Ecco le novità principali:

• la creazione massiva delle Lettere di Vettura
• la gestione completa del ritiro in sede.
• il box Punti di Ritiro ora è riposizionabile
• ottimizzazione delle prestazioni e nuove possibilità di personalizzazione del checkout.

Crea decine di Lettere di Vettura con un solo click

La novità più richiesta è finalmente qui. Dalla pagina Ordini di WooCommerce trovi ora l’azione di gruppo “Crea lettere di vettura PdB”:

seleziona tutti gli ordini da spedire, imposta una volta sola i parametri (pacco, peso, contenuto, copertura) e avvia la generazione.

L’elaborazione avviene in background: puoi chiudere la pagina e tornare quando vuoi.

Nella nuova sezione LdV Massiva trovi lo storico dei batch, l’avanzamento in tempo reale e il download di:

• un file di log con il dettaglio degli ordini saltati e dei motivi (pagamento alla consegna, metodo non Poste, ordini già spediti, LdV già esistente, ecc.).
• un PDF unico con tutte le Lettere di Vettura generate

Il sistema sceglie automaticamente il prodotto Poste corretto — nazionale o internazionale — per ogni ordine, e applica le stesse regole di sicurezza della generazione singola.

Ritiro in Sede gestito in modo nativo

La nuova versione introduce il supporto completo al ritiro in sede, sia con il metodo classico local_pickup sia con i Punti di Ritiro introdotti da WooCommerce 8. Una nuova opzione nelle impostazioni ti permette di decidere se generare o meno la Lettera di Vettura anche per questi ordini, con regole di visibilità chiare e coerenti tra metabox, colonna ordini e generazione massiva.

Più veloce e più stabile

Abbiamo riscritto il motore di elaborazione massiva per essere leggero sul server: i lavori vengono eseguiti uno alla volta, senza saturare la CPU e senza rallentare la navigazione dell’area amministrativa. L’apertura della finestra di generazione è ora istantanea, e l’intero flusso è stato reso più reattivo.

Per gli sviluppatori: checkout personalizzabile

Per chi personalizza il proprio store, abbiamo introdotto due nuovi strumenti per spostare il box dei Punti di Ritiro nel checkout:

• l’hook pdb_render_pickup_anchor per il checkout classico
• il filtro pdb_pickup_blocks_location per il checkout a blocchi.

La guida completa con esempi è disponibile nella documentazione per sviluppatori.

Come aggiornare

Se hai una licenza di aggiornamento attiva, potrai scaricare la nuova versione direttamente dalla pagina plugin del tuo backend WordPress.

Controlla la tua licenza: Se la licenza sta per scadere, affrettati a rinnovarla per non perderti i prossimi aggiornamenti e le nuove funzionalità in arrivo.

Non usi ancora WooPdB?

Non hai ancora acquistato il plugin e gestisci le spedizioni con Poste Delivery Business nel tuo negozio WooCommerce? Cosa aspetti!

WooPdB è il plugin definitivo per automatizzare le tue spedizioni, gestire i punti di ritiro e generare lettere di vettura in un click. Semplifica la vita a te e ai tuoi clienti oggi stesso.

Scopri WooPdB e acquista ora

Hai domande su questo aggiornamento? Il nostro supporto tecnico è a tua disposizione!

L'articolo 🚀 Disponibile la Versione 1.10.0: Generazione massiva delle Lettere di Vettura e gestione del Ritiro in Sede proviene da Eraclito.

I modelli linguistici di grandi dimensioni (LLM) hanno rivoluzionato il modo in cui interagiamo con la tecnologia, ma presentano ancora un limite fondamentale: sono statici dopo l’addestramento. Quando apprendono nuove informazioni, spesso dimenticano le vecchie o richiedono costosi riaddestramenti. Un nuovo approccio, descritto nel paper “Learning, Fast and Slow: Towards LLMs That Adapt Continually”, propone una soluzione ibrida che combina la velocità di apprendimento immediato con la stabilità a lungo termine.

Un sistema nervoso ibrido: Fast e Slow

Il cuore di questa innovazione risiede nell’ispirazione ai processi cognitivi umani. Il paper introduce un’architettura che separa il processo di apprendimento in due modalità:

• Apprendimento Veloce (Fast): Consente al modello di assimilare rapidamente nuove informazioni o compiti specifici senza alterare i pesi principali. È come imparare a memoria una lista della spesa.
• Apprendimento Lento (Slow): Consolidamento graduale delle conoscenze nel tempo, aggiornando i parametri del modello in modo stabile. È come formare una competenza che diventa parte del nostro bagaglio culturale.

Questa dualità permette agli LLM di adattarsi continua mente in ambienti dinamici, riducendo il catastrophic forgetting (la dimenticanza catastrofica) che affligge i modelli attuali quando devono imparare sequenze di compiti diversi.

Perché è importante per sviluppatori e aziende

Per chi sviluppa software, questa distinzione è cruciale. Significa poter costruire applicazioni che imparano dai dati in tempo reale senza dover riavviare o riaddestrare l’intero modello da zero. Le implicazioni pratiche sono tangibili:

• Aggiornamenti in produzione: I modelli possono evolversi con i dati utente senza downtime significativi.
• Riduzione dei costi: Meno bisogno di riaddestramenti completi e costosi.
• Personalizzazione: Adattamento più fine ai contesti specifici di ogni utente o settore.

Il paper, disponibile su arXiv e discusso nella community di Machine Learning, evidenzia come questa architettura ibrida migliori le benchmark di precisione rispetto agli stati dell’arte precedenti, specialmente in scenari di apprendimento continuo. Non si tratta solo di velocità, ma di qualità della memoria.

Come evolverà il nostro rapporto con le IA? Forse verso sistemi che non si limitano a rispondere, ma che imparano a vivere con noi, adattandosi giorno dopo giorno. Cosa ne pensate? È il passo necessario per l’IA generale?

leggi il paper completo

L'articolo LLM che imparano: il futuro dell’adattamento continuo proviene da Eraclito.

https://the50.banijayitalia.it

Un sito collegato a una produzione di questo livello deve essere veloce, affidabile e pronto a gestire possibili picchi di traffico. Per questo abbiamo lavorato su un’architettura cloud pensata per garantire performance, scalabilità, sicurezza e continuità operativa.

Il nostro intervento ha riguardato la configurazione dell’ambiente AWS, l’ottimizzazione dell’infrastruttura, la gestione degli aspetti legati alla disponibilità del servizio e la predisposizione di una base tecnica solida, pensata per supportare il progetto anche nei momenti di maggiore visibilità.

Questo progetto conferma il nostro approccio: costruire infrastrutture cloud su misura, affidabili e facilmente gestibili, adatte a siti web, piattaforme digitali, campagne marketing, landing page ad alto traffico, applicazioni e servizi online.

Se stai lanciando un nuovo progetto digitale e hai bisogno di un’infrastruttura AWS sicura, scalabile e pronta a crescere con il tuo business, Eraclito può aiutarti a progettarla, realizzarla e gestirla.

Costruiamo infrastrutture cloud solide, performanti e pensate per il futuro.

L'articolo The50 – Banijay Italia – Prime Video su AWS con Eraclito proviene da Eraclito.

La ricerca di PruneTIR affronta esattamente questo problema. Abbiamo osservato che quando un LLM utilizza strumenti, la probabilità che faccia chiamate errate a tali strumenti è alta, e queste chiamate sbagliate spesso portano a risposte finali meno corrette. Peggio ancora, quando si verificano errori, il modello può rimanere bloccato in cicli di tentativi falliti, sprecando tempo di calcolo e contesto.

Perché è importante per gli sviluppatori?

Il problema principale è l’inefficienza. Se un LLM deve ripetere chiamate di strumenti per correggere un errore, la latenza aumenta drasticamente e si consumano risorse inutilmente. PruneTIR non richiede addestramenti aggiuntivi; migliora la capacità del modello di sfruttare gli strumenti già presenti, ottimizzando il ragionamento proprio al momento dell’inferenza.

Il framework PruneTIR interviene direttamente durante l’inferenza per mitigare questi problemi. Esso utilizza tre meccanismi chiave per gestire il flusso di lavoro degli strumenti:

• Success-Triggered Pruning: Interrompe le traiettorie di ragionamento quando un passo è stato risolto con successo.
• Stuck-Triggered Pruning and Resampling: Identifica quando il modello è bloccato in tentativi falliti e riassegna le chiamate di strumento.
• Retry-Triggered Tool Suspension: Gestisce la sospensione intelligente dell’uso degli strumenti quando si rilevano errori ripetuti.

Queste tecniche permettono al modello di evitare di intrappolarsi in errori costosi, migliorando significativamente la correttezza delle risposte (misurata tramite metriche come Pass@1) e riducendo la lunghezza del contesto di lavoro necessario per la risoluzione del problema. In sostanza, PruneTIR rende il ragionamento basato su strumenti non solo più accurato, ma anche molto più efficiente.

Questo lavoro dimostra come si possa migliorare drasticamente le prestazioni dei sistemi AI multi-strumento senza dover riaddestrare modelli enormi, offrendo una soluzione pratica per chiunque voglia costruire applicazioni LLM che utilizzino strumenti in modo robusto e performante.

Per maggiori dettagli sulla metodologia, potete consultare il paper originale: Link al paper di ricerca.

L'articolo Ottimizzare il Ragionamento AI: PruneTIR riduce gli errori negli strumenti esterni proviene da Eraclito.

La ricerca introdotta da MAGE (Multi-Agent Graph-guided Evolution) affronta questa sfida creando un framework che permette agli agenti di apprendere in modo autonomo mantenendo al contempo una base di esecuzione (backbone) fissa e stabile. Invece di sovraccaricare il modello con la memoria, MAGE esternalizza la conoscenza in una struttura più organizzata: un grafo di conoscenza co-evolutivo.

Cosa cambia con il Knowledge Graph?

Immaginate la conoscenza del modello non come un mucchio di testo, ma come una mappa interconnessa. MAGE utilizza questo grafo per archiviare sia le correzioni fornite dai ‘maestri’ (feedback umani) sia i percorsi logici che gli agenti hanno seguito durante il loro ragionamento. Questo permette al sistema di recuperare la guida necessaria per eseguire compiti complessi, senza dover aggiornare costantemente il modello di base durante l’evoluzione.

Durante il processo di evoluzione, il grafo viene aggiornato in modo intelligente. Funziona come un ‘bandit’ di ricerca per le strategie di apprendimento e per la rotta delle competenze. Questo significa che l’evoluzione avviene sulla struttura della conoscenza (il grafo) mentre il motore di esecuzione sottostante rimane immutato, garantendo stabilità e affidabilità.

Perché è Importante ?

Questo approccio è cruciale per costruire sistemi AI più robusti, affidabili e capaci di apprendimento continuo. La capacità di separare il processo di apprendimento (l’evoluzione della conoscenza) dalla capacità di esecuzione (il backbone) è fondamentale per applicazioni enterprise dove la stabilità e la tracciabilità delle decisioni sono essenziali. I risultati su nove benchmark diversi, che spaziano dal ragionamento matematico all’analisi finanziaria e alla navigazione web, dimostrano che questa architettura porta a prestazioni superiori rispetto ai modelli basati su backbone congelati.

In sintesi, MAGE ci insegna come creare architetture dove la conoscenza è strutturata e gestita in modo esplicito, permettendo agli agenti di evolvere le loro capacità in modo sicuro e mirato. Siamo di fronte a un passo avanti nella creazione di LLM che non solo generano testo, ma che gestiscono attivamente la propria esperienza.

Per leggere il lavoro originale e i dettagli tecnici, si può consultare il paper su Hugging Face / arXiv: MAGE: Multi-Agent Self-Evolution with Co-Evolutionary Knowledge Graphs

L'articolo LLM che imparano da soli: come costruire memoria stabile e evolutiva proviene da Eraclito.

Il vero collo di bottiglia nello sviluppo di modelli avanzati non è più solo la capacità di addestrare, ma la necessità di trovare la sequenza ottimale di esperimenti, modifiche di codice e configurazioni. Questo nuovo lavoro esplora come gli Agenti Specialisti possano affrontare questo problema, creando un ciclo di ricerca chiuso e empirico per scoprire le ‘ricette’ di training più efficaci.

Il problema che affrontiamo è: come possiamo ottimizzare parametri complessi (come le ‘recipe’ di training) senza dover ricorrere a un intervento umano costante e ingombrante? La risposta risiede nel creare un sistema che possa imparare dall’errore e dall’esperienza, proprio come farebbe un ingegnere esperto.

Il Ciclo di Ricerca Autonomo

La chiave di questa innovazione è l’istituzione di un ciclo di ricerca chiuso. Invece di lasciare che gli agenti generino suggerimenti isolati, qui li si organizza in modo che ogni tentativo (ogni ‘trial’) sia misurato da un valutatore esterno. Ogni tentativo include un’ipotesi, una modifica di codice eseguibile, un risultato e un feedback. Questo feedback non è solo un punteggio; è la linfa vitale che plasma la prossima mossa.

Gli agenti sono stati progettati per suddividere la superficie delle possibili ‘ricette’ di training e condividere la loro ‘lineage’ (la storia completa di come sono arrivati a quel risultato) tra di loro. Questo permette loro di capire non solo cosa ha funzionato, ma *perché* e *come* le modifiche di codice hanno influenzato il risultato finale.

Il Potere del Feedback basato sulla Lineage

La scoperta più significativa è che questa lineage feedback permette agli agenti di trasformare i risultati degli evaluator – inclusi crash, esaurimenti di budget o fallimenti di accuratezza – in modifiche dirette al livello del programma. Questo è un salto qualitativo rispetto ai metodi precedenti che offrivano solo suggerimenti uno-a-uno. Gli agenti possono ora correggere attivamente le ‘ricette’ di training, integrando le conoscenze acquisite in ogni ambiente di esperimento.

I risultati sono impressionanti: in 1.197 esperimenti e 600 controlli, il ciclo autonomo ha portato a miglioramenti tangibili. Ad esempio, sono stati ottenuti riduzioni significative nel tempo di validazione (bpb), aumenti nelle capacità dei modelli (come NanoChat-D12 CORE del 38.7%) e una riduzione del tempo di esecuzione per benchmark complessi (come CIFAR-10 Airbench96 del 4.59%).

Implicazioni per lo Sviluppo Software

Per gli sviluppatori e le aziende tech, questo significa che l’ottimizzazione dei workflow ML non deve essere un processo manuale e frammentato. L’adozione di loop di ricerca basati sull’evidenza permette di creare sistemi che non solo eseguono esperimenti, ma che imparano attivamente le migliori pratiche, riducendo drasticamente il tempo necessario per iterare su architetture complesse e per scoprire le configurazioni ottimali.

La ricerca dimostra che delegare la scoperta di parametri complessi a sistemi autonomi, guidati dal feedback misurato, è la prossima frontiera per l’ingegneria del Machine Learning.

L'articolo AI che scopre da sola le migliori strategie di training proviene da Eraclito.

Che cos’è MSA?

MSA non è solo una libreria, è un framework architettonico progettato per gestire la complessità dei sistemi AI moderni. L’idea di base è semplice quanto potente: invece di avere un unico flusso di dati caotico, MSA organizza la logica in moduli semantici indipendenti.

Questo approccio permette agli sviluppatori di costruire agenti e sistemi di elaborazione del linguaggio naturale che sono:

• Scalabili: Puoi aggiungere nuove funzionalità senza rompere quelle esistenti.
• Interoperabili: I moduli comunicano attraverso interfacce semantiche chiare.
• Manutenibili: Il debugging diventa un processo chirurgico anziché una caccia al tesoro nel codice.

Le Caratteristiche Principali

Perché dovresti dare un’occhiata a questa repository? Ecco i punti di forza che saltano all’occhio:

1. Disaccoppiamento della Logica: MSA separa l’orchestrazione dei dati dalla logica di esecuzione del modello.
2. Gestione del Contesto Avanzata: Grazie alla struttura modulare, il sistema è in grado di richiamare solo le informazioni pertinenti, ottimizzando l’uso dei token e migliorando la precisione.
3. Flessibilità Semantica: Il framework è pensato per adattarsi a diversi domini, rendendolo ideale sia per chatbot aziendali che per sistemi di analisi dati complessi.

Perché la modularità è il futuro?

Spesso ci scontriamo con il limite dei “prompt infiniti” o delle catene di passaggi (chains) troppo rigide. MSA rompe questo schema. Immagina di poter aggiornare il modulo di “analisi del sentiment” del tuo bot senza dover toccare il modulo di “generazione di report”. Questa è la libertà che EverMind-AI sta mettendo nelle mani della community.

Il punto di forza di MSA? La capacità di trasformare l’incertezza tipica dei modelli probabilistici in una struttura deterministica e controllabile.

Come iniziare

Se sei uno sviluppatore o un appassionato di architetture AI, il modo migliore per capire MSA è sporcarsi le mani.

• Esplora il codice: Trovi tutto su GitHub – EverMind-AI/MSA.
• Contribuisci: Essendo un progetto open-source, il feedback e le pull request sono il carburante che lo fa crescere.
• Sperimenta: Prova a implementare un piccolo task specifico usando la loro logica modulare e confrontalo con un approccio tradizionale.

Conclusione

EverMind-AI sta tracciando una strada interessante. In un mondo che corre verso modelli sempre più grandi, MSA ci ricorda che spesso la vera potenza risiede nell’organizzazione e nella struttura.

Cosa ne pensate di questo approccio modulare? Preferite i sistemi “all-in-one” o credete che la scomposizione semantica sia l’unica via per un’IA davvero affidabile?

L'articolo Alla scoperta di MSA (Modular Semantic Architecture) proviene da Eraclito.

Era il 30 aprile 1986. In una stanza del CNUCE, a Pisa, un gruppo di pionieri stava facendo qualcosa che pochi avrebbero compreso davvero.

Tra loro, Stefano Trumpy e Luciano Lenzini. Niente clamore, niente hype. Solo competenza, visione e una domanda implicita: “E se funzionasse?”

Un comando. Un segnale. Un “ping”.

E dall’altra parte del mondo, la risposta.

In quel momento, l’Italia entrava in Internet.

All’epoca era una rete per pochi. Oggi è tutto: lavoro, relazioni, conoscenza, business. Ma soprattutto, è diventata la base su cui si sta costruendo la prossima rivoluzione.

Quella dell’intelligenza artificiale.

Se Internet ha connesso le persone, l’AI sta iniziando a connettere le idee.
Se la rete ha reso accessibili le informazioni, l’AI le interpreta, le genera, le trasforma.

E proprio come nel 1986, anche oggi siamo in una fase che molti sottovalutano.
Sembra “solo tecnologia”. In realtà è un cambio di paradigma.

Tra 40 anni, guarderemo all’AI di oggi come noi guardiamo a quel primo collegamento:
un momento semplice, quasi silenzioso… ma destinato a cambiare tutto.

La vera domanda non è cosa può fare l’AI.
È: cosa decidiamo di farci noi.

L'articolo Dal primo “ping” all’intelligenza artificiale: 40 anni che hanno cambiato tutto proviene da Eraclito.

Il fine-tuning di Large Language Models (LLM) è estremamente costoso in termini computazionali. Per risparmiare memoria, la ricerca si è orientata verso paradigmi come l’Ottimizzazione di Ordine Zero (Zeroth-Order Optimization, ZO), che permette di aggiornare i pesi basandosi solo sulle passaggi forward, riducendo drasticamente il consumo di memoria.

Tuttavia, l’adozione di questi metodi è ostacolata da un grosso problema di efficienza: la convergenza è lenta e la varianza nelle stime è alta. Il collo di bottiglia principale risiede nel modo in cui esploriamo lo spazio di parametri. La strategia standard di esplorazione uniforme (tentare tutte le aree in modo uguale) è intrinsecamente inefficiente perché ignora la natura eterogenea della sensibilità delle diverse *layer* (strati) all’interno della rete neurale.

Il Problema: Esplorazione Cieca e Spreco di Risorse

Quando si ottimizzano i modelli profondi, non tutte le parti della rete hanno la stessa influenza sul risultato. Una ricerca standard, che esplora tutte le aree in modo uniforme, spende cicli computazionali preziosi in regioni meno sensibili, portando a un tempo di convergenza eccessivamente lungo. Questo significa che stiamo facendo calcoli inutili, rallentando il processo di addestramento.

La Soluzione: AdaLeZO, l’Ottimizzazione Adattiva

Per risolvere questo squilibrio strutturale, proponiamo AdaLeZO (Adaptive Layer-wise ZO optimization), un nuovo framework che adatta dinamicamente la strategia di ottimizzazione. AdaLeZO tratta la selezione dei parametri da aggiornare come un problema di Multi-Armed Bandit non stazionario. In pratica, invece di esplorare a caso, il sistema impara a allocare il budget di perturbazione (i piccoli aggiustamenti) verso i parametri che sono effettivamente più sensibili e che generano il maggior impatto sul gradiente.

Questo approccio è potenziato da un meccanismo di Inverse Probability Weighting che garantisce che le stime dei gradienti rimangano non distorte (senza introduzione di bias) pur funzionando come un denoiser temporale per ridurre la varianza. Il risultato è un metodo che non richiede un aumento di memoria e migliora significativamente la velocità.

Risultati Pratici

Sulle architetture LLM come LLaMA e OPT, con parametri da 6.7B a 30B, AdaLeZO ha dimostrato un’accelerazione del tempo di esecuzione (wall-clock acceleration) tra 1.7x e 3.0x rispetto ai metodi più avanzati esistenti. AdaLeZO si configura come un modulo ‘plug-and-play’, potenziando l’efficienza di qualsiasi ottimizzatore ZO esistente senza aggiungere overhead di memoria.

Questa ricerca dimostra che l’intelligenza adattiva è cruciale per sbloccare il vero potenziale dell’ottimizzazione dei modelli di grandi dimensioni, trasformando un processo lento e dispendioso in un’operazione rapida ed efficiente.

L'articolo Accelerare il Fine-Tuning LLM: Ottimizzazione Intelligente per Risparmiare Tempo proviene da Eraclito.

L’inferenza di modelli linguistici di grandi dimensioni (LLM) è fondamentale per applicazioni moderne, ma la loro lentezza può rappresentare un collo di bottiglia significativo, specialmente nelle applicazioni in tempo reale. La ricerca recente sta esplorando metodi innovativi per superare questa limitazione, e il Decoding Speculativo emerge come una delle strategie più promettenti per rendere la generazione di testo più veloce ed efficiente.

In termini pratici, il decoding speculativo non è solo una curiosità accademica; è una tecnica di ottimizzazione cruciale per sviluppatori e aziende che devono implementare LLM su hardware limitato o in ambienti ad alta latenza. L’idea di base è semplice: invece di generare un token alla volta in modo sequenziale (il metodo tradizionale), il modello genera in anticipo una ‘stima’ (una ipotesi speculativa) del testo futuro. Questo permette al sistema di pre-generare e verificare più possibili percorsi di generazione contemporaneamente, riducendo drasticamente il tempo di attesa.

Perché è Importante per lo Sviluppatore?

Per chi sviluppa sistemi basati su LLM, la velocità di inferenza si traduce direttamente in scalabilità e costi operativi. Implementazioni come  EAGLE-3, Medusa-1 e PARD, non sono solo miglioramenti teorici, ma rappresentano architetture pratiche per ottimizzare il processo di decodifica. Permettono di sfruttare meglio le capacità del hardware e di ridurre la latenza percepita dagli utenti.

La ricerca sta anche esplorando metodi più fondamentalmente basati su stringhe, come il N-gram e il Suffix Decoding, che permettono di costruire strategie di decodifica più intelligenti partendo da pattern linguistici preesistenti. Questo sposta il focus dalla pura capacità del modello alla strategia di generazione più efficiente.

Implicazioni Future

Queste implementazioni dimostrano che esiste un ampio spazio di miglioramento nell’ottimizzazione dell’inferenza. Per le aziende, significa poter deployare modelli più grandi e complessi con una latenza accettabile, aprendo la strada a nuove applicazioni in tempo reale come chatbot avanzati, sintesi vocale veloce e sistemi di generazione di codice ottimizzati. La comunità sta lavorando per trasformare queste idee in librerie e framework pronti all’uso per il mondo reale.

L'articolo Accelerare l’Inferenza LLM: Le Nuove Tecniche di Decoding Speculativo proviene da Eraclito.