Accedi Iscriviti

Ricerca

Qui raccolgo i miei lavori di ricerca sull'intelligenza artificiale applicata. Partono da domande pratiche, quelle che incontro progettando agenti e sistemi per il marketing e per le aziende, e provano a rispondere con dati verificabili.

I miei studi sull'intelligenza artificiale

Ogni studio segue le stesse regole:

  • protocolli congelati prima delle esecuzioni, con ogni deviazione dichiarata;
  • ogni numero si ricalcola dagli script e dai dati pubblicati;
  • codice open source e dati aperti, dove le licenze dei fornitori lo permettono;
  • risultati negativi riportati come tali: dicono dove un metodo non conviene;
  • uso dell'intelligenza artificiale dichiarato: gli agenti di programmazione hanno scritto codice ed eseguito esperimenti sotto la mia direzione; domande, protocolli e decisioni di pubblicazione sono miei.

I lavori sono preprint pubblicati su Zenodo.

Agents Read More Than They Use

Learning Tool-Output Projections from Execution Traces, and When They Pay Off, preprint, 2026 (versione 2).

Gli agenti AI pagano in token decine di campi degli output dei tool che non usano. Lo studio impara dalle loro esecuzioni quali campi servono davvero e toglie il resto: nelle misure dal vivo il costo per esecuzione scende del 30% e del 24% su due agenti. Lo accompagna tracetrim, una libreria open source.

How Far Does Zero-Shot Go?

A Leakage-Aware Evaluation of TimesFM 3 on Post-Release, Multivariate and Controlled Data, preprint, 2026.

TimesFM 3, il modello di Google per le previsioni sulle serie temporali, guida i benchmark pubblici, che però usano dati vecchi e pubblici. Lo studio lo mette alla prova senza addestramento sul compito (zero-shot), con un protocollo congelato prima di scaricare i dati di test: su dati reali pubblicati dopo la sua uscita, su due previsioni sigillate prima che gli esiti esistessero e su 7.600 compiti sintetici controllati. Su carico elettrico, prezzi dell'energia, meteo e portata dei fiumi l'errore è più basso del 16% rispetto a un insieme di modelli classici fissato in anticipo; su cambi, tassi d'interesse e petrolio fa peggio della semplice ipotesi che domani sia come oggi. Il vantaggio dipende dalla struttura delle serie, e l'affidabilità degli intervalli di previsione va controllata a parte.

When Are Decision Models Worth It?

An Empirical Comparison with Small Task-Specific Classifiers, preprint, 2026.

Quando conviene usare un grande modello linguistico per una decisione (decision model), e quando basta un piccolo classificatore addestrato in locale sul compito specifico?

ORCID: 0009-0008-6975-996X · Codice: github.com/alepom