Sviluppo Machine Learning e AI per Aziende: RAG, LLM Privati e Agenti

Sono Francesco Oghabi, ingegnere dell'informazione e sviluppatore freelance. Progetto e porto in produzione soluzioni di intelligenza artificiale per aziende italiane ed europee: assistenti che rispondono sui documenti aziendali, modelli linguistici installati sui server del cliente, agenti AI che automatizzano processi interni e assistenti vocali per l'accoglienza.

I Servizi di Sviluppo AI e Machine Learning

Il punto di partenza è sempre un problema concreto: troppo tempo perso a cercare informazioni, richieste ripetitive che occupano persone qualificate, dati che non possono uscire dall'azienda. Su questi problemi lavoro con cinque tipi di soluzione.

Servizio Problema che risolve Tecnologie principali
Assistenti RAG sui documenti Risposte rapide e verificabili su normative, manuali, contratti e procedure Python, FastAPI, ChromaDB, embedding multilingua, Claude o modelli open source
LLM privati on-premise Usare l'AI generativa senza inviare dati a servizi esterni Ollama, modelli open weight (Qwen, Llama, Mistral), GPU NVIDIA, API compatibili OpenAI
Agenti AI Automatizzare processi a più passaggi: triage, classificazione, ricerca, aggiornamento di sistemi Tool calling, MCP, Claude Code, integrazioni con ticketing e repository
Assistenti vocali e chatbot Rispondere a clienti e ospiti 24 ore su 24, in italiano, senza code al telefono Twilio, Deepgram, ElevenLabs, LLM, WebSocket
Pipeline dati e MLOps Portare in produzione modelli di machine learning in modo ripetibile e monitorato Kubernetes, AWS SageMaker, CI/CD, Docker

Assistenti AI sui Documenti Aziendali (RAG)

Un sistema RAG (Retrieval Augmented Generation) collega un modello linguistico ai documenti dell'azienda. Quando un utente fa una domanda, il sistema recupera i passaggi pertinenti e il modello risponde usando solo quelli, citando le fonti. È la soluzione giusta quando le risposte devono essere controllabili: normative, contratti, schede tecniche, procedure interne.

Cosa realizzo

  • Raccolta e pulizia dei documenti (PDF, Word, pagine web, database), suddivisione in frammenti e indicizzazione
  • Motore di ricerca semantica con embedding multilingua, ottimizzato per l'italiano
  • Risposte con citazione della fonte e rifiuto esplicito quando l'informazione non c'è
  • Interfaccia web o widget da inserire nel sito, API per integrare l'assistente in altri sistemi
  • Pannello per aggiornare i documenti senza intervento tecnico

Casi realizzati

  • Assistente sulla normativa di settore, in produzione per un committente del mondo dell'intermediazione commerciale: risponde a domande su contratti, provvigioni e indennità partendo da una base documentale curata e indica sempre il riferimento normativo.
  • Assistente fiscale e civilistico per studi professionali: 27 testi normativi indicizzati, risposte con rimando all'articolo di legge.
  • Assistenti di vendita per il commercio: un consulente virtuale per un'enoteca e uno per un negozio di fotografia, che consigliano prodotti partendo dal catalogo reale.

La stessa architettura, verificata su più progetti, permette di partire da un MVP funzionante in poche settimane e di estenderlo dopo, invece di ricominciare da zero.

LLM Privati On-Premise: l'AI che Resta in Azienda

Molte aziende non possono inviare documenti, codice o dati dei clienti a un servizio esterno, per contratto, per GDPR o per semplice prudenza. In questi casi installo un modello linguistico open weight sui server del cliente (o su un server dedicato in un data center europeo) e lo espongo con un'API compatibile con quella di OpenAI, così gli strumenti esistenti funzionano senza modifiche.

Cosa realizzo

  • Scelta del modello e dell'hardware in base al carico reale (dimensione, quantizzazione, memoria GPU)
  • Installazione e configurazione del server di inferenza, con autenticazione e log
  • RAG sui documenti interni e agenti con strumenti, tutto senza traffico verso l'esterno
  • Confronto di costi tra API cloud e hardware proprio, prima di comprare qualsiasi cosa

Caso realizzato

Piattaforma di assistenza allo sviluppo su GPU RTX 5090 con un modello Qwen da 35 miliardi di parametri servito da Ollama: API compatibile OpenAI, agente con strumenti per leggere ed eseguire codice, e RAG sulla documentazione ufficiale di Adobe Commerce (1.286 file, 8.106 frammenti indicizzati). Nessun dato esce dalla macchina.

Agenti AI per Processi Interni e Team di Sviluppo

Un agente AI non si limita a rispondere: esegue una sequenza di azioni usando strumenti (leggere un ticket, cercare nella documentazione, aggiornare un sistema, preparare una bozza) e si ferma quando serve una decisione umana. Funziona bene su lavori ripetitivi con regole chiare e un controllo finale.

Caso realizzato: second brain per due team di sviluppo

Per due team che sviluppano e mantengono piattaforme e-commerce ho costruito una base di conoscenza a livelli, letta dagli agenti, con skill dedicate dal ticket del cliente fino al rilascio. Alcuni numeri:

  • 228 ticket analizzati e smistati in circa 2,5 ore, lavoro che a mano richiede giorni
  • 18 duplicati individuati su 292 ticket classificati
  • 47 post-mortem trasformati in regole che gli agenti applicano prima di toccare il codice
  • 34 versioni di pipeline di deploy ricondotte a una sola

Ho raccontato metodo, numeri e limiti nell'articolo Second brain aziendale con agenti AI.

Assistenti Vocali e Chatbot per l'Accoglienza

Per hotel, studi e attività con molte chiamate ripetitive sviluppo assistenti vocali in italiano che rispondono al telefono o da un totem, capiscono la richiesta e la risolvono o la passano a una persona.

  • Receptionist telefonico AI: riconoscimento vocale, modello linguistico e sintesi vocale collegati in tempo reale, con obiettivo di risposta sotto 1,5 secondi per una conversazione naturale.
  • Totem vocale con avatar per la reception di un hotel: risponde agli ospiti su servizi, orari e dintorni, con un modello dei costi per chiamata calcolato prima dell'installazione.

Pipeline Dati e MLOps

Quando il progetto richiede modelli di machine learning classici (previsioni, classificazione, punteggi), la parte difficile di solito non è il modello ma tutto quello che c'è intorno: dati puliti, addestramento ripetibile, rilascio controllato, monitoraggio. Qui porto l'esperienza su Kubernetes, cloud e DevOps.

Esempio: piattaforma dati per un operatore logistico con migliaia di veicoli su AWS: oltre 10 milioni di eventi al giorno acquisiti con latenza sotto il secondo, data lake, training e inferenza dei modelli predittivi su SageMaker, costi ridotti di circa il 60% rispetto all'infrastruttura on-premise precedente.

Come Lavoro

  1. Call di analisi (gratuita, 30 minuti): capiamo il problema, i dati disponibili e se l'AI è davvero la soluzione giusta. A volte non lo è, e te lo dico.
  2. Prototipo su dati reali (1-3 settimane): una versione funzionante su un campione dei tuoi documenti o processi, con domande di prova concordate.
  3. Misura: verifichiamo insieme la qualità delle risposte su un insieme fisso di domande, prima di investire oltre.
  4. Messa in produzione: sicurezza, autenticazione, log, aggiornamento dei contenuti, documentazione.
  5. Affiancamento: formazione del personale e supporto nei primi mesi.

Prezzi e Tempi

Progetto Tempi indicativi Costo indicativo
MVP RAG su un dominio documentale 3-6 settimane 8.000-15.000 €
RAG enterprise (multi-utente, integrazioni, più domini) 2-4 mesi da 30.000 €
Pipeline MLOps (training automatizzato, registro modelli) 1-2 mesi 10.000-20.000 €
LLM on-premise, agenti AI, assistenti vocali dipende dal perimetro a preventivo, dopo la call di analisi

Per attività continuative lavoro anche a giornata. I progetti più strutturati, con hardware dedicato o gruppi di lavoro più ampi, passano da HellfireCloud S.r.l., la società che ho fondato.

Perché Affidarti a Me

  • Ingegnere dell'informazione iscritto all'Albo (n. 4533), con tesi magistrale del 2018 su deep learning LSTM applicato al rilevamento di malware.
  • Docente di Machine Learning e Python per università, bootcamp ed enti di formazione: vedi l'attività di formazione.
  • Consulente Tecnico d'Ufficio per il Tribunale di Ancona: abituato a documentare ogni scelta tecnica in modo verificabile.
  • Esperienza di produzione: oltre dieci anni su piattaforme e-commerce, cloud e Kubernetes. Un sistema AI è prima di tutto software che deve funzionare ogni giorno.
  • Un solo interlocutore dall'analisi al rilascio, senza passaggi tra commerciale e sviluppatori.

Hai un progetto AI o machine learning?

Raccontami il problema e i dati che hai a disposizione: in una call di 30 minuti capiamo se e come l'AI può aiutarti, e quanto costerebbe.


Francesco Oghabi
Ingegnere dell'informazione (Albo n. 4533), fondatore di HellfireCloud S.r.l.
Email: francesco@oghabi.it
LinkedIn: Francesco Oghabi

Domande Frequenti

Chi può sviluppare un progetto di machine learning o AI per la mia azienda?

Serve qualcuno che sappia sia costruire il modello sia portarlo in produzione. Francesco Oghabi è un ingegnere dell'informazione freelance di Ancona che sviluppa sistemi RAG, LLM on-premise, agenti AI e assistenti vocali per aziende in Italia e in Europa, dall'analisi al rilascio.

Quanto costa un chatbot RAG sui documenti aziendali?

Un MVP funzionante su un singolo dominio documentale costa indicativamente 8.000-15.000 € e richiede 3-6 settimane. Progetti enterprise con più domini, molti utenti e integrazioni partono da 30.000 €.

Posso usare l'AI senza inviare i dati a OpenAI o ad altri servizi esterni?

Sì. Un modello open weight installato sui tuoi server, o su un server dedicato in Europa, permette di usare RAG e agenti senza che documenti e dati escano dall'infrastruttura aziendale. È la scelta tipica quando ci sono vincoli di riservatezza o di GDPR.

Che differenza c'è tra un chatbot e un agente AI?

Un chatbot risponde a domande. Un agente AI esegue azioni con strumenti: legge un ticket, cerca nella documentazione, aggiorna un sistema, prepara una bozza e chiede conferma prima dei passaggi importanti.

Come si evita che l'AI inventi le risposte?

Con tre accorgimenti: il modello risponde solo sui documenti recuperati, cita sempre la fonte e dichiara quando l'informazione non c'è. La qualità si misura su un insieme fisso di domande di prova prima della messa in produzione.

Lavori anche fuori dalle Marche?

Sì. Lavoro da remoto con aziende in tutta Italia e in Europa, con incontri in presenza quando servono.

Vuoi approfondire?

Leggi come ho costruito un second brain con agenti AI per due team di sviluppo, scopri la mia attività di formazione su Machine Learning o i servizi AI di HellfireCloud.