Immaginate di avere un previsore che non potete più toccare: riaddestrarlo costerebbe troppo in risorse e in tempo, oppure la validazione normativa di un modello congelato rappresenta un percorso a ostacoli. CRAFTER (Corrective Residual Agent with Feature-based Temporal Exploration and Reasoning) risponde con un escamotage elegante: non modifica il backbone frozen ma si concentra sul residuo, ovvero sugli errori sistematici che quel modello commette. Il risultato sono correzioni leggere, interpretabili e sorprendentemente efficaci.

CRAFTER impiega due generatori complementari. Una ricerca compositiva scava nei canali di input grezzi per scovare combinazioni utili; l'altro generatore interroga un large language model (LLM) chiedendogli di inventare feature con nomi espliciti, flag binarie o brevi porzioni di codice eseguibile. Ogni candidato, indipendentemente dalla provenienza, passa attraverso un gate ancorato alla validazione: se la feature proposta non migliora le prestazioni, viene scartata. Un correttore finale applica le feature accettate oppure lascia invariata la previsione originale.

Il disaccoppiamento tra backbone e correttore è la chiave. Su sei dataset pubblici e sei backbones frozen, CRAFTER supera ogni sistema dedicato di feature engineering a qualsiasi budget di feature, raddoppiando all'incirca il guadagno ottenuto da un correttore privo di feature e riducendo l'errore dei backbone più deboli fino al 27%. Questi miglioramenti resistono anche quando il sistema viene applicato sopra modelli già sottoposti a fine-tuning, e sono robusti al variare del backend LLM utilizzato.

La portata del lavoro va oltre i numeri. Per chi opera in ambienti regolamentati o on-premise, dove riaddestrare un modello può significare mesi di audit e costi di compliance, la possibilità di aggiornare un previsore senza toccare il nucleo originale è una leva strategica. Le feature correttive sono interpretabili per costruzione: nomi, flag e snippet di codice rendono tracciabile ogni decisione del correttore, facilitando la spiegabilità verso regolatori e stakeholder interni. L'LLM, pur essendo un generatore “creativo”, viene tenuto a freno dal gate di validazione, che impedisce di iniettare correlazioni spurie; e poiché il metodo è indifferente al backend linguistico, si può eseguire il tutto con un LLM locale e mantenere i dati all'interno del perimetro aziendale.

C'è anche un segnale strutturale per l'industria. CRAFTER trasforma la scoperta di feature correttive in un processo sistematico e misurabile, al punto che gli autori lo propongono come strumento scientifico per attribuire i guadagni di previsione alla sola sorgente delle feature. In una disciplina spesso dominata dalla corsa a modelli sempre più grandi, il paper ricorda che un correttore post-hoc e interpretabile può offrire un ritorno sull'investimento migliore del fine-tuning, spostando l'attenzione dall'hardware di addestramento alle pipeline di inference e monitoraggio. Per chi progetta infrastrutture AI locali, questo significa poter evolvere i propri sistemi previsionali con un impatto contenuto su GPU, energia e compliance. È il tipo di pragmatismo che potrebbe rendere la “corrective feature discovery” un tassello fisso del lessico MLOps, esattamente come lo è oggi l'ottimizzazione degli iperparametri.