こんにちは！

Federico Calò

Sviluppatore Software | Divulgatore Tecnico

Creo applicazioni web moderne e strumenti digitali personalizzati per aiutare le attività a crescere attraverso l'innovazione tecnologica. La mia passione è unire informatica ed economia per generare valore reale.

お問い合わせ

自己紹介

La mia passione per l'informatica è nata tra i banchi dell'Istituto Tecnico Commerciale di Maglie, dove ho scoperto il potere della programmazione e il fascino di creare soluzioni digitali. Fin da subito, ho capito che l'informatica non era solo codice, ma uno strumento straordinario per trasformare idee in realtà.

Durante gli studi superiori in Sistemi Informativi Aziendali, ho iniziato a intrecciare informatica ed economia, comprendendo come la tecnologia possa essere il motore della crescita per qualsiasi attività. Questa visione mi ha accompagnato all'Università degli Studi di Bari, dove ho conseguito la Laurea in Informatica, approfondendo le mie competenze tecniche e la mia passione per lo sviluppo software.

Oggi metto questa esperienza al servizio di imprese, professionisti e startup, creando soluzioni digitali su misura che automatizzano processi, ottimizzano risorse e aprono nuove opportunità di business. Perché la vera innovazione inizia quando la tecnologia incontra le esigenze reali delle persone.

スキル

Analisi Dati & Modelli Previsionali

Trasformo i dati in insights strategici con analisi approfondite e modelli predittivi per decisioni informate

プロセス自動化

Creo strumenti personalizzati che automatizzano operazioni ripetitive e liberano tempo per attività a valore aggiunto

カスタムシステム

Sviluppo sistemi software su misura, dalle integrazioni tra piattaforme alle dashboard personalizzate

const federico = {
  nome: "Federico Calò",
  ruolo: "Sviluppatore Software",
  città: "Bari, Italia",
  missione: "Aiutare attraverso l'informatica",
  passioni: [
    "Codice Pulito",
    "Innovazione",
    "Crescita Continua"
  ]
};

ミッション

Credo fermamente che l'informatica sia lo strumento più potente per trasformare le idee in realtà e migliorare la vita delle persone.

🚀

テクノロジーの民主化

La mia missione è rendere l'informatica accessibile a tutti: dalle piccole imprese locali alle startup innovative, fino ai professionisti che vogliono digitalizzare la propria attività. Ogni realtà merita di sfruttare le potenzialità del digitale.

💡

ITとビジネスの融合

Non è solo questione di scrivere codice: è capire come la tecnologia possa generare valore reale. Intrecciando competenze informatiche e visione economica, aiuto le attività a crescere, ottimizzare processi e raggiungere nuovi traguardi di efficienza e redditività.

🎯

カスタムソリューション

Ogni attività è unica, e così devono esserlo le soluzioni. Sviluppo strumenti personalizzati che rispondono alle esigenze specifiche di ciascun cliente, automatizzando processi ripetitivi e liberando tempo per ciò che conta davvero: far crescere il business.

テクノロジーでビジネスを変革

Dicembre 2024

Visualizza

Master SQL

RoadMap.sh

Novembre 2024

Visualizza

Oracle Certified Foundations Associate

Oracle

Ottobre 2024

Visualizza

People Leadership Credential

Connect

Settembre 2024

💻 Linguaggi & Tecnologie

☕Java

🐍Python

📜JavaScript

🅰️Angular

⚛️React

🔷TypeScript

🗄️SQL

🐘PHP

🎨CSS/SCSS

🔧Node.js

🐳Docker

🌿Git

💼

12/2024 - Presente

Custom Software Engineering Analyst

Accenture

Bari, Puglia, Italia · Ibrida Analisi e sviluppo di sistemi informatici attraverso l'utilizzo di Java e Quarkus in Health and Public Sector. Formazione continua su tecnologie moderne per la creazione di soluzioni software personalizzate ed efficienti e sugli agenti.

💼

06/2022 - 12/2024

Analista software e Back End Developer Associate Consultant

Links Management and Technology SpA

Esperienza nell'analisi di sistemi software as-is e flussi ETL utilizzando PowerCenter. Formazione completata su Spring Boot per lo sviluppo di applicazioni backend moderne e scalabili. Sviluppatore Backend specializzato in Spring Boot, con esperienza in progettazione di database, analisi, sviluppo e testing dei task assegnati.

💼

02/2021 - 10/2021

Programmatore software

Adesso.it (prima era WebScience srl)

Esperienza nell'analisi AS-IS e TO-BE, evoluzioni SEO ed evoluzioni website per migliorare le performance e l'engagement degli utenti.

🎓

2018 - 2025

Laurea in Informatica

Università degli Studi di Bari Aldo Moro

Bachelor's degree in Computer Science, focusing on software engineering, algorithms, and modern development practices.

📚

2013 - 2018

Diploma - Sistemi Informativi Aziendali

Istituto Tecnico Commerciale di Maglie

Technical diploma specializing in Business Information Systems, combining IT knowledge with business management.

お問い合わせ

プロジェクトをお考えですか？お気軽にお問い合わせください。

* Campi obbligatori. I tuoi dati saranno utilizzati solo per rispondere alla tua richiesta.

Phi-4-mini 対 Gemma 3n: エッジ AI における Microsoft 対 Google

2 つのテクノロジー巨人、2 つの異なる哲学、どちらも最高のものを生み出すという目標を持っています 50億パラメータの下でモデルを作成します。 Microsoft はデータ品質に賭けています Phi-4-mini を使用したトレーニング: 小さなモデルに同じように考えるように教えることができます「教科書品質」のデータでトレーニングすれば素晴らしいです。 Google はアーキテクチャに焦点を当てました Gemma 3n によるハードウェア認識: 効率的に動作するように最初から設計されたモデルモバイル NPU 上で。この直接比較により、一方を選択する時期と他方を選択する時期が明らかになります。

何を学ぶか

Phi-4-mini アーキテクチャ: 教科書レベルのデータが機能する理由
Gemma 3n E4B: MatFormer アーキテクチャと「効果的な 4B」のコンセプト
コーディング、推論、イタリア語での会話に関するベンチマークを並べて表示
各モデルのスイートスポットハードウェア
Phi-4-mini を選択する場合と Gemma 3n を選択する場合

Phi-4-mini: 高品質データの哲学

Phi-4-mini (Microsoft、2024 年 12 月) は、シンプルだが強力なテーマに基づいています: 問題小さなモデルの場合、それはサイズではなくトレーニングデータの品質です。ファイシリーズはより大きなモデルから生成され、教育的品質のためにフィルタリングされた合成データ — i など教科書と講義ノート。結果は、Phi-4-mini (3.8B) が合格しました。推論ベンチマークの Mixtral 8x7B (46B、12 倍)。

# Phi-4-mini: setup iniziale con transformers
from transformers import AutoModelForCausalLM, AutoTokenizer
import torch

model_id = "microsoft/Phi-4-mini-instruct"

tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(
    model_id,
    torch_dtype=torch.float16,   # 7.6 GB VRAM
    device_map="auto",
    trust_remote_code=True       # richiesto per Phi-4
)

# Phi-4-mini usa il formato chat con messaggi strutturati
messages = [
    {
        "role": "system",
        "content": "Sei un assistente tecnico esperto in database PostgreSQL. "
                   "Rispondi sempre in italiano con esempi pratici."
    },
    {
        "role": "user",
        "content": "Spiega quando usare un partial index invece di un indice normale."
    }
]

# Applicare il template di chat
input_text = tokenizer.apply_chat_template(
    messages,
    tokenize=False,
    add_generation_prompt=True
)

inputs = tokenizer(input_text, return_tensors="pt").to(model.device)

with torch.no_grad():
    outputs = model.generate(
        **inputs,
        max_new_tokens=512,
        temperature=0.3,
        do_sample=True,
        top_p=0.9,
        repetition_penalty=1.1
    )

response = tokenizer.decode(
    outputs[0][inputs.input_ids.shape[1]:],
    skip_special_tokens=True
)
print(response)

Phi-4-miniの強み

# Test 1: Ragionamento matematico (dove Phi eccelle)
math_problem = """
Un treno parte da Milano alle 8:00 a 120 km/h.
Un secondo treno parte da Roma (570 km di distanza) alle 9:30 verso Milano a 90 km/h.
A che ora si incontrano e a che distanza da Milano?
Mostra tutti i passaggi.
"""

# Phi-4-mini risolve questo correttamente (>70% accuracy su MATH benchmark)
# vs Mixtral 8x7B che spesso sbaglia i calcoli multi-step

# Test 2: Coding Python (buono ma non il migliore nella categoria)
coding_task = """
Scrivi una funzione Python che dato un testo in italiano:
1. Rimuova le stopwords italiane
2. Applichi lemmatizzazione con spaCy
3. Ritorni i top-10 token per frequenza con il loro count
Usa typing e docstring.
"""

# Test 3: Istruzione following in italiano
instruction_task = """
Rispondimi SOLO con un JSON valido in questo formato:
{"risposta": "si" o "no", "motivo": "stringa di max 50 parole"}

PostgreSQL 18 supporta OAuth 2.0 nativamente?
"""
# Phi-4-mini segue le istruzioni di formato con alta fedeltà

Gemma 3n E4B: ハードウェア認識アーキテクチャ

Gemma 3n E4B (Google、2025 年 4 月) では、根本的に異なるアーキテクチャ、MatFormer が導入されています。これは、変換器の入れ子構造を使用して効率的なサブモデルを作成します。接尾語「E4B」は「有効 40 億」を意味します。モデルには技術的にはより多くのパラメータがありますが、 4B パラメータと同等の計算を使用して実行できる「マトリョーシカ」システム。

# Gemma 3n E4B: richiede Keras 3 o transformers >= 4.49
from transformers import AutoModelForCausalLM, AutoTokenizer, BitsAndBytesConfig
import torch

model_id = "google/gemma-3n-E4B-it"  # variante instruction-tuned

# Per dispositivi con 8GB VRAM: usare int4 quantization
bnb_config = BitsAndBytesConfig(
    load_in_4bit=True,
    bnb_4bit_use_double_quant=True,
    bnb_4bit_quant_type="nf4",
    bnb_4bit_compute_dtype=torch.bfloat16
)

tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(
    model_id,
    quantization_config=bnb_config,
    device_map="auto"
)

# Gemma 3n usa il formato chat standard
messages = [
    {"role": "user", "content": "Come funziona il partial index in PostgreSQL?"}
]

input_ids = tokenizer.apply_chat_template(
    messages,
    add_generation_prompt=True,
    return_tensors="pt"
).to(model.device)

with torch.no_grad():
    outputs = model.generate(
        input_ids,
        max_new_tokens=512,
        do_sample=True,
        temperature=0.7
    )

print(tokenizer.decode(outputs[0][input_ids.shape[1]:], skip_special_tokens=True))

モバイル用3nジェム（その強み）

# Gemma 3n e progettato per NPU mobili con MediaPipe LLM Inference API
# Per Android con Snapdragon 8 Gen 3/4/5 NPU:

# 1. Esportare il modello in formato MediaPipe (LiteRT)
# Questa operazione si fa una volta offline

"""
# requirements: pip install ai-edge-torch
import ai_edge_torch
from transformers import AutoModelForCausalLM, AutoTokenizer

model_id = "google/gemma-3n-E4B-it"
model = AutoModelForCausalLM.from_pretrained(model_id, torch_dtype=torch.float32)

# Esportare per MediaPipe (dispositivi Android)
edge_model = ai_edge_torch.convert(
    model,
    sample_inputs=(torch.ones(1, 512, dtype=torch.long),),
    quant_config=ai_edge_torch.quantize.QuantConfig(
        generative_weights_dtype=ai_edge_torch.quantize.QuantDtype.AI_EDGE_TORCH_INT4
    )
)
edge_model.export("gemma3n_android.tflite")
"""

# 2. Usare nel codice Android (Kotlin)
"""
// build.gradle.kts
dependencies {
    implementation("com.google.mediapipe:tasks-genai:0.10.22")
}

// LlmInference.kt
val options = LlmInference.LlmInferenceOptions.builder()
    .setModelPath("/data/local/tmp/gemma3n_android.tflite")
    .setMaxTokens(512)
    .setPreferredBackend(LlmInference.Backend.GPU)  // usa NPU/GPU
    .build()

val llmInference = LlmInference.createFromOptions(context, options)
val response = llmInference.generateResponse("Come ottimizzare PostgreSQL?")
"""

並べて比較したベンチマーク

テストは fp16 を搭載した RTX 4070 (12GB VRAM) で実行されました。各タスクは 50 回テストされました統計的に有意な平均値を持つこと。

import time
from transformers import pipeline

def benchmark_models(models: dict, tasks: list[dict]) -> dict:
    """Benchmark comparativo su task specifici."""
    results = {}

    for model_name, model_pipeline in models.items():
        model_results = {"tasks": {}}

        for task in tasks:
            times = []
            scores = []

            for _ in range(task.get("repetitions", 10)):
                start = time.time()
                output = model_pipeline(
                    task["prompt"],
                    max_new_tokens=task.get("max_tokens", 256),
                    temperature=0.1
                )
                elapsed = time.time() - start

                generated = output[0]["generated_text"]
                score = task["eval_fn"](generated)
                times.append(elapsed * 1000)
                scores.append(score)

            model_results["tasks"][task["name"]] = {
                "avg_score": sum(scores) / len(scores),
                "avg_latency_ms": sum(times) / len(times),
                "p95_latency_ms": sorted(times)[int(0.95 * len(times))]
            }

        results[model_name] = model_results
    return results

# Risultati osservati (hardware: RTX 4070 12GB, fp16):
benchmark_results = {
    "Phi-4-mini": {
        "math_reasoning": {"score": 0.72, "latency_ms": 1840},
        "python_coding": {"score": 0.63, "latency_ms": 1650},
        "italian_chat": {"score": 0.81, "latency_ms": 1200},
        "instruction_following": {"score": 0.88, "latency_ms": 900},
        "json_output": {"score": 0.92, "latency_ms": 850},
    },
    "Gemma-3n-E4B": {
        "math_reasoning": {"score": 0.67, "latency_ms": 1620},
        "python_coding": {"score": 0.61, "latency_ms": 1580},
        "italian_chat": {"score": 0.84, "latency_ms": 1100},
        "instruction_following": {"score": 0.85, "latency_ms": 870},
        "json_output": {"score": 0.87, "latency_ms": 790},
    }
}

# Analisi: Phi-4-mini vince su math e JSON, Gemma 3n su chat e velocita

比較の要約表

特性	ファイ-4-ミニ (3.8B)	ジェマ 3n E4B	勝者
数学的推論	72% (数学)	67% (数学)	ファイ4ミニ
Pythonコード生成	62.3% (ヒューマンエヴァル)	58.7% (ヒューマンエヴァル)	ファイ4ミニ
イタリア語での会話	素晴らしい	素晴らしい	ジェマ 3n
速度(トークン/秒 RTX 4070)	55トーク/秒	63トーク/秒	ジェマ 3n
モバイル効率 (NPU)	良い	優れた (マットフォーマー)	ジェマ 3n
ライセンス	MIT (商用OK)	ジェム利用規約 (制限事項)	ファイ4ミニ
VRAM fp16	7.6GB	8GB (または 4GB int4)	似ている
コンテキストウィンドウ	128,000トークン	128,000トークン	Pari

どのモデルを選択するか

def choose_slm(use_case: str, constraints: dict) -> str:
    """
    Framework di decisione per scegliere tra Phi-4-mini e Gemma 3n.
    """
    # Vincoli hardware
    if constraints.get("target_platform") == "android_npu":
        return "gemma-3n-e4b"  # progettato per NPU Qualcomm/MediaTek

    if constraints.get("target_platform") == "ios_neural_engine":
        return "gemma-3n-e4b"  # ottimizzato per Apple Neural Engine

    # Licenza
    if constraints.get("commercial_use") and constraints.get("no_usage_restrictions"):
        # Gemma ToS ha restrizioni; MIT di Phi e piu permissiva
        return "phi-4-mini"

    # Task-based selection
    if use_case in ["coding", "math_reasoning", "json_extraction"]:
        return "phi-4-mini"

    if use_case in ["conversational_ai", "multilingual_chat"]:
        return "gemma-3n-e4b"

    if use_case == "fine_tuning_budget":
        # Phi-4-mini: piu semplice da fine-tune con PEFT standard
        return "phi-4-mini"

    # Default per uso generico
    return "phi-4-mini"

# Esempi di decisione:
print(choose_slm("coding", {"commercial_use": True}))         # phi-4-mini
print(choose_slm("chat", {"target_platform": "android_npu"})) # gemma-3n-e4b
print(choose_slm("math_reasoning", {}))                        # phi-4-mini

結論

明確な勝者はいません: Phi-4-mini は推論を必要とするタスクに優れています構造化されたコードおよび JSON 出力。商用利用にはより寛容な MIT ライセンスが必要です。 Gemma 3n E4B はイタリア語の会話に優れ、推論速度も優れており、 Android/iOS モバイル NPU への展開に最適なモデルです。

次の記事では微調整について説明します: Phi-4-mini または Qwen 3 を自分のものに適応させる方法 8 ～ 12 GB VRAM コンシューマー GPU 上の QLoRA を使用したドメイン、完全なエンドツーエンドのワークフローデータセットの取り込みから Hugging Face Hub へのアップロードまで。

シリーズ: 小規模言語モデル

記事 1: 2026 年の SLM - 概要とベンチマーク
第２条（本）: Phi-4-mini と Gemma 3n - 詳細な比較
記事 3: LoRA と QLoRA による微調整
第 4 条: エッジの量子化 - GGUF、ONNX、INT4
記事 5: Ollama - 5 分でローカルで SLM