# AI Software Engineering

Progettare software AI-native con architetture solide, requisiti chiari, valutazione continua e controllo del comportamento dei modelli.

- Durata: 5 ore, 2 lezioni da 2,5 ore
- Modalità: Laboratorio in presenza o online, con esercizi guidati e materiali adattati al cliente.
- Profilo: Per team tecnici con basi di programmazione e architetture software.
- Output finale: Blueprint AI-native e criteri di evaluation/go-live.
- Sceglierlo se: Quando si deve costruire o industrializzare una funzionalità AI in prodotto, portale, workflow interno, applicazione enterprise o piattaforma dati.

## Il problema che risolve

Integrare AI in un prodotto non significa chiamare un modello da un endpoint. Servono requisiti, architettura, fallback, evaluation, logging, sicurezza, UX e manutenzione. Il corso collega decisioni tecniche e gestione del comportamento dei sistemi AI.

## Destinatari

Team software, solution architect, product engineer, tech lead, platform team, responsabili IT e buyer tecnici.

## Quando sceglierlo

Quando si deve costruire o industrializzare una funzionalità AI in prodotto, portale, workflow interno, applicazione enterprise o piattaforma dati.

## Risultati concreti

- Definire requisiti AI-specifici.
- Disegnare blueprint architetturale.
- Scegliere pattern di integrazione.
- Costruire strategia di evaluation.
- Gestire errori, osservabilità e go-live.

## Programma

### 1. Requisiti AI

Obiettivi, rischi, utenti e limiti accettabili.

### 2. Architetture AI-native

Orchestrazione, modelli, dati, cache, servizi e interfacce.

### 3. Evaluation e qualità

Test set, metriche, regression testing e review umana.

### 4. Produzione e manutenzione

Monitoraggio, incident response, versioning e cost control.

## Esercitazioni pratiche

- Definizione requisiti feature AI.
- Disegno architetturale.
- Risk mapping.
- Criteri di test.
- Revisione output e failure mode.

## Materiali consegnati

- Template requisiti AI.
- Blueprint architetturale.
- Checklist go-live.
- Schema evaluation pipeline.
- Matrice failure mode.

## Dati, privacy e limiti

Include minimizzazione del dato, separazione ambienti, logging responsabile, consensi, retention e auditabilità.

## Prerequisiti

Conoscenza di architetture applicative, API, delivery software e basi di modelli generativi.

## FAQ

### Per sviluppatori o architect?

Per entrambi: collega architettura, sviluppo e operatività.

### Serve un prodotto AI già pronto?

No, può partire da roadmap o prototipo.

### Quanto è tecnico?

Abbastanza da guidare scelte reali su architettura, test e produzione.

### Parla di modelli specifici?

No, ragiona per capacità, vincoli e integrazione.

[Torna al catalogo corsi](https://ar-tik.com/corsi/index.md)