reale: non solo stabilire se un’azione sia buona o cattiva, ma quale debba venire prima per uno specifico utente.

La pipeline combina validazione accurata, ottimizzazione bayesiana e strategie di ensemble ranking. Il risultato finale e un miglioramento sostanziale rispetto alla baseline su NDCG@5, rendendo il progetto un buon esempio di machine learning applicato sotto vincoli di valutazione realistici.

Sintesi delle performance:

Stage	NDCG@5 Score	Improvement vs Baseline
Baseline Model	0.5030	–
Best Single Model	0.6838	+35.94%
Best Ensemble	0.6852	+36.23%

Nel complesso, e uno degli esempi piu chiari del portfolio di come un task ML familiare possa essere riformulato in modo piu coerente con il problema decisionale reale.

Agente AI per il Real Estate

Wed, 05 Mar 2025 00:00:00 +0000

Questo progetto esplora come un agente AI possa essere usato come livello pratico sopra un workflow predittivo piu tradizionale. In questo caso il dominio e il real estate: stima dei prezzi, analisi di mercato e interazione con l’utente su domande legate agli immobili.

Il progetto combina modelli di valutazione con un’interfaccia basata su LLM per l’interazione in linguaggio naturale e l’orchestrazione a livello di task. La parte interessante non e solo il wrapper agentico, ma il tentativo di collegare modelli predittivi a un front-end piu utilizzabile per esplorazione e supporto decisionale.

Fine-Tuning Leggero con PEFT e LoRA

Wed, 20 Nov 2024 00:00:00 +0000

Questo progetto si concentra su una domanda pratica in NLP: quanta adattazione utile si puo ottenere da un modello pretrained senza pagare il costo completo del fine-tuning totale?

Usando LoRA su distilbert-base-uncased per sentiment analysis, la pipeline mostra che un sottoinsieme molto piccolo di parametri allenabili puo comunque produrre un netto salto di performance rispetto alla baseline zero-shot. Il progetto riguarda quindi meno la massima benchmark accuracy e piu la comprensione del trade-off tra performance ed efficienza.

Costruita nell’ecosistema Hugging Face, l’implementazione copre valutazione, configurazione LoRA, training e inferenza in un setup leggero che resta accessibile anche su hardware modesto.

Previsione del Rischio nelle Reti Gas

Fri, 01 Nov 2024 00:00:00 +0000

Questo progetto e stato sviluppato per l’Hera Group Hackathon, dove ha ottenuto il 2 posto. Il compito era rilevare il rischio di perdite gas in un contesto dominato da forte sbilanciamento, eventi rari e incertezza operativa.

La pipeline combina feature engineering geospaziale-temporale con data augmentation sintetica tramite CTGAN e TimeGAN, e usa poi SHAP per mantenere il modello finale interpretabile e non soltanto predittivo.

Quello che continuo ad apprezzare di questo progetto e il suo equilibrio tra pragmatismo e metodo: e un progetto da hackathon, ma riflette gia un approccio che uso spesso, cioe rendere piu robusti problemi predittivi difficili senza rinunciare alla spiegabilita.

Editor Fotografico AI con SAM e SDXL

Sun, 10 Mar 2024 00:00:00 +0000

Questo progetto esplora l’intersezione tra computer vision precisa ed editing generativo delle immagini combinando Segment Anything (SAM) con Stable Diffusion XL.

L’idea di base e semplice: la segmentazione fornisce controllo esatto su cio che va modificato, mentre l’inpainting basato su diffusion offre la flessibilita generativa necessaria per modificarlo davvero. Questo rende il sistema utile non solo come demo, ma anche come esempio concreto di integrazione tra modelli discriminativi e generativi nello stesso workflow.

Sviluppato in Python con PyTorch, Diffusers e Gradio, il progetto supporta masking interattivo, sostituzione di oggetti e generazione dello sfondo mantenendo la pipeline abbastanza leggera da funzionare anche su hardware consumer con le giuste ottimizzazioni.

Chatbot Personalizzato con RAG

Thu, 15 Feb 2024 00:00:00 +0000

Questo progetto usa un dominio volutamente piccolo ma strutturato per esplorare un’idea piu ampia: come rendere piu affidabili gli output dei language model ancorandoli a contesto recuperato.

Il chatbot e costruito attorno a un dataset curato di personaggi immaginari e usa una pipeline RAG completa con embedding, retrieval e prompt conditioning. Il dataset e giocoso, ma il punto metodologico e serio: il retrieval cambia il comportamento del modello da completamento generico a ragionamento vincolato dal contesto.

Poiche i dati sottostanti sono semanticamente ricchi, il sistema puo gestire non solo question answering ma anche confronto tra personaggi, raccomandazione ed esplorazione basata su tratti. Questo lo rende un esempio compatto ma utile di progettazione NLP guidata dal retrieval.