Red Hot Cyber
Condividi la tua difesa. Incoraggia l'eccellenza. La vera forza della cybersecurity risiede nell'effetto moltiplicatore della conoscenza.
Condividi la tua difesa. Incoraggia l'eccellenza.
La vera forza della cybersecurity risiede
nell'effetto moltiplicatore della conoscenza.
Banner Ancharia Desktop 1 1
Crowdstrike 320×100

Autore: Marcello Politi

Marcello Politi

Esperto di intelligenza artificiale con una grande passione per l'esplorazione spaziale. Ho avuto la fortuna di lavorare presso l'Agenzia Spaziale Europea, contribuendo a progetti di ottimizzazione del flusso di dati e di architettura del software. Attualmente, sono AI Scientist & Coach presso la PiSchool, dove mi dedico alla prototipazione rapida di prodotti basati sull'intelligenza artificiale. Mi piace scrivere articoli riguardo la data science e recentemente sono stato riconosciuto come uno dei blogger più prolifici su Towards Data Science.

Profilo LinkedIn
Aree di competenza Intelligenza artificiale, AI decentralizzata su blockchain, Smart contract e protocolli ERC-8004, Sistemi multi-agente, Sicurezza e Defensive AI, Inference decentralizzata verificabile, Blockchain engineering e integrazione AI

Marcello Politi è un Research Engineer specializzato in intelligenza artificiale decentralizzata e sistemi autonomi su blockchain, con un focus sull’integrazione tra AI e Ethereum. Attualmente è membro del dAI Team della Ethereum Foundation, dove contribuisce alla progettazione e allo sviluppo dei primitives fondamentali per un’economia AI aperta, verificabile e trustless.

Aree di expertise principali

  • ERC-8004 (Trustless Agents Standard): progettazione di protocolli per discovery, identità portatili, reputazione on-chain e validazione trustless di agenti autonomi cross-organizzazione, estendendo protocolli Agent-to-Agent (A2A) con un layer crittografico nativo blockchain.
  • Sistemi multi-agente: sviluppo di architetture coordinate on-chain per collaborazione complessa, evoluzione autonoma e interazioni sicure tra agenti.
  • Defensive AI: strategie per mitigare rischi, manipolazioni e attacchi in ambienti decentralizzati.
  • Verifiable decentralized inference: sistemi di inferenza distribuita, resistente alla censura e provabilmente verificabile tramite Ethereum.

Contributi alla sicurezza AI su blockchain

  • Ricerca e sviluppo di strumenti di auditing per smart contract basati su LLM.
  • Creazione di tooling production-grade per esecuzione, monitoraggio e recovery di agenti on-chain.

Supporto all’adozione ecosistemica
Marcello promuove infrastrutture AI aperte e decentralizzate, supportando builder, protocolli e progetti nell’integrazione di standard come ERC-8004, nel deploy di agenti nativi Ethereum e nella costruzione di economie agentiche scalabili e sicure.

Visione
Crede in un futuro in cui l’intelligenza non sia confinata in silos centralizzati, ma sovrana, verificabile e collaborativa su layer neutrali come Ethereum. Punta a rendere la piattaforma il trust layer globale per agenti autonomi, umani e AI, che negoziano, verificano e transano senza intermediari fidati.

Figura di riferimento nel nascente ecosistema di decentralized AI su Ethereum, unisce competenze in deep learning, blockchain engineering e sistemi mission-critical per guidare l’innovazione verso un’economia di agenti trustless e aperta.

Se lavori su agenti AI, inference decentralizzata, security per LLM o vuoi esplorare ERC-8004 → contattalo. L’AI si sta decentralizzando. Ethereum la sta rendendo inevitabile.

Numero di articoli trovati: 27

Il futuro degli AI agents si gioca su una sola parola: trust

Co-autore: Vittorio Rivabella Stiamo entrando nell’era degli AI agents: software autonomi che non si limitano a rispondere alle domande, ma coordinano altri software per ottenere risultati nel mondo reale. Immagina...

Gli Agenti AI: La Rivoluzione Intelligente Spiegata a Tutti

Immaginate un collaboratore digitale che non solo risponde alle vostre domande, ma agisce per voi, pianifica strategie, impara dai propri errori e collabora con altri per risolvere problemi complessi. Questo...

Implementazione di Modelli Multimodali con LLaVA

Negli ultimi due anni ho lavorato principalmente con large language models, occupandomi di training, fine-tuning, prompting e così via, poiché era molto richiesto dal mercato e dagli utenti. Ma credo...

Intelligenza Artificiale: Implementazione del meccanismo dell’attenzione in Python

Il meccanismo di attenzione è spesso associato all'architettura dei transformers, ma era già stato utilizzato nelle RNN (reti ricorrenti). Nei task di traduzione automatica (ad esempio, inglese-italiano), quando si vuole...

Inheritance in Python: la chiave per scrivere codice pulito e collaborativo nel Machine Learning

Molte persone che si avvicinano al machine learning non hanno un forte background in ingegneria del software, e quando devono lavorare su un prodotto reale, il loro codice può risultare...

Machine Learning: il Segreto è il Modello, ma anche il Codice!

Nella maggior parte dei lavori nell'ambito di Machine Learning, non si fa ricerca per migliorare l'architettura di un modello o per progettare una nuova loss function. Nella maggior parte dei...

Addio Agli AI Data Center? Introduzione al DCIN per l’inferenza decentralizzata

Tradizionalmente, l’AI inference è stato il dominio di data center centralizzati e cluster di calcolo ad alte prestazioni, accessibili solo a pochi. Questo è ancora il caso per molte decentralized...

Best Practice per Progetti di Machine Learning di Successo

Gestire le integrazioni, l'implementazione, la scalabilità e tutti quegli aspetti che rendono i progetti di Machine Learning un prodotto reale è un lavoro a sé stante. C'è un motivo per...

Come Sviluppare un’App per il Riconoscimento delle Emozioni con BERT e ONNX

In questo articolo vederemo come sviluppare un'applicazione web che riconosca una particolare emozione partendo da una frase. Per farlo, però, vedremo come addestrare un modello basato su transformer, convertirlo in...

Ottimizza il Tuo Codice di Machine Learning con MLflow e Hydra: Un Guida Completa

Quando sviluppiamo modelli di Machine Learning, solitamente dobbiamo eseguire diversi esperimenti per capire quale settaggio degli iperparametri risulta essere il migliore per un determinato algoritmo. Questo può spesso portare a...
Numero di articoli trovati: 27

Il futuro degli AI agents si gioca su una sola parola: trust

Co-autore: Vittorio Rivabella Stiamo entrando nell’era degli AI agents: software autonomi che non si limitano a rispondere alle domande, ma coordinano altri software per ottenere risultati nel mondo reale. Immagina...

Gli Agenti AI: La Rivoluzione Intelligente Spiegata a Tutti

Immaginate un collaboratore digitale che non solo risponde alle vostre domande, ma agisce per voi, pianifica strategie, impara dai propri errori e collabora con altri per risolvere problemi complessi. Questo...

Implementazione di Modelli Multimodali con LLaVA

Negli ultimi due anni ho lavorato principalmente con large language models, occupandomi di training, fine-tuning, prompting e così via, poiché era molto richiesto dal mercato e dagli utenti. Ma credo...

Intelligenza Artificiale: Implementazione del meccanismo dell’attenzione in Python

Il meccanismo di attenzione è spesso associato all'architettura dei transformers, ma era già stato utilizzato nelle RNN (reti ricorrenti). Nei task di traduzione automatica (ad esempio, inglese-italiano), quando si vuole...

Inheritance in Python: la chiave per scrivere codice pulito e collaborativo nel Machine Learning

Molte persone che si avvicinano al machine learning non hanno un forte background in ingegneria del software, e quando devono lavorare su un prodotto reale, il loro codice può risultare...

Machine Learning: il Segreto è il Modello, ma anche il Codice!

Nella maggior parte dei lavori nell'ambito di Machine Learning, non si fa ricerca per migliorare l'architettura di un modello o per progettare una nuova loss function. Nella maggior parte dei...

Addio Agli AI Data Center? Introduzione al DCIN per l’inferenza decentralizzata

Tradizionalmente, l’AI inference è stato il dominio di data center centralizzati e cluster di calcolo ad alte prestazioni, accessibili solo a pochi. Questo è ancora il caso per molte decentralized...

Best Practice per Progetti di Machine Learning di Successo

Gestire le integrazioni, l'implementazione, la scalabilità e tutti quegli aspetti che rendono i progetti di Machine Learning un prodotto reale è un lavoro a sé stante. C'è un motivo per...

Come Sviluppare un’App per il Riconoscimento delle Emozioni con BERT e ONNX

In questo articolo vederemo come sviluppare un'applicazione web che riconosca una particolare emozione partendo da una frase. Per farlo, però, vedremo come addestrare un modello basato su transformer, convertirlo in...

Ottimizza il Tuo Codice di Machine Learning con MLflow e Hydra: Un Guida Completa

Quando sviluppiamo modelli di Machine Learning, solitamente dobbiamo eseguire diversi esperimenti per capire quale settaggio degli iperparametri risulta essere il migliore per un determinato algoritmo. Questo può spesso portare a...