AI Engineer

Giacomo Bellezza

Esploro. Prototipo. Costruisco.

Lavoro su sistemi dati, applicazioni LLM e integrazione dell’AI nei processi e nei prodotti, dalla valutazione di una tecnologia nuova alla sua adozione nei sistemi esistenti.

Guarda i progettiProfilo LinkedIn

Come lavoro

Tre fasi ricorrenti nel lavoro che faccio.

  1. Esplorare

    Valutazione di tecnologie nuove

    Stabilire cosa una tecnologia può e non può fare, quali sono i suoi limiti operativi e in quali casi non è lo strumento adatto.

  2. Prototipare

    Prototipi e proof of concept

    Versioni funzionanti costruite in tempi brevi, che coprono per intero il percorso critico e lasciano fuori il contorno. Complete abbastanza da permettere una decisione sul proseguire o meno.

  3. Costruire

    Sistemi in produzione

    Integrazione nei processi esistenti, con misurazione dei risultati e documentazione sufficiente perché il sistema sia mantenuto da altri.

Cosa faccio

Quattro aree di lavoro.

  • AI Engineering

    Architetture RAG, embeddings e database vettoriali, orchestrazione di LLM e integrazione di strumenti via MCP, valutazione e osservabilità. Procedure in cui il modello gestisce passaggi definiti all’interno di flussi esistenti, non interfacce conversazionali.

  • Data Systems

    Pipeline di ingestion, controlli sulla qualità del dato, progettazione di score proprietari e delle metodologie usate per validarli.

  • Prototipi e nuovi prodotti

    Passaggio da un’idea o da una tecnologia nuova a un prototipo utilizzabile, e valutazione di cosa servirebbe per portarlo a prodotto: dati necessari, costi di esercizio, manutenzione.

  • Automazione e trasformazione digitale

    Analisi dei processi operativi e sviluppo degli strumenti che li supportano: integrazioni tra sistemi, applicazioni interne, monitoraggio.

Esperienza

Due ruoli in parallelo dal 2025.

  1. 2024 — oggi

    In corso

    Italia

    AI Engineer — Sistemi LLM applicati

    SpazioDati — gruppo Cerved, oggi ION

    Valutazione e prototipazione di sistemi basati su LLM per prodotti dati esistenti.

    • Progettazione e prototipazione di architetture RAG: strategia di retrieval, valutazione dei risultati, misura dell’affidabilità. I prototipi validati sono stati portati in produzione da team dedicati.
    • Sviluppo di procedure assistite da LLM integrate in flussi di lavoro esistenti, senza interfacce conversazionali.
    • Lavoro su database vettoriali ed embeddings: rappresentazione vettoriale dei testi, strategie di indicizzazione e confronto tra algoritmi di retrieval.
    • Introduzione di strumenti di valutazione e osservabilità (Langfuse) per misurare l’effetto delle modifiche a modelli, prompt e strategie di retrieval.

    TecnologiePython · LangChain · LiteLLM · Langfuse · RAG · Embeddings · Database vettoriali

  2. 2025 — oggi

    In corso

    Digital Transformation Engineer

    Prevent

    Analisi dei processi operativi e sviluppo degli strumenti interni. Dipendente part-time, in parallelo al ruolo precedente.

    • Sviluppo di un’applicazione Android di reportistica per i dipendenti, di uso quotidiano.
    • Sviluppo dei connettori API tra il sistema di carte aziendali e la piattaforma di gestione delle spese.
    • Sviluppo di piattaforme per il monitoraggio di turni, cantieri ed emergenze, su decine di cantieri attivi.

    TecnologiePython · REST API · Android · Integrazione di sistemi

  3. Set 2021 — 2024

    Italia

    Data Scientist

    SpazioDati — gruppo Cerved, oggi ION

    Progettazione e validazione di score proprietari su dati d’impresa.

    • Progettazione e validazione di score proprietari su circa 6 milioni di aziende italiane, inclusa la definizione della metodologia di validazione.
    • Tra questi il Cyberscore, che valuta il posizionamento online di un’azienda, e un trademark score, che misura le attività di tutela dei marchi.
    • Sviluppo e manutenzione delle pipeline di ingestion e dei controlli sulla qualità del dato che le alimentano, su volumi dell’ordine delle decine di GB.

    TecnologiePython · pandas · Pipeline dati · Modelli di scoring

  4. Ago 2019 — Ago 2021

    Sophia-Antipolis, Francia

    Software Engineer — Data Distribution

    ALTEN, consulente presso Amadeus

    Framework di Data Distribution, su due team.

    • Sviluppo del flusso di propagazione dati tra i database centrali e le loro istanze cloud, con gestione del versionamento e della consistenza.
    • Lavoro sui livelli di cache centrali e cloud, a capacità limitata e alta frequenza di aggiornamento. Strumenti di supporto, ottimizzazione e testing.
    • Dal 2020, a seguito della riorganizzazione, analisi dati per il fraud detection.

    TecnologieJava · Python · Kafka · Couchbase · Docker · OpenShift

  5. 2018 — 2019

    Perugia, Italia

    Machine Learning Researcher — Tesi magistrale

    Dip. di Scienze Farmaceutiche, Università degli Studi di Perugia

    Modelli di machine learning applicati al drug discovery per immunoterapie.

    • Sviluppo di un workflow in Python per la selezione di molecole con proprietà target, basato su multimodel stacking.
    • Presentato al CDDD 6th Meeting, Roma, marzo 2019.

    TecnologiePython · Keras · TensorFlow · scikit-learn

Progetti

Due progetti personali, entrambi pubblicamente accessibili.

Progetto personale

Locus

Un protocollo che identifica i libri per contenuto: una chiave leggibile che raggruppa tutte le edizioni che portano lo stesso testo.

Contesto
L’ISBN identifica un’edizione, non un’opera. Ristampe, editori diversi e cofanetti dello stesso testo hanno codici diversi, e non esiste una chiave stabile che dica che il contenuto è lo stesso.
Approccio
Una grammatica che compone la chiave da tipo, identità, autore, lingua e struttura, validabile senza database; ISBN ed editore restano metadata dell’edizione. L’acquisizione di un codice interroga fonti esterne e crea un bucket nuovo solo sopra una soglia di confidenza; sotto, la proposta va in coda per una conferma manuale.
Stato
Protocollo alla versione 0.1, con demo pubblica: traduzione da ISBN o titolo a chiave, acquisizione e coda delle proposte.

Progetto personale

Civic Lens

Un sistema di misurazione della qualità della vita nelle città italiane, costruito su open data.

Contesto
Le classifiche sulla qualità della vita nelle città italiane vengono pubblicate annualmente come indicatori aggregati, senza accesso al modo in cui sono composti.
Approccio
Un livello di ingestion e normalizzazione su fonti pubbliche — ISTAT, OpenStreetMap, dati sulla qualità dell’aria e altre — un modello di indicatori documentato, e un’interfaccia che espone le componenti di ogni punteggio.
Stato
Copre tutte le province italiane. Pubblicamente accessibile.

Tecnologie

Strumenti usati nel lavoro descritto sopra.

AI e LLM

  • RAG
  • Embeddings
  • Database vettoriali
  • Retrieval
  • Orchestrazione LLM
  • MCP
  • Design di prompt e flussi
  • Valutazione
  • Osservabilità
  • LangChain
  • LiteLLM
  • Langfuse

Dati e software

  • Python
  • pandas
  • Java
  • REST API
  • Kafka
  • Couchbase
  • Docker
  • Linux
  • Git

Lingue

  • Italiano — madrelingua
  • Inglese — fluente
  • Francese — base

Giacomo Bellezza

AI Engineer · Sistemi dati, applicazioni LLM, automazione

Italia

Sistemi dati e applicazioni LLM in SpazioDati (gruppo ION). Automazione di processi e strumenti interni in Prevent.

Vai al profilo LinkedIn

Parliamone.

Scrivimi per un problema tecnico, un prototipo da valutare o un processo da automatizzare.

giacomobellezza@proton.me

Scrivimi una mailContattami su LinkedIn