Le chatbot rispondono. I sistemi che ragionano decidono.La maggior parte dei libri sull’AI si ferma al notebook Jupyter. Questo no. Ogni riga di codice è stata scritta, eseguita e messa in produzione — potete farlo anche voi, sulla vostra macchina, stasera.AI che Ragiona colma il divario fra teoria accademica e sistema enterprise che paga le bollette. Oltre 500 pagine di codice Python eseguibile, architetture di produzione, calcoli di ROI difendibili davanti a un CFO e uno studio di caso end-to-end da 18 mesi.Il percorso completoDai Knowledge Graph — la stessa tecnologia dietro al grafo Google da 1,6 trilioni di triple — alle due evoluzioni che nel 2025-2026 ridefiniscono come l’AI viene progettata e venduta: il Model Context Protocol di Anthropic e l’orchestrazione multi-agente con Microsoft Agent Framework.Cosa imparereteModelli di dati: RDF, Property Graph, ontologie OWL, SHACL, ragionamento deduttivo e induttivoPipeline di ingestion: preprocessing, coreference, NER ibrido, entity resolution, canonicalizzazioneQuery e linguaggi: Cypher, SPARQL, Gremlin, NL2Cypher con LLMVector store: Redis, pgvector, Qdrant, Milvus, FAISS, HNSW, calibrazione delle soglieGraph-RAG: dense + sparse + grafo per zero allucinazioni e memoria conversazionaleKnowledge Graph Completion: TransE, RotatE, ComplEx, transitive closure e similarità semanticaModel Context Protocol: JSON-RPC 2.0, Tools/Resources/Prompts, FastMCP, stdio e SSEMicrosoft Agent Framework: i 6 pattern di tool, sette agenti orchestrati in produzioneConfronto framework: MAF vs LangChain vs CrewAI vs AutoGenSicurezza e compliance: PII, tenant isolation, prompt injection, EU AI Act, GDPR, ISO 42001Cloud deployment: Azure, AWS, GCP — confronto costi realiStudio di caso enterprise: discovery, ontologia, roll-out e ROI con numeri veriCarriera: pricing, SOW, demo che chiude il contratto, nicchie verticali 2026Stack tecnologico (tutto open source)Python 3.11+ · Neo4j · Redis Stack · Ollama (qwen2.5:14b + nomic-embed-text) · FastMCP · Microsoft Agent Framework · FastAPI · Next.js · Docker ComposePer chi èDeveloper Python, AI/ML engineer, architetti: codice completo, pattern di produzione, architetture scalabiliCTO, PM, consulenti AI, founder: casi d’uso per settore, ROI difendibili, modello di pricing, go-to-marketBonus inclusiRepository GitHub con i 5 moduli del progettoJupyter Notebook per ogni capitoloDocker Compose pronto all’usoGlossario, Troubleshooting, Bibliografia, Cheat Sheet, catalogo di prompt e template (ADR, SOW, business case, RFP)L’autoreGiuseppe Zileni è sviluppatore software da oltre vent’anni.Wikipedia spiega cos’è un Knowledge Graph. YouTube mostra come fare una demo. Questo libro risponde alla domanda diversa, e molto più difficile: come si costruisce un sistema che funziona davvero in produzione e che qualcuno è disposto a pagare per usarlo.Fate git clone del repository e nel giro di un caffè avrete il vostro primo Knowledge Graph in esecuzione.
Download da