Developer fullstack, frontend o backend
Con basi solide ma poca esperienza pratica di integrazione AI. Volete passare dal copia-incolla in ChatGPT a costruire applicazioni reali con LLM, RAG e agenti.
AI per sviluppatori: costruire applicazioni intelligenti con LLM, RAG e agenti
Da zero a un'app agentica reale con OCR, vector DB e ricerca ibrida — in cloud o on-premise.
Flessibile · lezioni e orari su misuraOnline live10 lezioni base da 2h · 20h totali · estendibile a 15 lezioni
A chi è rivolto
Tre profili tipici. Se non vi riconoscete del tutto in uno di questi ma il tema vi interessa, scriveteci comunque: in fase di discovery ricalibriamo il corso sui vostri obiettivi reali.
Tech lead e architetti
Dovete valutare provider, costi e architetture per il vostro team. Volete capire quando cloud vs on-premise vs ibrido, e portare a casa criteri concreti per decidere.
Solo dev e freelance
Volete offrire AI ai vostri clienti senza sembrare in ritardo sull'onda del momento. Dopo il corso avrete un progetto vivo da mostrare in portfolio e un set di pattern riusabili.
Cosa imparerete
Risultati concreti, misurabili. Non "capirete l'AI": saprete fare cose nuove sul vostro lavoro reale già durante il corso.
- Integrare LLM da provider diversi: OpenAI, Anthropic Claude, Groq, Mistral, Google Gemini
- Far girare modelli on-premise con Ollama e vLLM, con esposizione API locale
- Decidere quando cloud, quando on-premise, quando ibrido — con criteri di costo, latency e privacy
- Usare client da terminale (Claude Code, Cursor, Ollama CLI) nel flusso di sviluppo quotidiano
- Costruire RAG end-to-end: embeddings, vector DB e retrieval ibrido (vettoriale + full-text)
- Usare MongoDB Community con vector search nativo (la community edition basta per partire)
- Costruire pipeline OCR su documenti reali (fatture, scontrini, contratti) → estrazione → LLM
- Sviluppare un agente con tool calling, memoria conversazionale e guardrails
- Gestire observability, cost control e fallback fra provider in produzione
Scaletta delle lezioni
La struttura proposta è il punto di partenza. In fase di discovery decidiamo insieme se allungare alcuni moduli, comprimerne altri o aggiungerne di nuovi.
Lezione 01
Fondamenta LLM operative
Token, finestra di contesto, costi reali per provider, latency. Modelli aperti vs proprietari, criteri pratici per scegliere fra le famiglie più mature.
Lezione 02
Multi-provider in pratica
Astrazione provider-agnostic con router pattern, failover, A/B testing fra modelli. Setup di OpenAI, Anthropic, Groq e Gemini in circa 30 minuti ciascuno, con esempi di codice.
Lezione 03
On-premise con Ollama
Installazione su Linux e Mac, modelli quantizzati, gestione GPU e CPU, esposizione API locale. Quando l'on-premise vince davvero e quando è una distrazione.
Lezione 04
Tool use e function calling
Definire schemi tool, eseguirli in sicurezza, gestire gli errori del modello. Pattern per non far esplodere il sistema quando il modello allucina un argomento.
Lezione 05
Embeddings e vector search
MongoDB Community con vector search nativo (versione community sufficiente per partire), dimensioni degli embeddings, scelta della distance, indici e prestazioni.
Lezione 06
RAG ibrido
Combinare ricerca vettoriale e ricerca testuale (BM25 / full-text). Re-ranking, strategie di chunking, come valutare la qualità del retrieval prima di passare al modello.
Lezione 07
OCR e LLM insieme
Pipeline su PDF e immagini reali: estrazione strutturata, validazione con schema, post-processing con LLM per arricchire i dati prima di scriverli in DB.
Lezione 08
Agenti
Pattern ReAct, planning, memoria conversazionale, guardrails. Quando un agente è davvero il pattern giusto e quando state solo riscrivendo un workflow imperativo in modo più complicato.
Lezione 09
Observability e cost control
Logging di prompt e completion, tracking delle spese per provider, fallback automatici, alert. Tutto quello che vi serve per addormentarvi tranquilli dopo il deploy.
Lezione 10
Progetto finale
Costruzione assistita dell'app — la mettiamo a terra insieme. Discussion degli errori che escono lungo la strada e dei pattern di refactor.
Progetto finale
Un agente RAG ibrido che lavora su documenti scansionati — lo realizziamo insieme
L'utente carica una fattura, un contratto o uno scontrino (PDF o foto da smartphone). La pipeline esegue OCR, estrae i campi rilevanti, genera embeddings e indicizza il documento in MongoDB Community con vector search.
Chat con l'agente: per ogni domanda fa ricerca ibrida (vettoriale + full-text), risponde citando il documento sorgente e i passaggi precisi. Il modello LLM è pluggable — cloud (Claude, Groq, OpenAI) o on-premise (Ollama con Llama 3.x o Mistral).
L'agente sa anche fare azioni con tool calling: salvare le estrazioni in DB, esportare un CSV con i campi normalizzati, mandare un'email di riepilogo a fine sessione. È un'app vera, non una demo che muore al primo edge case.
Prerequisiti
- Programmazione in Python o Node.js (il corso ha le due tracce in parallelo)
- Concetti base di API REST e JSON
- Git e terminale a livello operativo
Modalità ed erogazione
- 10 lezioni base da 2h ciascuna = 20h totali
- Estendibile a 15 lezioni per approfondire on-premise, observability e security
- Cadenza tipica: 2 lezioni a settimana per 5 settimane oppure compressa in weekend intensivi
- Online live con registrazioni e materiali sempre disponibili dopo
- Online live su Google Meet o Zoom (a scelta del gruppo)
- Materiali sempre disponibili: registrazioni delle lezioni, slide PDF, repo GitHub con il codice
- Lingua: italiano
- Flessibili nel numero di lezioni e nell'orario — calibrati su gruppo o singolo, orari fuori-ufficio disponibili
- Erogati da Cool Solution: sviluppatori senior con esperienza concreta su progetti reali
- Al termine: attestato di partecipazione + repo / progetto finale di vostra proprietà
Domande frequenti
Devo scegliere Python o Node.js prima di iscrivermi?
No. Le due tracce girano in parallelo: nelle lezioni mostriamo entrambe le implementazioni e voi seguite quella che usate al lavoro. Se siete indecisi, in fase di discovery vi aiutiamo a scegliere quella più sensata per il vostro contesto.
Serve una GPU per la parte on-premise?
No, ma aiuta. Per imparare bastano i modelli quantizzati su Ollama che girano su CPU o su Apple Silicon. Per portare l'on-premise in produzione di solito serve una GPU dedicata (sopra i 16 GB di VRAM) — ne parliamo nella lezione 03 con criteri concreti di scelta hardware.
Quanto costa il corso?
Non pubblichiamo listini: il prezzo dipende da numero di partecipanti, durata personalizzata e dall'eventuale richiesta di moduli aggiuntivi. Scriveteci a info@cool-solution.com — vi rispondiamo con un preventivo trasparente.
Quali modalità di pagamento accettate?
Fattura elettronica con bonifico bancario. Per aziende è possibile pagamento dilazionato 30/60 giorni. Per singoli partecipanti accettiamo anche pagamento in due tranche.
Si fa in gruppo o uno a uno?
Entrambi. Il corso funziona benissimo come percorso 1-a-1 con calendario su misura. In gruppo (max 8-10 persone per lezione) è più economico per partecipante e l'interazione con gli altri è spesso un valore aggiunto. Per aziende organizziamo gruppi chiusi solo per il vostro team.
Possiamo personalizzare la scaletta?
Sì. La scaletta proposta è il nostro punto di partenza, ma in fase di discovery la adattiamo ai vostri obiettivi reali. Possiamo allungare i moduli su cui serve approfondire, rimuovere quelli non rilevanti, aggiungere lezioni dedicate a strumenti che usate già in azienda.
Rilasciate un attestato di partecipazione?
Sì, attestato di partecipazione Cool Solution con titolo del corso, durata e contenuti. È utile per richieste di rimborso da fondi interprofessionali o per il vostro curriculum aziendale.
Pronti a partire?
Scriveteci per ricevere un programma personalizzato, il calendario disponibile e un preventivo trasparente. Rispondiamo personalmente entro 48 ore.