Post di Datapizza

C’è chi odia i fusi orari e chi mente ⌛️ La gestione dei timestamp è un aspetto fondamentale dell’informatica, ma spesso crea grossi problemi agli sviluppatori. 🤯 Ma cos'è un timestamp? Si tratta di una sequenza che identifica univocamente un singolo momento nel tempo, e può essere memorizzato in diversi formati.  I più famosi sono: 📍 Unix Timestamp: il numero di secondi trascorsi dal 1° gennaio 1970 (epoch Unix). È il formato più diffuso per la sua semplicità, ma non considera direttamente i fusi orari. 📍 ISO 8601: una rappresentazione più leggibile, come `YYYY-MM-DDTHH:MM:SSZ` che può includere informazioni sul fuso orario. Problemi legati ai fusi orari 👇 Un timestamp dovrebbe idealmente essere immutabile e universale, ma spesso le applicazioni necessitano di adattarsi ai fusi orari locali.  Questo porta a problemi come: 📍 Variazioni stagionali: in Europa, per esempio, i fusi orari cambiano a seconda del periodo dell'anno: d'estate si utilizza il CEST (UTC+2), mentre d'inverno il CET (UTC+1). 📍 Ambiguità: la conversione tra fusi orari può portare a errori, specialmente quando si tratta di periodi di transizione come l'entrata o l'uscita dall'ora legale. Ecco alcuni suggerimenti per minimizzare i problemi legati ai timestamp e ai fusi orari: 📍 Utilizza UTC: Memorizza sempre i timestamp in UTC (il fuso orario di riferimento globale), convertendo in fusi orari locali solo quando necessario per l'interfaccia utente. 📍 Test approfonditi: Assicurati di testare le tue applicazioni in scenari che includano cambi di ora legale e fusi orari non standard. 📍 Documentazione: Mantieni una documentazione chiara su come la tua applicazione gestisce i timestamp e i fusi orari, per evitare malintesi e bug. #timestamp #datascience #ai

🎄 Advent of Code 2024 - Giorno 6 Ieri è stato un giorno duro con l’AoC 2024. Pensavo sarebbe stato il primo giorno in cui non sarei riuscito a risolvere entrambi i problemi, ma dopo 4 tentativi falliti, sono riuscito a trovare la risposta: attraversare la matrice bidimensionale cambiando coordinata per coordinata e poi verificando (con un altro for-loop) se tale matrice fosse valida o meno. (Questa volta non condividerò la mia risposta, è enorme). Tuttavia, mi ha fatto riflettere su due cose importanti: 1. Validazione della Soluzione: • Avere una soluzione corretta con i dati di esempio non basta. È fondamentale identificare casi estremi che potrebbero far fallire il codice. • Inoltre, se l’input è enorme, usare console.log() per analizzare ogni caso non è una buona idea. 2. Ottimizzazione del Codice: • Trovare la soluzione è importante, ma fermarsi a pensare a come ottimizzare le sezioni che abbiamo già risolto può essere molto vantaggioso. La mia soluzione impiega 19 secondi per dare la risposta… al 99% di utilizzo del PC… sapete cosa si dice: “Abbiamo comprato tutto il PC, quindi usiamo tutto il PC!”. D’altra parte, come dato curioso, la soluzione del nostro amico GPT-01 ha impiegato 9 secondi… non sono così male, vero? 😉 :wq

È possibile utilizzare i cgroup per testare un'applicazione rispetto al suo consumo di risorse. Il sorgente nel post genera una REST API che simula il consumo di memoria. Tramite i cgroup vediamo come stabilire un limite alla memoria allocabile dai processi al suo interno, creando le condizioni di osservare cosa succede all'approssimarsi del limite. https://lnkd.in/dSD6CARM

L'informatica cosiddetta, moderna è piena di problemi, idiosincrasie mai affrontati nè tanto meno risolti realmente. Uno a caso per i sistemi operativi di nota software house statunitense, quello che riguarda l'accesso alle risorse di rete tramite protocollo SMB. Sempre lo stesso problema che consiste nella impossibilità spesso di accedere per nome alla risorsa di rete ma solo tramite indirizzo IP, della stessa risorsa. E continuiamo a sbandierare la prossima versione come sempre la mirabolante che porterà in dote chissà quali fantasmagoriche novità. Sistemi operativi multistasking a prelazione ovvero preemptive che poggiano su hardware di cpu ormai sia multi nucleo che multithreading e nonostante ciò blocchi continui con i famosi cursori a mo' di rotellina che gira, gira...e gira ! Mi chiedo io ma nel mondo anglosassone i programmatori sanno come si progetta un sistema operativo incluso intendiamoci finestre 7 il tanto acclamato oppure si va avanti sperando che una intelligenza non umana ovvero artificiale prima o poi sia in grado di scriverne uno esente da errori e funzionante senza continue toppe su toppe !!!!!! Perché questo mondo è un mondo-castello di carte che si regge sul nulla ormai.

Nel 2019 per gioco avevo iniziato a scrivere un programma che dato un problema computazionale da risolvere definito in linguaggio naturale e dato un insieme di test necessari per stabilire il raggiungimento dell’obiettivo, trovava in autonomia l’implementazione corretta. Il programma andava a cercare su internet le possibili soluzioni e con un meccanismo di “trial and error” selezionava semanticamente una “funzione” o una combinazione di funzioni e cercava di applicarle per risolvere il problema. Ovviamente questo “agente” imparava dall’esperienza salvandosi le nuove funzioni imparate e i nuovi problemi risolti, una sorta di database interno di funzioni. #semantic_search #agents #function_calling

Dove alloggia Mario? E niente, se sapete rispondere avete capito la logica relazionale. I database relazionali non sono solo uno strumento ma l'applicazione di un modello astratto di gestire i dati che non può invecchiare perchè è un idea. Sarebbe come fare invecchiare l'operazione dell'addizione. Quindi qualunque software vogliate sviluppare dovete partire da una progettazione dei dati fatta in questo modo, anche se voleste usare quelle robe strane NOSQL.

Riflessione su #GenerativeAI 🐙: RAG e long context windows models non si escludono, nei casi dove la completezza del contesto è più importante della velocità di risposta, utilizzare un language model a contesto lungo come Claude3 o Gemini 1.5 Pro porta a risultati più accurati 🎯rispetto ai RAG tradizionali (anche con costi più alti 🤑😅 ). I long context windows models possono gestire e analizzare una quantità maggiore di informazioni, fornendo risposte più precise e dettagliate, mentre i RAG tradizionali potrebbero non riuscire a catturare tutte le sfumature necessarie per una comprensione completa del contesto, come ad esempio nell'analisi del codice sorgente o di basi dati. #generativeai #rag vs #longcontext

Sviluppare con AI L'intelligenza artificiale è stata un trend nei mesi scorsi ed anche ora, sicuramente è un modo per creare contenuti e anche sorgenti per le applicazioni in modo rapido, ma non privo di errori e di rischi se non si sa molto bene quello che si sta facendo. Copilot è forse il più diffuso plugin degli IDE come ad esempio Eclipse, ha una chat come interfaccia con il linguaggio naturale e una funzione evoluta di suggerimento del codice all'interno dell' editor dei sorgenti dell'IDE stesso. Funzione sicuramente comoda e spesso efficace, riesce a estrapolare il contesto e suggerire interi blocchi di codice e nel caso di java addirittura interi metodi. A prima vista sembra l'eden dello sviluppatore ed in parte lo è perché lo solleva dallo scrivere codice, a volte però il sorgente prodotto ha errori di compilazione o non fa esattamente quello che dicono i requisiti. Quindi l’esperienza del programmatore fa sempre la differenza sulla qualità finale del codice e sulla aderenza ai requisiti.

Ecco la seconda puntata del nostro percorso sulle #powerapps di Microsoft.Da un lato è diventato così facile sviluppare app e programmi che quasi viene la rabbia per aver imparato prima a farlo “difficile” (e si, siam al punto in cui…Python è “difficile”). Dall’altro però si esalta il valore del #pensiero e della comprensione profonda delle esigenze dell’azienda e degli utenti, un campo ad alta intensità di valore umano. Tolte le barriere al “fare”, non è per nulla facile “pensare” al caso d’uso, tradurlo in un processo che abbia senso e che risponda alle esigenze dell’utente, in un’interfaccia comprensibile e human centered (per non parlare dei problemi veri della #ux per la quale grazie a Dio ci sono gli esperti veri) e ancora meno facile sarà il governo di tutte queste point solutions che prolifereranno… L’innovazione è come una cipolla: risolvi un layer di problemi e subito ne emergono altri…ma sono felice di poterci lavorare e di poterlo fare in #illimity Sheila Scialanga BRAVISSIMA e pazientissima, grazie davvero. 

🚀 𝐒𝐭𝐫𝐮𝐜𝐭𝐮𝐫𝐞𝐝 𝐎𝐮𝐭𝐩𝐮𝐭: 𝐈𝐥 𝐠𝐚𝐦𝐞-𝐜𝐡𝐚𝐧𝐠𝐞𝐫 𝐩𝐞𝐫 𝐥𝐞 𝐚𝐩𝐩𝐥𝐢𝐜𝐚𝐳𝐢𝐨𝐧𝐢 𝐛𝐚𝐬𝐚𝐭𝐞 𝐬𝐮 𝐋𝐋𝐌 Per chi sviluppa con modelli #LLM, una delle principali difficoltà è ottenere il formato di risposta desiderato. Quando si tratta di richieste per: - 📊 estrazione di dati - 🔁 generazione di output specifici e ripetitivi - 🏗️ output con una determinata struttura era spesso necessario includere nel prompt un riferimento chiaro al formato che volevamo ottenere, talvolta persino fornendo un esempio esplicito, ma poteva non essere sufficiente, data la natura non deterministica del modello. Con l'introduzione della modalità #JsonMode, una parte di questo problema era stata risolta. La modalità permetteva di ricevere risposte in formato JSON, ma richiedeva di specificare lo schema nel prompt, influendo sul numero di token in input. Nonostante ciò, non sempre il formato veniva rispettato, rendendo necessaria una validazione post-generazione tramite librerie come #Pydantic, per assicurarsi che il risultato fosse conforme allo schema desiderato. Ora, dal 6 agosto, OpenAI ha introdotto una nuova modalità: #StructuredOutput, che assicura al 100% il rispetto del formato di risposta! 🎉 Questa modalità consente la validazione dello schema JSON già durante la generazione della risposta, eliminando (quasi del tutto) la necessità di controlli a posteriori. I vantaggi principali di Structured Output sono: - ✅ struttura della risposta assicurata - 🛠️ utilizzare i "tool" degli agenti in maniera semplificata - 🚫 eliminazione della gestione dei "casi limite" - 🧪 riduzione della necessità di convalida da parte dello sviluppatore È possibile fornire uno schema di validazione in due modi: 1. tramite un modello Pydantic (compatibile con le versioni più recenti della libreria) 2. passando un JSON Schema opportunamente definito Ho già iniziato a implementare questa novità nelle pipeline esistenti. Il feedback è stato positivo: la qualità delle risposte non è cambiata, e il passaggio a un modello Pydantic non influisce sul numero di token utilizzati in input e output, possiamo quindi definire una struttura di Output anche molto complessa senza incidere sui token in input! Rispetto al passato, ora non è più necessario specificare la struttura nel prompt, anche se una descrizione minima di ciò che si vuole ottenere può ancora essere utile, e si riesce a ridurre il numero di token in input. La domanda più affascinante è: come sono riusciti ad ottenere il 100% di output corretti applicando questa funzione di strutturazione dell'output? 🤔 Seguitemi per scoprirlo! Lo spiegherò nel prossimo post in dettaglio. 👀 #AI #OpenAI #StructuredOutput #DeveloperTools