AI Projects

• Sistema AI full-stack con tool-based retrieval che trasforma un sito WordPress in un assistente AI professionale, utilizzando pattern ReAct di LangGraph per fornire risposte intelligenti sui contenuti personali (progetti, articoli, certificazioni)
• Architettura multi-layer con 9 tools specializzati per direct API access via WordPress REST API, content processing avanzato e conversation memory persistente cross-page per esperienza utente seamless
• Frontend React widget con sicurezza enterprise-grade (20+ pattern XSS detection), design mobile-first responsive e plugin WordPress completo con admin panel per configurazione e monitoring
• Deploy production su Railway con FastAPI backend, LangSmith observability per debugging avanzato, gestione errori robusta e performance ottimizzate (<2s response time)
• Evoluzione da agenti AI manuali del corso Ed Donner a sistema production-ready che rappresenta professionalmente il brand online con ROI misurabile

Tecnologie utilizzate: LangGraph, FastAPI, React, WordPress Plugin Development, LangSmith, OpenAI API, Railway, Advanced Prompt Engineering, Security Multi-Layer

• React Agent AI che raggiunge 60% di accuracy sul benchmark GAIA, specializzato in task multi-modali che richiedono reasoning, web search e analisi file
• Implementazione del pattern ReAct usando LangGraph per orchestrare 15+ tools specializzati (YouTube analysis, audio transcription, spreadsheet processing, web research) in cicli reasoning→action iterativi
• Sistema di automazione completo per benchmark testing con rate limiting, gestione errori robusta e format validation per compliance GAIA, incluso pipeline CI/CD con testing automatizzato
• Architettura production-ready con LangSmith tracing per debugging avanzato, state management robusto e configurazione modulare per diversi provider LLM
• Progetto finale del corso HuggingFace AI Agents

Tecnologie utilizzate: LangGraph, LangSmith, OpenAI API, Anthropic Claude, Tavily Search, YouTube Transcript API, Whisper, Pandas, AsyncIO,

• Sistema completo per la classificazione automatica di titoli di notizie in quattro categorie utilizzando un modello DistilBERT pre-addestrato

• Pipeline ML end-to-end che include preprocessing dei dati, fine-tuning del modello, ottimizzazione degli iperparametri e deployment serverless
• Risoluzione di sfide chiave come rate limiting del tokenizer

• Applicazione avanzata che utilizza CrewAI per orchestrare agenti AI specializzati nella preparazione ai colloqui di lavoro, offrendo un'esperienza personalizzata e interattiva
• Un sistema modulare con tre agenti principali (Research Agent, Interview Coach, Interview Agent) che collaborano per ricercare aziende, generare domande e fornire feedback sulle risposte
• Interfaccia utente intuitiva sviluppata con Streamlit che guida l'utente attraverso il processo di preparazione, dalla ricerca alla simulazione di colloquio
• Architettura flessibile basata su file YAML per la configurazione degli agenti, permettendo facile manutenzione e personalizzazione multilingue

• Sistema multi-agente basato su LangGraph che implementa l'approccio "Generate then Fix" per la creazione di ricette personalizzate con target nutrizionali specifici
• Un agente generatore crea ricette creative mentre un agente verificatore ottimizza il contenuto di carboidrati (CHO) tramite strategie adattive multi-livello
• Sistema avanzato di matching semantico con FAISS e SentenceTransformer per collegare ingredienti generati dall'LLM al database nutrizionale
• Interfaccia web Streamlit che permette agli utenti di impostare preferenze dietetiche e visualizzare ricette ottimizzate con presentazione HTML strutturata

• Applicazione multi-agente basata su AWS Bedrock che integra agenti AI collaborativi per fornire un servizio di travel planning completo
• Un agente supervisore gestisce le richieste degli utenti e le smista ad agenti specializzati (alloggi e ristoranti) che forniscono informazioni dettagliate
• Gli agenti utilizzano funzioni Lambda per interrogare database CSV in S3 e restituire risultati filtrati in base alle preferenze dell'utente
• API Gateway consente di esporre l'intero sistema come un servizio accessibile via HTTP, testabile attraverso Postman o altre interfacce

• Applicazione interattiva che integra tecnologie di Retrieval-Augmented Generation (RAG) per creare due strumenti: Document Q&A e Meal Planner.
• Il modulo Document Q&A consente di porre domande sui documenti caricati e ricevere risposte precise basate sul contenuto, oltre a generare riassunti completi.
• Il modulo Meal Planner permette di caricare ricette, generare piani alimentari personalizzati basati su preferenze dietetiche e creare liste della spesa ottimizzate.

• Applicazione web interattiva per la classificazione di razze canine basata su deep learning
• Frontend sviluppato con Streamlit che permette agli utenti di caricare immagini e ottenere predizioni
• Jupyter notebook completo che documenta l'intero processo di sviluppo e addestramento