Intermediate Durata stimata: 22 h 0 m

AI Engineering: dai modelli locali agli agenti in produzione

Percorso pratico per sviluppatori che vogliono lavorare con i Large Language Model: si parte dall'esecuzione di modelli in locale con Ollama, si passa allo sviluppo con framework come LangChain e agli agenti di coding, fino all'automazione dei processi e alle pipeline RAG. L'obiettivo è portare soluzioni basate su LLM dal prototipo alla produzione. Prerequisito consigliato: il percorso «Da Docker a Kubernetes», poiché la fase finale prevede il deploy degli agenti su cluster.

Per chi è: Sviluppatori e automation engineer che vogliono integrare gli LLM nelle proprie applicazioni e nei flussi di lavoro.

AI Engineering: dai modelli locali agli agenti in produzione

Programma del percorso

1

Fondamenta: LLM in locale

Offline LLM: Local Language Models with Ollama

Corso

Local AI Coding with Continue, Ollama and VS Code | Alternative to Copilot and Claude Code

Corso

Ollama – documentazione

Risorsa

Prompt engineering e valutazione delle risposte

In arrivo In arrivo

Manca: tecniche di prompting, controllo dell'output e come misurare la qualità.

Quiz di verifica: LLM in locale

Quiz
2

Sviluppo con LLM e framework

LangChain JavaScript - Complete Developer Guide

Corso

Claude Code with C# and .NET – Complete Guide to AI Coding Agents

Corso

LangChain JS – documentazione

Risorsa

Embeddings e vector database (fondamenti del RAG)

In arrivo In arrivo

Manca: rappresentazioni vettoriali, similarità e indicizzazione dei documenti.

Quiz di verifica: framework LLM

Quiz
3

Automazione e RAG

n8n with LLM: HR Automations with AI (Complete Guide)

Corso

n8n with LLM: RAG for NIS2 and AI Document Analysis

Corso

n8n – documentazione

Risorsa

Quiz di verifica: automazione e RAG

Quiz
4

Oltre il testo e messa in produzione

Computer Vision in the Browser with JavaScript: Webcam, TensorFlow.js and MoveNet

Corso Opzionale

LLM for Kubernetes with Minikube – Build Your Local Agent

Corso

Hugging Face – documentazione

Risorsa

Fine-tuning e adattamento dei modelli

In arrivo In arrivo

Manca: quando e come personalizzare un modello sui propri dati.

Osservabilità, costi e sicurezza degli LLM

In arrivo In arrivo

Manca: monitoraggio, controllo dei costi, prompt injection e guardrail.

Progetto finale: agente LLM in produzione

In arrivo In arrivo

Lab conclusivo: dall'idea al deploy di un agente completo.

Quiz di verifica: produzione LLM

Quiz