Python | 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.

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.

Network Topology Analysis and Machine Learning Techniques for Systemic Risk Prediction in U.S. Equity Markets

Thu, 15 Jan 2026 00:00:00 +0000

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.

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.

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.