Datapizza Community 🍕📈
前往频道在 Telegram
Canale Telegram ufficiale della Datapizza Community📍 👉🏾 https://datapizza.tech/ Contiene fonti, approfondimenti, extra e spunti di discussione sul mondo Tech & AI👩💻👨💻
显示更多📈 Telegram 频道 Datapizza Community 🍕📈 的分析概览
频道 Datapizza Community 🍕📈 (@datapizza) 意大利语 语言赛道中的 是活跃参与者。目前社区聚集了 14 743 名订阅者，在 技术与应用 类别中位列第 8 469，并在 意大利 地区排名第 1 725 位。
📊 受众指标与增长动态
自 невідомо 创建以来，项目保持高速增长，吸引了 14 743 名订阅者。
根据 29 八月, 2026 的最新数据，频道保持稳定运转。过去 30 天订阅人数变化为 -67，过去 24 小时变化为 -2，整体触达仍然可观。
- 认证状态： 未认证
- 互动率 (ER)： 平均受众互动率为 22.88%。内容发布后 24 小时内通常能获得 9.95% 的反应，占订阅者总量。
- 帖子覆盖： 每篇帖子平均可获得 3 374 次浏览，首日通常累积 1 468 次浏览。
- 互动与反馈： 受众积极参与，单帖平均反应数为 5。
- 主题关注点： 内容集中在 agente, modello, posizione, datapizza, ral 等核心主题上。
📝 描述与内容策略
作者将该频道定位为表达主观观点的平台：
“Canale Telegram ufficiale della Datapizza Community📍
👉🏾 https://datapizza.tech/
Contiene fonti, approfondimenti, extra e spunti di discussione sul mondo Tech & AI👩💻👨💻”
凭借高频更新（最新数据采集于 30 八月, 2026），频道始终保持新鲜度与高覆盖。分析显示受众积极互动，使其成为 技术与应用 类别中的关键影响点。
14 743
订阅者
-224 小时
-107 天
-6730 天
数据加载中...
相似频道
标签云
进出提及
---
---
---
---
---
---
吸引订阅者
八月 '26
八月 '26
+27
在0个频道中
七月 '26
+53
在0个频道中
Get PRO
六月 '26
+44
在0个频道中
Get PRO
五月 '26
+37
在0个频道中
Get PRO
四月 '26
+44
在0个频道中
Get PRO
三月 '26
+32
在0个频道中
Get PRO
二月 '26
+38
在0个频道中
Get PRO
一月 '26
+23
在0个频道中
Get PRO
十二月 '25
+14
在0个频道中
Get PRO
十一月 '25
+44
在0个频道中
Get PRO
十月 '25
+49
在0个频道中
Get PRO
九月 '25
+45
在0个频道中
Get PRO
八月 '25
+62
在0个频道中
Get PRO
七月 '25
+271
在0个频道中
Get PRO
六月 '25
+104
在0个频道中
Get PRO
五月 '25
+436
在0个频道中
Get PRO
四月 '25
+497
在0个频道中
Get PRO
三月 '25
+1 176
在0个频道中
Get PRO
二月 '25
+795
在0个频道中
Get PRO
一月 '25
+201
在0个频道中
Get PRO
十二月 '24
+283
在0个频道中
Get PRO
十一月 '24
+45
在0个频道中
Get PRO
十月 '24
+151
在0个频道中
Get PRO
九月 '24
+74
在0个频道中
Get PRO
八月 '24
+1 566
在0个频道中
Get PRO
七月 '24
+143
在0个频道中
Get PRO
六月 '24
+339
在0个频道中
Get PRO
五月 '24
+75
在0个频道中
Get PRO
四月 '24
+271
在0个频道中
Get PRO
三月 '24
+350
在0个频道中
Get PRO
二月 '24
+96
在0个频道中
Get PRO
一月 '24
+267
在0个频道中
Get PRO
十二月 '23
+213
在0个频道中
Get PRO
十一月 '23
+61
在0个频道中
Get PRO
十月 '23
+202
在0个频道中
Get PRO
九月 '23
+176
在0个频道中
Get PRO
八月 '23
+1 999
在0个频道中
Get PRO
七月 '23
+546
在0个频道中
Get PRO
六月 '23
+156
在0个频道中
Get PRO
五月 '23
+176
在0个频道中
Get PRO
四月 '23
+265
在0个频道中
Get PRO
三月 '23
+584
在0个频道中
Get PRO
二月 '23
+503
在0个频道中
Get PRO
一月 '23
+321
在0个频道中
Get PRO
十二月 '22
+590
在0个频道中
Get PRO
十一月 '22
+854
在0个频道中
Get PRO
十月 '22
+398
在0个频道中
Get PRO
九月 '22
+177
在0个频道中
Get PRO
八月 '22
+119
在0个频道中
Get PRO
七月 '22
+125
在0个频道中
Get PRO
六月 '22
+217
在0个频道中
Get PRO
五月 '22
+245
在0个频道中
Get PRO
四月 '22
+85
在0个频道中
Get PRO
三月 '22
+163
在0个频道中
Get PRO
二月 '22
+280
在0个频道中
Get PRO
一月 '22
+324
在0个频道中
Get PRO
十二月 '21
+96
在0个频道中
Get PRO
十一月 '21
+181
在0个频道中
Get PRO
十月 '21
+155
在0个频道中
Get PRO
九月 '21
+869
在0个频道中
| 日期 | 订阅者增长 | 提及 | 频道 | |
| 30 八月 | 0 | |||
| 29 八月 | 0 | |||
| 28 八月 | 0 | |||
| 27 八月 | +2 | |||
| 26 八月 | +2 | |||
| 25 八月 | 0 | |||
| 24 八月 | +2 | |||
| 23 八月 | 0 | |||
| 22 八月 | 0 | |||
| 21 八月 | +3 | |||
| 20 八月 | +1 | |||
| 19 八月 | 0 | |||
| 18 八月 | 0 | |||
| 17 八月 | +2 | |||
| 16 八月 | +1 | |||
| 15 八月 | +3 | |||
| 14 八月 | +1 | |||
| 13 八月 | +1 | |||
| 12 八月 | +2 | |||
| 11 八月 | 0 | |||
| 10 八月 | +1 | |||
| 09 八月 | 0 | |||
| 08 八月 | 0 | |||
| 07 八月 | +3 | |||
| 06 八月 | 0 | |||
| 05 八月 | +2 | |||
| 04 八月 | 0 | |||
| 03 八月 | 0 | |||
| 02 八月 | 0 | |||
| 01 八月 | +1 |
频道帖子
Il toolkit robotics open source di Hugging Face si aggiorna 🤖
LeRobot v0.6.0 è il rilascio più grande di sempre per la libreria open source di robotica di Hugging Face: chiude il loop imagine-evaluate-improve per l'AI embodied, con nuovi modelli, benchmark e strumenti di training.
Dentro troverete:
📌 World model policies: VLA-JEPA, FastWAM, LingBot-VA per "immaginare" il futuro
📌 Nuovi VLA: GR00T N1.7, MolmoAct2, EO-1, EVO1 e altri
📌 Valutazione: 6 benchmark di simulazione unificati in lerobot-eval
📌 Training: FSDP e cloud training su HF Jobs
📌 Dataset: supporto depth, annotazione automatica e caricamento 2x più veloce
Lo trovate qui 👉 https://huggingface.co/blog/lerobot-release-v060
| 2 |  Se in questo periodo state cercando nuove opportunità, su Datapizza Jobs abbiamo due posizioni che potrebbero interessarvi! 🙌
1️⃣ AI Transformation Leader in Azzurro Digitale
💸 RAL: 60k-80k + MBO
💡 Esperienza: 5+ anni
📍 Ibrido a Padova
🙌 Tecnologie: AI Expert, Evaluation di soluzioni GenAI, RAG e Agenti, Sistemi multi-agente, AI Tools, People Management, Project management
👉 https://bit.ly/4qHWmfl
2️⃣ AI Transformation Lead - Datapizza
💸 RAL: 45-55k
💡 Esperienza: 6-8 anni
📍 Ibrido su Milano (3-4 giorni a settimana in sede)
🙌 Tecnologie: AI ExpertEvaluation di soluzioni GenAIAI TransformationAI ToolsChange Management
👉 https://bit.ly/3SVoxe8
E se avete domande sulle posizioni, noi siamo qui! 🙌 | 2 037 |
| 3 |  Le skill dei vostri agenti possono allenarsi da sole 🛠️
SkillOpt di Microsoft è un optimizer open source che allena skill testuali riutilizzabili per agenti LLM "congelati", senza toccare i pesi del modello. Basta un documento di skill che si aggiorna da solo, con edit validati e nessuna chiamata extra a inferenza.
Dentro troverete:
📌 Come funziona: un optimizer trasforma i rollout in edit su un unico file di skill
📌 Validazione: ogni modifica è accettata solo se migliora lo score
📌 Risultati: fino a +24,8 punti nel loop agentico di Codex
📌 Portabilità: le skill si trasferiscono tra modelli e harness diversi
Lo trovate qui 👉 https://github.com/microsoft/SkillOpt | 2 368 |
| 4 |  Creare dataset con l'AI, senza scrivere una riga di codice 🧮
Hugging Face ha lanciato AI Sheets, un tool open source che vi permette di costruire, arricchire e trasformare dataset usando modelli AI direttamente da un'interfaccia a foglio di calcolo. Potete usare migliaia di modelli open del Hub tramite Inference Providers, oppure far girare tutto in locale.
Dentro troverete:
📌 Zero codice: interfaccia a celle, come un foglio di calcolo
📌 Migliaia di modelli: accesso diretto ai modelli open del Hub
📌 Locale o cloud: scegliete tra Inference Providers e modelli locali
📌 Arricchimento dati: generate, pulite e trasformate colonne con un prompt
Lo trovate qui 👉 https://huggingface.co/blog/aisheets | 2 538 |
| 5 |  Un agente AI puo' davvero comportarsi come un ricercatore, dall'idea alla pubblicazione? 🔬
Questa suite di benchmark valuta LLM frontier e harness agentici su tutto il ciclo di vita della ricerca scientifica, non solo su un singolo task isolato.
Dentro troverete:
📌 Copertura: ideazione, letteratura, esperimenti, scrittura del paper
📌 Target: modelli frontier e harness agentici a confronto diretto
📌 Metodo: task pensati per simulare il lavoro reale di un ricercatore
📌 Risultato: gap ancora ampio tra agenti e ricercatori umani sul ciclo completo
Lo trovate qui 👉 https://arxiv.org/abs/2606.07462 | 2 637 |
| 6 |  +1Se in questo periodo state cercando nuove opportunità, su Datapizza Jobs abbiamo due posizioni che potrebbero interessarvi! 🙌
1️⃣ Sales Industry Leader - Pubblica Amministrazione e Difesa in Datapizza
💸 RAL: 70k-80k
💡 Esperienza: 6+ anni
📍 Ibrido su Milano
🙌 Tecnologie: Sales Strategy, Account Management, Capacità di negoziazione, Data & AI, Business Development, Result driven, Pubblica Amministrazione e Difesa
👉 https://bit.ly/4qBVybO
2️⃣ AI Transformation Leader in Azzurrodigitale
💸 RAL: 60k-80k
💡 Esperienza: 5+ anni
📍 Ibrido su Padova
🙌 Tecnologie: AI Expert, Evaluation di soluzioni GenAI, RAG e Agenti, Sistemi multi-agente, AI Tools, People Management, Project management
👉 https://bit.ly/4zvVf6b
E se avete domande sulle posizioni, noi siamo qui! 🙌 | 3 266 |
| 7 |  Aggiornare un package una volta è facile, farlo per 12 release di fila molto meno ⛓️
SWE-Chain valuta i coding agent su catene di upgrade reali, dove ogni versione si costruisce sulla precedente proprio come succede nella manutenzione vera di un progetto.
Dentro troverete:
📌 Dataset: 12 catene di upgrade su 9 package Python reali
📌 Scala: 155 transizioni di versione, 1.660 requisiti verificati
📌 Risultato: i migliori agenti risolvono in media meno del 50% dei task
📌 Top performer: Claude Opus 4.7 su Claude Code al 60,8% di resolving
Lo trovate qui 👉 https://arxiv.org/abs/2605.14415 | 3 235 |
| 8 |  Il capex delle Big Tech sta per superare il cash flow 📊
Epoch AI ha pubblicato un nuovo data insight sulla spesa in infrastrutture AI degli hyperscaler: stima che entro il Q3 2026 gli investimenti in capex supereranno il flusso di cassa operativo.
Dentro troverete:
📌 Il sorpasso: capex aggregato oltre il cash flow entro Q3 2026
📌 NVIDIA: oltre il 60% del compute totale installato
📌 Il resto: Google e Amazon a coprire gran parte del compute rimanente
📌 Il trend: capex cresciuto molto più velocemente dei ricavi
📌 I dati: parte del database Epoch AI su oltre 3.500 modelli ML
Lo trovate qui 👉 https://epoch.ai/data-insights/hyperscaler-capex-vs-cash-flow | 3 060 |
| 9 |  Valutare un agente AI su un benchmark intero costa caro! 💰
Ma serve davvero farlo? 🤔
Questo paper mostra come selezionare solo i task a difficoltà intermedia permetta di ridurre drasticamente il costo di valutazione senza perdere affidabilità.
Dentro troverete:
📌 Filtro basato su tassi di successo storici tra il 30% e il 70%
📌 Riduzione dei task di valutazione dal 44% al 70%
📌 Alta fedeltà nel ranking anche cambiando scaffold nel tempo
📌 Metodo motivato dalla Item Response Theory
📌 Codice e dati rilasciati pubblicamente su GitHub
Lo potete trovare qui 👉 https://arxiv.org/abs/2603.23749 | 2 918 |
| 10 |  Un corso gratuito per costruire agenti con memoria vera 🧩
DeepLearning.AI e Oracle hanno lanciato "Agent Memory: Building Memory-Aware Agents", un corso pratico per progettare sistemi di memoria che permettono agli agenti AI di ricordare, recuperare e aggiornare le proprie conoscenze nel tempo.
Dentro troverete:
📌 L'infrastruttura: memoria costruita su Oracle AI Database e LangChain
📌 I tipi di memoria: design di un sistema che gestisce memorie diverse per funzione
📌 La ricerca semantica: scalare l'accesso ai tool tramite semantic search
📌 Il write-back: loop che permettono all'agente di aggiornare la propria memoria da solo
📌 Il risultato finale: un Memory Aware Agent che migliora sessione dopo sessione
Lo potete trovare qui! 👉 https://www.deeplearning.ai/courses/agent-memory-building-memory-aware-agents | 3 119 |
| 11 |  Nove modelli frontier messi alla prova sulla ricerca web più difficile mai testata 🔎
DeepWeb-Bench richiede di raccogliere prove massicce da fonti diverse e derivazioni a lungo raggio, molto più complesse dei benchmark esistenti.
Dentro troverete:
📌 Solo il 12-14% degli errori dipende dal retrieval, il resto da derivazione e calibrazione
📌 Modelli forti e deboli sbagliano in modi qualitativamente diversi
📌 Accordo tra modelli basso: correlazione di appena ρ = 0,61
📌 Disaccordo per singolo caso fino a 18,8 punti percentuali
📌 Ogni risposta accompagnata da un record di provenienza delle fonti
Lo trovate qui 👉 https://arxiv.org/abs/2605.21482 | 3 483 |
| 12 |  +1Se in questo periodo state cercando nuove opportunità, su Datapizza Jobs abbiamo due posizioni che potrebbero interessarvi! 🙌
1️⃣ Product Lead in Medicilio
💸 RAL: 50k-75k
💡 Esperienza: 4+ anni
📍 Ibrido su Milano (3 giorni smart-working/settimana)
🙌 Tecnologie: UX/UI Design, AI Fluency, Comunicazione efficace, Product Strategy, Microservizi, Gestione Team, Project management, Regulatory Compliance, SQL
👉 https://bit.ly/4gep7LD
2️⃣ Lead Data Architect in Intarget Group S.r.l. – Società Benefit
💸 RAL: 60k-70k
💡 Esperienza: 5+ anni
📍 Ibrido su Milano, Pisa o Roma
🙌 Tecnologie: Python, SQL, Apache Kafka, GCP, Data Pipeline, Strumenti BI, CI/CD, Terraform
👉 https://bit.ly/4gatYO4
E se avete domande sulle posizioni, noi siamo qui! 🙌 | 3 991 |
| 13 |  Un framework per testare le vostre applicazioni LLM come fareste con del codice normale 🧪
DeepEval è una libreria open source con decine di metriche pronte per agenti, RAG, chatbot e summarization, con una developer experience in stile Pytest.
Dentro troverete:
📌 Metriche: agenti, RAG, chatbot, summarization già pronte all'uso
📌 Integrazione: si collega ai principali framework LLM
📌 Licenza: Apache 2.0, completamente open source
📌 Adozione: oltre 400.000 download mensili
Lo trovate qui 👉 https://github.com/confident-ai/deepeval | 3 639 |
| 14 |  Un dataset multilingue da mille miliardi di token è online 🌍
Hugging Face ha rilasciato FineTranslations: un dataset di testo parallelo che copre l'inglese e oltre 500 altre lingue, pensato per migliorare la traduzione automatica a minori risorse.
Dentro troverete:
📌 La scala: oltre 1000 miliardi di token di testo parallelo
📌 La fonte: contenuti non in inglese di FineWeb2 tradotti con Gemma3 27B
📌 La pipeline: processo di generazione dei dati completamente documentato e riproducibile
📌 L'obiettivo: colmare il divario di qualità nella traduzione verso lingue meno rappresentate
📌 L'uso: pronto per il training e il fine-tuning di modelli di traduzione
Vi lasciamo qui il link! 👉 https://huggingface.co/blog/Pclanglais/two-trillion-tokens-open | 3 534 |
| 15 |  Un paper per ripensare la memoria degli agenti AI 🤔
I ricercatori propongono Memory in the Loop: un sistema di retrieval in-process che funge da memoria di lavoro estesa per gli agenti linguistici, senza ricorrere a database esterni separati.
Dentro troverete:
📌 Il problema: la memoria a lungo termine tradizionale rallenta gli agenti
📌 La soluzione: retrieval integrato direttamente nel processo di inferenza
📌 I vantaggi: meno latenza e più coerenza tra i turni di conversazione
📌 I test: valutazioni su task multi-step che richiedono memoria estesa
📌 Le implicazioni: un possibile standard per gli agenti di nuova generazione
Ecco a voi il link! 👉 https://arxiv.org/abs/2607.05690 | 3 644 |
| 16 |  Se in questo periodo state cercando nuove opportunità, su Datapizza Jobs abbiamo due posizioni che potrebbero interessarvi! 🙌
1️⃣ Lead Data Architect in Intarget Group S.r.l. - Società Benefit
💸 RAL: 60k-70k
💡 Esperienza: 5+ anni
📍 Ibrido a Milano, Pisa o Roma
🙌 Tecnologie: Python, SQL, Apache Kafka, GCP, Data Pipeline, Strumenti BI, CI/CD, Terraform
👉 https://bit.ly/4giJbO4
2️⃣ AI Transformation Leader in Azzurro Digitale
💸 RAL: 60k-80k
💡 Esperienza: 5+ anni
📍 Ibrido a Padova
🙌 Tecnologie: AI Expert, Evaluation di soluzioni GenAI, RAG e Agenti, Sistemi multi-agente, AI Tools, People Management, Project management
👉 https://bit.ly/3TyV7mb
E se avete domande sulle posizioni, noi siamo qui! 🙌 | 3 675 |
| 17 | Se in questo periodo state cercando nuove opportunità, su Datapizza Jobs abbiamo due posizioni che potrebbero interessarvi! 🙌
1️⃣ Lead Data Architect in Intarget Group S.r.l. - Società Benefit
💸 RAL: 60k-70k
💡 Esperienza: 5+ anni
📍 Ibrido a Milano, Pisa o Roma
🙌 Tecnologie: Python, SQL, Apache Kafka, GCP, Data Pipeline, Strumenti BI, CI/CD, Terraform
👉 https://bit.ly/4giJbO4
2️⃣ AI Transformation Leader in Azzurro Digitale
💸 RAL: 60k-80k
💡 Esperienza: 5+ anni
📍 Ibrido a Padova
🙌 Tecnologie: AI Expert, Evaluation di soluzioni GenAI, RAG e Agenti, Sistemi multi-agente, AI Tools, People Management, Project management
👉 https://bit.ly/3TyV7mb
E se avete domande sulle posizioni, noi siamo qui! 🙌 | 1 |
| 18 |  Portare l'AI in azienda sembra facile.
Poi provate a farlo davvero e scoprite quante cose si possono rompere.
Un anno di Adoption ci ha insegnato dove serve attenzione, persone, processi, tempi.
E cosa serve perché il cambiamento resti in piedi.
In questa live troverete:
📌 Casi reali,
📌 Cose imparate sul campo
📌 Nessuna teoria da slide
E se vi siete mai chiesti com'è lavorare su questo lato di Datapizza, qui potrete trovare le risposte.
Speaker:
Giacomo Ciarlini, Co-Founder and CIO
Luca Malinverno, Head of AI Adoption
📅 Giovedì 6 agosto, alle ore 17:00
📍 In diretta su LinkedIn & Youtube
Trovate qui sotto i link per seguire la diretta! 👇
Linkedin: https://www.linkedin.com/events/comesiportal-aidentroun-azienda7488858835395297281/theater/
Youtube: https://www.youtube.com/live/ifDvXD2G7Sg?si=c17nRqUO8HQ0m4tu | 4 046 |
| 19 |  Un agente che decide da solo come strutturare il proprio ragionamento 🧠
I ricercatori dell'University of Washington propongono Deep Reasoning, un metodo per costruire scaffold di ragionamento su misura per ogni task, invece di usare pattern fissi.
Dentro troverete:
📌 Un linguaggio formale per rappresentare il meta-ragionamento
📌 Combinazione di inferenza associativa, calcolo formale e scomposizione ricorsiva
📌 DOLORES: l'agente generale che applica il metodo in pratica
📌 Task complessi distribuiti su thread di ragionamento più piccoli e controllati
📌 Dipendenze tra sotto-problemi preservate durante l'esecuzione
Lo trovate qui 👉 https://arxiv.org/abs/2605.11388 | 3 702 |
| 20 |  Le AI imparano davvero dai propri errori? ❌
Epoch AI ha lanciato EBR-bench: fa giocare ai modelli frontier lo stesso gioco da tavolo complesso, Earthborne Rangers, per 30 partite di fila.
Il risultato mette in discussione una delle promesse più ripetute sull'apprendimento continuo.
Dentro troverete:
📌 Setup: modelli valutati su 30 playthrough consecutivi dello stesso gioco
📌 Risultato: nessun segno di miglioramento, nemmeno con una guida strategica completa
📌 Confronto: performance ben sotto quella di giocatori umani esperti
📌 Implicazioni: dubbi concreti sulla capacità di apprendimento on-the-fly dei modelli attuali
Lo trovate qui 👉 https://epoch.ai/publications/earthborne-rangers-benchmark | 3 557 |
