L'AI agentica sta entrando nei loop di produzione, nell'orchestrazione BI e nel coordinamento CPU-GPU. Il collo di bottiglia principale sono i guasti silenziosi dei tool e l'affidabilità degli harness di esecuzione, non la qualità di generazione grezza.
Un team di ricerca ha presentato JAZ, un framework per agenti LLM che riduce l'harness a un unico primitive, invoke, capace di eseguire codice arbitrario e di esporre all'LLM input e cronologia come variabili. Senza tool manuali né sistemi esterni, i...
Uno studio su 15 tool scientifici integrati in ToolUniverse ha individuato 91 guasti silenziosi nell'interazione tra agenti e tool: fallimenti in cui l'API o il wrapper restituiscono risposte incomplete senza alcuna notifica. La maggior parte si conc...
Intel sposta il focus sull'AI agentica: il coordinamento tra CPU e GPU diventa il fulcro. La mossa segnala una rilettura dell'hardware per workload che non si esauriscono in una singola inference, ma concatenano ragionamento, tool calling e memoria. ...
Shopify descrive un loop di apprendimento continuo basato su PyTorch e vLLM: gli errori di produzione diventano aggiornamenti dei pesi del modello. L'agente GraphQL supera la qualità del modello frontier e taglia il costo di serving del 96%, passando...
La BI end-to-end rivela un limite strutturale dei LLM: sotto il 50% di accuratezza senza guida umana. Il guadagno vero arriva da architetture che orchestrano strumenti e da post-training su dati proprietari. Per chi valuta on-premise e self-hosted, i...
Il benchmark BI-Bench, costruito su progetti reali e dashboard pubbliche, mostra che anche i LLM frontier restano sotto il 50% di accuratezza nella business intelligence end-to-end. BI-Agent, un agente tool-augmented che scompone ricerca, join e tras...
