Oggi lanciamo Datapizza AI - il framework open source per portare la Generative AI in azienda

“Vogliamo un’Italia competitiva nel Tech”. 🇮🇹

È sempre stata la nostra mission principale.

E ora siamo qui per annunciarvi qualcosa di grande su cui abbiamo lavorato tanto negli ultimi due anni che ci porta sempre di più verso questa direzione.

Innanzitutto, che cosa abbiamo fatto?

Abbiamo sviluppato DatapizzaAI, il nostro framework open-source per costruire soluzioni RAG e Agenti AI production-ready con pieno controllo su ogni componente sviluppata.

Ma facciamo un passo indietro perché voglio raccontarti bene tutto ciò che abbiamo fatto in questi mesi.

Tutto è iniziato ad aprile 2024, quando abbiamo creato il nostro team R&D (Ricerca & Sviluppo) dedicato esclusivamente alla GenAI (Generative AI).

Avevamo un obiettivo chiaro in mente: non solo sperimentare, ma portare in produzione soluzioni che generassero valore reale e misurabile per i nostri clienti.

Nei primi mesi abbiamo studiato tanto e testato i principali framework GenAI sul mercato per costruire sistemi RAG complessi e agenti AI.

Ma ogni use case reale ci metteva davanti allo stesso, frustrante problema: non avevamo davvero il controllo su ciò che stavamo costruendo.

Voglio andare più nel dettaglio sul problema, per farti capire bene cosa intendiamo con quest’ultimo punto.

Allora…

📌 Il problema dei framework esistenti

La nostra esperienza con i framework esistenti ci ha portato a individuare quattro problemi ricorrenti:

1️⃣ Debugging difficile: le astrazioni dei framework esistenti rendevano molto complesso capire dove si verificavano gli errori.

Il debugging diventava un incubo: ci siamo ritrovati a ricostruire manualmente ogni singolo passaggio, navigando tra troppi livelli di astrazione che nascondevano il vero problema.

2️⃣ Dipendenza da terze parti: in alcuni casi, lo sviluppo si bloccava nell'attesa di un fix esterno, completamente fuori dal nostro controllo.

Un lusso che progetti con scadenze stringenti e KPI da rispettare non possono permettersi.

3️⃣ Curva di apprendimento ripida: comprendere le astrazioni del framework richiedeva tempo prezioso e ogni modifica ci legava sempre più ad un livello di astrazione che non sentivamo nostro.

4️⃣ Personalizzazione complessa: i nostri progetti richiedevano livelli sempre più elevati di personalizzazione, ma ci siamo resi conto che non era sempre semplice personalizzare singole componenti.

Non ci serviva una soluzione RAG generica da applicare indistintamente a ogni caso d'uso, ma implementazioni specifiche per ogni dominio applicativo.

Parliamo di scelte precise per ogni singolo step della pipeline RAG: chunking, embedding, indicizzazione, retrieval, re-ranking, caching, osservabilità e valutazione

I Software Development Kit (SDK) nativi dei provider, già potenti e relativamente semplici da usare, ci hanno fatto capire una cosa fondamentale: non avevamo bisogno di un layer di astrazione complesso.

Ci serviva un'astrazione leggera, modulare, che ci permettesse sempre di intervenire a basso livello quando necessario.

Avevamo bisogno di qualcosa di componibile, osservabile e personalizzabile.

Ecco, noi siamo partiti proprio da queste criticità che abbiamo spesso riscontrato per andare a costruire il nostro framework: Datapizza AI. 🙌

Vado ora più nel dettaglio raccontandoti i pilastri di Datapizza AI.

📌 I pilastri del nostro framework Datapizza AI

1️⃣ Bassa astrazione e controllo totale: niente meccanismi nascosti, solo codice che governi tu.

Datapizza AI mantiene un'astrazione minimale: un layer sottile sopra gli SDK nativi che organizza e rende modulare il tuo codice senza oscurare cosa succede sotto il cofano.

Questo garantisce che il codice che scrivi resta leggibile e comprensibile: non ci sono layer su layer che nascondono cosa succede realmente.

Quando leggi il codice, vedi esattamente cosa fa, senza dover ricostruire mentalmente passaggi nascosti.

In Datapizza AI ogni azione è osservabile: tracing completo di ogni step, logging strutturato, gestione degli errori chiara.

Non è una feature aggiuntiva ma una parte naturale dell'architettura. Quando qualcosa si rompe, hai immediatamente visibilità su dove intervenire.

Tutto questo semplifica il debugging, aumentando il controllo su ciò che l’AI Engineer sta sviluppando. E avere maggior controllo è ciò che permette di passare da semplici Proof of Concept (PoC) a prodotti AI in produzione all’interno di infrastrutture complesse.

2️⃣ Massima flessibilità e personalizzazione: ogni componente è intercambiabile e personalizzabile.

Ogni componente di ciò che sviluppi è facilmente sostituibile, riusabile e personalizzabile.

Datapizza AI si adatta alle esigenze dell’AI Engineer, che può modificare e intervenire su ogni singolo modulo. Il basso livello di astrazione permette di creare moduli custom adatti ad ogni esigenza, rimanendo compatibile con il resto del framework.

Non sei vincolato dalle scelte del framework. Sei tu a decidere come assemblare i moduli che hai a disposizione.

E lo abbiamo testato molto prima di rilasciarlo.

📌 Già in produzione in soluzioni enterprise

Prima di lanciare Datapizza AI pubblicamente, l'abbiamo messo alla prova dove conta davvero. Abbiamo utilizzato Datapizza AI in oltre 10 progetti già live su use case reali complessi.

Con Datapizza AI abbiamo ridotto i tempi di sviluppo e di debugging. Assembliamo rapidamente i moduli necessari e personalizziamo integralmente ogni implementazione, intervenendo in modo chirurgico dove necessario.

📌 Cosa puoi fare ora? Iniziare subito! 👀

Datapizza AI è open source e pronto per essere testato sui tuoi casi d'uso.

Vai al repository su GitHub per vedere:

Quick-start per essere operativo in pochi minuti
Esempi completi di sistemi RAG
Template per sistemi multi-agente

Sperimenta, costruisci, rompi e ricomincia. Lasciaci una stella e condividi il tuo feedback: è il modo migliore per aiutarci a capire quali funzionalità sviluppare e integrare.

Trovi qui il link a GitHub! 👉 https://bit.ly/blog-frame

Ma prima di chiudere…

📌 Perché l’abbiamo costruito?

Abbiamo sviluppato Datapizza AI per diverse ragioni.

Da un lato, avevamo bisogno di un framework che funzionasse nei progetti reali, non solo nelle demo.

Cercavamo un tool per costruire velocemente soluzioni RAG e AI Agents production-ready su cui avere pieno controllo e che garantisse elevati livelli di personalizzazione e modularità.

Dall’altro per essere uno step più vicini all nostra mission. Vogliamo dimostrare che anche dall’Italia si può costruire qualcosa di grande.

L’abbiamo già fatto con voi, la nostra community, ma oggi vogliamo fare un passo oltre: creare un framework open source, che possa essere condiviso, migliorato e utilizzato da chiunque lo desideri.

È il momento di mostrare che gli italiani non sono solo spaghetti, pizza e mandolino, ma anche innovazione, talento e visione.