Ascolta "Explainable AI e InstructLab #59"
Sintesi dell'episodio
Conosciamo Daniele Zonca, Architect di Model Serving in Openshift AI. Se un modello di AI dà un output sbagliato, che strumenti ho per spiegare perché il modello ha dato quella risposta? Quali sono invece gli strumenti per un modello di ML tradizionale?
Approfondiamo poi il progetto open source InstructLab per il miglioramento collaborativo del fine-tuning di LLM.
Referenze della puntata:
https://github.com/instructlabhttps://trustyai-explainability.github.io/http://paperswelovemi.eventbrite.it/
Approfondiamo poi il progetto open source InstructLab per il miglioramento collaborativo del fine-tuning di LLM.
Referenze della puntata:
https://github.com/instructlabhttps://trustyai-explainability.github.io/http://paperswelovemi.eventbrite.it/
Altri episodi del podcast Intervista Pythonista
ISTAT MCP Server e open data. #78
05/06/2026
Python Paradox. Python e Caffè
24/05/2026
Grug Brained Developer. Python e Caffè
16/05/2026
Formare programmatori nell'era dell'AI. #77
24/04/2026
Apache Iceberg. Python e Caffè
18/04/2026
