Side Quest | Stefano Blando

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.

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.