> vision · llm · edge · deploy

Riccardo Gasparini

Ingegnere AI freelance. Porto modelli di visione e LLM dentro prodotti e fabbriche, dal prototipo al deploy.

ScrivimiLinkedIn

01

Cosa faccio

LLM, agenti e RAG

Assistenti che rispondono sui documenti aziendali, estrazione strutturata da PDF e scansioni, agenti che interrogano database e sistemi. Modelli in cloud o self-hosted su GPU, con valutazioni misurabili prima di andare in produzione.

  • RAG
  • LangGraph
  • Claude / OpenAI
  • vLLM
  • Docling
  • Qdrant

Approfondisci →

Visione industriale

Ispezione e anomaly detection, detection e tracking multi-camera, anonimizzazione video, analisi del movimento. Dalla scelta della camera al modello in linea, con esperienza diretta su camere industriali e acquisizione sincronizzata.

  • PyTorch
  • OpenCV
  • FLIR / Basler / Allied
  • Tracking
  • YOLO
  • Anonimizzazione

Approfondisci →

Dati, forecasting e geospaziale

Forecasting su serie temporali da sensori, dati satellitari e geospaziali, modelli predittivi, motori di scoring e raccomandazione. API, container e pipeline CI/CD perché il modello arrivi davvero a chi lo usa.

  • scikit-learn
  • PyTorch Forecasting
  • Sentinel-2
  • PostGIS
  • InfluxDB
  • ONNX

Approfondisci →

Prodotti e piattaforme

Applicazioni web e mobile complete attorno ai modelli: API, autenticazione, database, GIS, app Flutter, dashboard React, CI/CD e deploy. Il pezzo che manca perché l'AI diventi un prodotto.

  • FastAPI
  • Django
  • React
  • Flutter
  • PostGIS
  • Docker / Kubernetes

Approfondisci →

02

Lavori

Quindici progetti senza nomi: conta il problema e come l'ho risolto. Settori manifattura, agritech, retail, fitness, ferrovie, ricerca.

LLM, agenti e RAG

Gruppo industriale · 2026

Piattaforma RAG multi-azienda sui documenti interni

Problema
Migliaia di documenti tecnici e procedure sparsi tra le società del gruppo, impossibili da interrogare, e nessun dato può uscire dall'azienda.
Cosa ho fatto
Ingestion con Docling e chunking semantico, indicizzazione tripla (chunk, domande generate, riassunti), ricerca ibrida densa e sparsa con reranking cross-encoder e retrieval visuale delle pagine con ColPali. Stack LLM completamente locale su vLLM, risposte in streaming con permessi per azienda, valutazione continua con RAGAS, deploy su Kubernetes.
  • Docling
  • Qdrant
  • BGE-M3
  • ColPali
  • vLLM
  • RAGAS
  • FastAPI
  • Helm

Diagnostica di laboratorio · 2026

Estrazione strutturata da referti di laboratorio

Problema
Parametri come sodio e potassio, con valori e unità, chiusi in referti PDF e scansionati con etichette sempre diverse, da estrarre senza inventare nulla.
Cosa ho fatto
Grafo LangGraph a tre agenti: uno normalizza i termini richiesti, uno cerca i parametri nel testo con match esatto o fuzzy, uno valida e corregge il JSON finale con liste trovati e non trovati. Output Pydantic, streaming, archivio documenti per utente, modelli self-hosted, multi-tenant su Kubernetes.
  • LangGraph
  • Pydantic
  • Docling
  • vLLM
  • FastAPI
  • Kubernetes

Ristorazione collettiva · 2026

Assistente conversazionale su un database ricette legacy

Problema
Un database IBM DB2 di ricette e ingredienti che solo chi scrive SQL riusciva a interrogare, e domande in linguaggio naturale da parte dello staff.
Cosa ho fatto
Tre agenti LangGraph: il primo classifica l'intento, il secondo genera query sicure sul DB2 (WHERE dinamiche, ricerca case-insensitive, join ottimizzati per la versione 9.7), il terzo filtra e aggrega con pandas. Sessioni con scadenza, KPI, export CSV, modello open su vLLM self-hosted, autenticazione Keycloak, Helm e CI.
  • LangGraph
  • IBM DB2
  • vLLM
  • Keycloak
  • FastAPI
  • Helm

Visione industriale e video

Manifattura · progetto europeo H2020 · 2022-2023

Sicurezza in reparto con visione artificiale

Problema
Rilevare cadute, ingressi in aree vietate e distanze tra operatori dalle telecamere esistenti, senza esporre l'identità delle persone.
Cosa ho fatto
Sull'edge: segmentazione, stima della posa, tracking, classificatore di caduta, anonimizzazione in-frame e omografia verso la planimetria. In cloud: microservizio FastAPI event-driven che trasforma gli eventi FIWARE in tre regole di sicurezza, dashboard Streamlit per il responsabile, deploy GitOps sul cluster del progetto con ArgoCD e Istio.
  • PyTorch
  • YOLACT
  • FIWARE / NGSI-LD
  • FastAPI
  • Streamlit
  • ArgoCD / Istio

Fitness equipment · R&D · 2022-2024

Anonimizzazione video automatica per la privacy

Problema
Ore di riprese di persone che usano attrezzi da palestra, da anonimizzare in modo affidabile prima di archiviarle o usarle per addestrare modelli.
Cosa ho fatto
Servizio in produzione per sedici mesi che sorveglia una cartella e processa ogni nuovo video con un ensemble di quattro modelli (due detector di volti e teste, di cui uno addestrato in proprio, due stimatori di posa), fonde i risultati e sfoca le regioni, ri-codifica con ffmpeg conservando l'audio, con dashboard di monitoraggio. Seconda pipeline real-time da RTSP con rotazione oraria dei file e deploy Docker multi-GPU.
  • PyTorch
  • YOLOv7
  • Keypoint R-CNN
  • OpenCV
  • ffmpeg
  • RTSP
  • Docker

Retail e spazi di lavoro · 2018-2024

Tracking multi-camera di persone con mappatura su planimetria

Problema
Seguire le persone tra più telecamere in negozi e ambienti di lavoro, unire le tracce in un'unica traiettoria sulla pianta e stimare dati aggregati, senza infrastruttura dedicata.
Cosa ho fatto
Pipeline RTSP per camera con detector e DeepSORT, omografie calibrate verso il piano 2D, fusione delle tracce tra camere per coordinate e aspetto, re-identificazione con embedding appresi. Architettura multiprocesso (acquisizione, detection, tracking). Rig di acquisizione a quattro camere Basler sincronizzate PTP sotto i 15 ms con posizionamento UWB; integrazione di camere FLIR e Allied Vision con trigger hardware.
  • DeepSORT
  • YOLOv3 / CenterNet
  • OpenCV
  • RTSP
  • Basler / FLIR / Allied
  • PTP
  • UWB

Fitness · digital coaching · 2023

Riconoscimento esercizi e conteggio ripetizioni da pose 3D

Problema
Da una sequenza di pose 3D catturata durante un esercizio, capire quale esercizio è e contare le ripetizioni, esponendo gli angoli articolari per l'analisi della forma.
Cosa ho fatto
Transformer su finestre di 32 frame con teste multi-task: classificazione dell'esercizio, heatmap per i picchi delle ripetizioni con conteggio via rilevamento dei picchi, regressione di dodici angoli articolari (gomito, spalla, anca, ginocchio) da uno scheletro a 23 giunti. Cinque architetture confrontate, libreria geometrica separata, tool di annotazione per le ripetizioni.
  • PyTorch
  • Transformer
  • Fit3D
  • SciPy
  • Biomeccanica

Infrastruttura ferroviaria · ricerca · 2019-2020

Ispezione ferroviaria con anomaly detection non supervisionata

Problema
Trovare difetti su ruote e componenti da immagini termiche e RGB quando gli esempi di difetto sono rari e imprevedibili.
Cosa ho fatto
Autoencoder convoluzionale addestrato solo su immagini normali, loss composita SSIM, percettiva e gradiente, varianti a immagine intera e a ritagli, sweep di soglia e clustering degli errori di ricostruzione, ottimizzazione per hardware embedded. Tool di annotazione a dodici classi e pipeline dataset. Pubblicato a ICPR 2020 e AI4RAILS 2020.
  • PyTorch
  • Autoencoder
  • SSIM
  • Termico
  • PyQt5
  • ICPR 2020

Componentistica industriale · edge · 2021-2022

Anomaly detection su componenti e modelli su edge

Problema
Ispezionare componenti prodotti in serie e far girare i modelli su hardware piccolo, da una CPU industriale a un microcontrollore.
Cosa ho fatto
Autoencoder con backbone selezionabile e loss SSIM per l'ispezione visiva, con quantizzazione INT8 post-training. Detector leggero esportato in TFLite con verifica di parità tra modello float e quantizzato. Benchmark di 33 modelli quantizzati su un microcontrollore RISC-V ultra-low-power, con cicli e MAC per ciclo misurati.
  • PyTorch
  • TFLite
  • Quantizzazione
  • MobileNet
  • GAP8
  • Edge

Grande distribuzione e mobilità urbana · 2021-2023

Conteggi e flussi da video: casse retail e traffico

Problema
Contare oggetti sul nastro di una cassa in tempo reale e stimare flussi di veicoli e pedoni da riprese GoPro, senza infrastruttura cloud.
Cosa ho fatto
Per le casse: pipeline RTSP con visione classica (sottrazione dello sfondo, morfologia), eventi con voting temporale, calibrazione a omografia e harness di valutazione precision, recall e F1 su molti video, con target 60 fps. Per il traffico: applicazione desktop con YOLOX e SORT, conteggio per attraversamento di linea, riclassificazione dei veicoli con k-means, installer per l'utente finale.
  • OpenCV
  • YOLOX
  • SORT
  • RTSP
  • DearPyGui
  • k-means

Dati e forecasting

Agricoltura di precisione · 2025-2026

Raccomandazione irrigua e forecasting del suolo

Problema
Sensori in campo, previsioni meteo e fenologia da trasformare in una decisione quotidiana: quanto irrigare e concimare, e quando.
Cosa ho fatto
Motore agronomico con idrologia del suolo, chimica N-P-K, fasi BBCH ed evapotraspirazione, su MariaDB e InfluxDB con autenticazione Keycloak. Forecasting multi-target dello stato del suolo con Random Forest e oltre cento feature (SMAPE medio 4,7% su cinque target). Temporal Fusion Transformer valutato con Optuna ed export ONNX, poi scartato: il modello classico era migliore.
  • scikit-learn
  • Random Forest
  • TFT
  • ONNX
  • InfluxDB
  • FastAPI
  • Keycloak

Agricoltura di precisione · 2026

Zone di prescrizione da immagini Sentinel-2

Problema
Un agronomo disegna il confine di un campo e vuole mappe di vigore e zone a rateo variabile senza competenze GIS o satellitari.
Cosa ho fatto
Servizio che scarica Sentinel-2 da Copernicus per poligono e intervallo, calcola NDVI con mascheratura delle nuvole, raggruppa in zone di vigore con K-Means ed esporta GeoJSON, Shapefile e ISO-XML per le macchine, più overlay georeferenziati. Frontend React con Leaflet per disegnare e scegliere le scene, modalità mock senza credenziali, 141 test.
  • rasterio
  • Sentinel-2
  • NDVI
  • K-Means
  • React / Leaflet
  • FastAPI

Prodotti e piattaforme

Centro per l'innovazione · PMI manifatturiere · 2025-2026

Digital Maturity Assessment per PMI

Problema
Valutare la maturità digitale di una PMI in modo ripetibile e consegnare un report, al posto di fogli di calcolo e interviste.
Cosa ho fatto
Questionario definito in YAML (sei dimensioni, 86 item), motore di scoring con bande di maturità e livello Industrie 4.0, report con grafici radar e scala in PDF, invio email, export CSV e XLSX protetti da formula injection, autenticazione e cancellazione account, migrazioni, 45 test, deploy Docker.
  • FastAPI
  • SQLAlchemy
  • WeasyPrint
  • Scoring engine
  • Docker

Prodotto proprio · fintech · 2025-2026

Pullback Radar, monitoraggio investimenti multi-utente

Problema
Gli investitori privati perdono le finestre brevi di ribasso su decine di titoli perché non possono guardare il mercato tutto il giorno.
Cosa ho fatto
SaaS con login Google, scansione ogni venti minuti in orario di mercato, punteggio tecnico da 0 a 130 condiviso tra monitor live e backtester walk-forward, alert email con cooldown, stop e take-profit basati su ATR, portafoglio con simulatore DCA, ottimizzazione settimanale dei pesi con approvazione manuale. Docker su VPS con CI/CD, nginx con HSTS, backup giornalieri, pagine GDPR.
  • FastAPI
  • APScheduler
  • Backtesting
  • Google OAuth
  • Docker
  • GitHub Actions

Ricerca e realtà aumentata

Manifattura e beni culturali · ricerca · 2016-2018

Matching 2D-3D per la realtà aumentata

Problema
Riconoscere un componente industriale o un dettaglio architettonico da una foto e sovrapporre informazioni, senza marker.
Cosa ho fatto
Per un catalogo industriale in AR: server che segmenta il componente con GrabCut e dense-CRF e lo registra al template con omografia da feature, ArUco o punti manuali. Per la tesi magistrale: registrazione in tempo reale di una foto contro un modello 3D da structure-from-motion, con confronto di backend di ricerca dei vicini fino a un kernel CUDA, e app Android nativa con streaming video. Pubblicato ad AVR 2016.
  • OpenCV
  • SIFT
  • Structure-from-Motion
  • GrabCut
  • CUDA
  • Android

03

Come lavoro

Lo stesso metodo su ogni progetto, dal primo incontro alla produzione. Specifiche brevi e verificabili, sviluppo assistito dall'AI con revisione umana su ogni modifica, tutto versionato.

  1. 1. Analisi e scoping

    Una o due sessioni con chi conosce il problema. Ne escono obiettivo, dati disponibili, vincoli (privacy, hardware, budget) e una metrica di successo scritta.

  2. 2. Prototipo in settimane

    Un PoC che gira sui vostri dati, misurato sulla metrica concordata. Se il risultato non regge, lo dico subito e si cambia strada senza aver speso mesi.

  3. 3. Produzione

    Codice con test automatici, CI/CD, container, documentazione. Autenticazione, ruoli e log fin dall'inizio, non alla fine.

  4. 4. Consegna e affiancamento

    Deploy nel vostro ambiente (cloud, Kubernetes, VPS o on-premise), formazione del team, monitoraggio e un canale diretto per le evoluzioni.

04

Percorso

Riccardo Gasparini è un ingegnere AI freelance con sede a Modena, in Emilia-Romagna. Lavora dal 2016 su computer vision industriale, LLM, agenti e RAG, forecasting su dati IoT e geospaziali, e sulla consegna di prodotti web e mobile completi. È ingegnere iscritto all'Ordine di Modena, ex assegnista di ricerca del laboratorio AImagelab dell'Università di Modena e Reggio Emilia, co-fondatore e CIO di una startup AI dal 2019 al 2024, autore di cinque pubblicazioni internazionali (ICCV, ICPR, IEEE IV). Segue aziende manifatturiere, agritech, medtech e servizi, da remoto o in sede.

Ritratto di Riccardo Gasparini
modena · 44.65N 10.93E
10+
anni in AI e visione
5
pubblicazioni
1
progetto H2020
100+
ore di docenza
Ing.
iscritto all'Ordine

  1. 2022 · oggi

    Ingegnere AI freelance

    Consulenza e sviluppo per aziende manifatturiere, agritech, retail, medtech e servizi: computer vision, RAG e agenti, forecasting, piattaforme complete.

  2. 2019 · 2024

    Co-founder e CIO di una startup AI

    Responsabile tecnico: architettura, team, prodotto. Progetto europeo H2020 come technology provider.

  3. 2016 · 2022

    Assegnista di ricerca, AImagelab UNIMORE

    Visione artificiale e machine learning: tracking di persone, ispezione ferroviaria, visione su embedded, dati sintetici. Cinque pubblicazioni internazionali.

  4. 2017 · 2020

    Docenza

    Programmazione GPU con CUDA (master di II livello), machine learning e video analytics, fondamenti di informatica. Cinque tesi seguite.

  5. 2016

    Laurea magistrale in Ingegneria Informatica

    UNIMORE, 108/110. Tesi su matching 2D-3D in tempo reale. Ingegnere iscritto all'Ordine di Modena.

  6. 2012

    Laurea in Informatica

    UNIMORE. Tesi su ricostruzione di immagini su GPU NVIDIA.

05

Stack

Modelli e ML

  • PyTorch
  • ONNX
  • TFLite
  • CUDA
  • scikit-learn
  • Optuna

LLM

  • Claude
  • OpenAI
  • vLLM
  • Ollama
  • LangChain / LangGraph
  • Docling
  • Qdrant
  • OpenSearch
  • RAGAS

Visione

  • OpenCV
  • YOLO
  • YOLACT
  • FLIR Spinnaker
  • Allied Vision Vimba
  • Basler pypylon
  • GigE / PTP
  • Hailo
  • GAP8

Backend e deploy

  • FastAPI
  • Django
  • Docker
  • Kubernetes
  • Helm
  • ArgoCD
  • Istio
  • GitLab CI
  • AWS
  • Keycloak
  • PostGIS
  • InfluxDB

Frontend e mobile

  • React
  • Astro
  • Flutter

Metodo

  • Spec-driven development
  • TDD
  • CI/CD
  • AI-assisted coding

06

Domande frequenti

Che tipo di progetti segui?

Progetti di computer vision industriale, sistemi basati su LLM (RAG, agenti, estrazione strutturata), forecasting su dati IoT e geospaziali, e piattaforme web e mobile che rendono questi modelli un prodotto. Dal PoC alla produzione, con codice, test e deploy.

In quali settori hai lavorato?

Manifattura e componentistica, agricoltura di precisione, retail, fitness e digital coaching, diagnostica e medtech, ferrovie, ristorazione collettiva, ricerca universitaria. Il metodo è lo stesso: dati, metrica, prototipo, produzione.

Lavori da remoto o in sede?

Entrambi. Ho sede a Modena e lavoro da remoto con clienti in tutta Italia; per acquisizione dati, installazioni di camere e sessioni con il team vengo in sede, soprattutto in Emilia-Romagna e Nord Italia.

Usi modelli cloud o on-premise?

Dipende dai dati. Quando possono uscire dall'azienda uso API come Claude o OpenAI; quando non possono, faccio girare modelli open su GPU vostre o su un server dedicato con vLLM o Ollama. Ho portato in produzione entrambe le soluzioni.

Quanto tempo serve per un prototipo?

Un PoC misurabile richiede in genere da due a sei settimane, a seconda dei dati disponibili. La produzione dipende dall'integrazione: da uno a tre mesi per un servizio con API, test e deploy.

Come si inizia?

Scrivimi due righe sul problema. Facciamo una call di trenta minuti, gratuita, per capire se ha senso lavorare insieme. Se sì, preparo una proposta con obiettivo, metrica di successo, tempi e costi.

Come funzionano i costi?

Preventivo su misura dopo la call, a progetto o a giornata, oppure un accordo continuativo mensile per chi ha bisogno di un tecnico di riferimento. Nessun costo nascosto: strumenti, licenze e infrastruttura si decidono insieme e restano vostri.

In che lingue lavori?

Italiano e inglese. Documentazione, codice e commit sono in inglese salvo richiesta diversa; riunioni e report nella lingua del team.

07

Pubblicazioni

  1. 2021ICCVMOTSynth: How Can Synthetic Data Help Pedestrian Detection and Tracking?
  2. 2020ICPRAnomaly Detection, Localization and Classification for Railway Inspection
  3. 2020AI4RAILSAnomaly Detection for Vision-based Railway Inspection
  4. 2017IEEE IVEmbedded Recurrent Network for Head Pose Estimation in Car
  5. 2016AVROptimizing Image Registration for Interactive Applications

08

Contatti

Hai un problema che somiglia a uno di questi? Scrivimi due righe: rispondo entro un giorno lavorativo.

Modena, Emilia-Romagna. Remoto in tutta Italia, in sede quando serve.