Note personali di Alessandro Osti — senior backend developer con 25+ anni di esperienza, che studia AI engineering per integrarlo nel proprio metodo di lavoro. Il percorso è documentato mentre succede, non a posteriori.
Ho seguito molti corsi online negli anni. Il problema, quasi sempre, non era la qualità dei contenuti — era che il formato è rigido per definizione: stesso ritmo per tutti, stesso livello, stessi esempi. Chi è già avanti si annoia, chi ha un background diverso si perde, e nel mezzo c'è una quantità enorme di tempo che passa senza che tu stia davvero imparando qualcosa.
A un certo punto ho iniziato a usare un'AI come interlocutore di studio invece che come motore di ricerca avanzato. La differenza è sostanziale: l'AI sa adattare la profondità al contesto in cui lavori, risponde ai dubbi nel momento esatto in cui emergono, e non ti fa aspettare che arrivi la parte che ti interessa. Il materiale che ne esce è lo specchio del percorso di chi lo ha vissuto — con tutte le deviazioni, le domande, le correzioni di rotta.
La stessa logica vale per qualsiasi formato. Un libro scritto in sessioni reali di sviluppo, un paper analizzato partendo da una domanda concreta, un approfondimento nato da un dubbio emerso a metà di un progetto — in tutti i casi l'AI non è la fonte, è l'interlocutore. Questo repo raccoglie tutto quello che è uscito da quel modo di lavorare: corsi, libri, analisi, esplorazioni.
Questo formato funziona tanto meglio quanto più sei attivo. Non è qualcosa che puoi seguire in modalità passiva. È un dialogo tecnico, e come tutti i dialoghi dipende da cosa porti tu. Se arrivi con un problema reale, con un'architettura in corso, con un dubbio specifico che ti è appena venuto mentre scrivevi codice — ricevi risposte calibrate su quel problema. Se arrivi a mani vuote, ricevi risposte generiche come da qualsiasi altra fonte.
La mia esperienza con ARIA — un assistente di analisi finanziaria che ho costruito in parallelo a questi corsi — lo dimostra in modo piuttosto chiaro. Il corso è stato una base di partenza, non un manuale da seguire passo passo. Alcune scelte tecniche hanno richiesto approfondimenti che non esistevano in rete: ad esempio nella parte di streaming, dove la risposta dell'AI doveva convivere con dati statici provenienti da altre sorgenti. Quella soluzione l'abbiamo ragionata insieme partendo dal problema concreto che avevo davanti.
| Contenuto | Descrizione |
|---|---|
| Costruire con gli LLM | LLM fundamentals, RAG, streaming e AI agents — dalla teoria alle decisioni architetturali reali |
| Corso su MCP | Model Context Protocol: architettura, trasporti, primitivi |
| Machine Learning, Deep Learning e Trading | ML e DL applicati al trading: fondamenta, produzione e realtà dei mercati — per trader, non per data scientist |
| Approfondimenti | Letture, analisi e riflessioni su temi specifici — senza ordine sequenziale |
| Il codice che non ho scritto / The Code I Didn't Write | Come ho sviluppato ARIA con Claude Code — sessioni reali, prompt reali, errori reali / How I built ARIA with Claude Code — real sessions, real prompts, real mistakes |
Questi file sono le note di quel percorso. Non sono documentazione ufficiale e non pretendono di esserlo. Sono la traccia onesta di come ho imparato queste cose — con i ragionamenti intermedi, le domande, le scelte sbagliate e quelle che alla fine hanno funzionato.
Se stai cercando qualcosa di diverso, nessun problema. Se invece ti riconosci in questo approccio, benvenuto.