SIMONE PERINI @TZII

Software e IA · Italia

Ciao, sono Simone.Mi piace crearecose utili.

Su GitHub sono tzii. Creo sistemi di IA, sviluppo app e seguo un’idea finché diventa qualcosa da provare.

Giochi, IA e qualche deviazione per curiosità.

Tutti i miei progetti GitHub

01 / Progetti scelti

Progetti a cui ho dedicato tempo.

Cinque progetti. Problemi diversi.
Le scelte dietro ciascuno.

Analisi documentale con fonti verificabili
Schema dell’architetturaPython / FastAPI / Qdrant

01 / IA e datiCaso di studio pubblico

italianRAG

Risposte che puoi verificare.

PDF aziendali italiani, estrazione tipizzata e recupero di informazioni con riferimenti alle fonti. Un progetto di tirocinio con una regola semplice: mostrare da dove arriva la risposta.

Esplora il caso di studio

Analisi documentale · Progetto di tirocinio

italianRAG

Una risposta vale quanto i riscontri su cui si basa.

Un ambiente di analisi per PDF aziendali italiani. Sviluppato durante un tirocinio di tre mesi in AI & Data presso InfoCamere, trasforma bilanci, statuti e visure in dati tipizzati e risposte collegate alle fonti.

PythonFastAPIPydanticSQLiteQdrant

Il problema

I documenti aziendali non hanno tutti la stessa struttura. Un valore può mancare, essere ambiguo o contraddire un altro documento. Una risposta scorrevole non basta quando serve controllare la fonte originale.

Il mio contributo

Ho lavorato sul servizio FastAPI e sull’ambiente locale, sull’estrazione specifica per tipo di documento, sugli stati tipizzati dei campi, sulla modellazione dei dati in SQLite, sul recupero con Qdrant, sui filtri per metadati e su esperimenti di riordinamento dei risultati. Le procedure tra documenti confrontano esercizi finanziari e riconciliano informazioni di statuti e visure.

La scelta centrale

Le procedure deterministiche gestiscono i campi strutturati supportati; il recupero documentale risponde a domande più ampie. Entrambe mantengono riferimenti di pagina e tracce di elaborazione accanto al risultato. Il parser predefinito resta leggero: OCR e recupero tramite modelli di visione sono opzioni esplicite.

Un risultato con un ambito preciso

Il caso di studio pubblico riporta 116 casi su 116 corretti, supportati da citazioni e verificati rispetto ai risultati di riferimento nel benchmark deterministico definito. Questo non dimostra un’accuratezza del 100% su PDF qualsiasi, aziende mai viste, OCR o domande RAG aperte. Riscontri deboli o contraddittori richiedono ancora una verifica umana.

Implementazione privata. Scelte tecniche pubbliche.
Pefforza 4

Mini-demo indipendente nel browser6 × 7

02 / IA per giochi e visioneOpen source

Pefforza 4

Un gioco con molto da esplorare.

Forza 4 con riconoscimento della griglia fisica, ricerca su bitboard, risolutore esatto e apprendimento per rinforzo. Un piccolo gioco che permette di mettere le idee alla prova.

Esplora il caso di studio

IA per giochi · Visione artificiale

Pefforza 4

Un gioco familiare. Un problema tecnico sorprendentemente ricco.

Un progetto di Forza 4 che unisce visione artificiale, ricerca classica, apprendimento per rinforzo e un’interfaccia giocabile. Si usa dal terminale, con Pygame o puntando una webcam su una griglia fisica.

PythonOpenCVGymnasiumPPOBitboards

Cosa fa

Calibrazione della webcam e classificazione dei colori ricostruiscono una griglia reale 6 × 7. La validazione controlla gravità, conteggio dei turni, transizioni lecite e posizioni finali prima che l’IA possa consigliare una mossa. Il commento vocale opzionale si disattiva senza interrompere il gioco se l’audio non è disponibile.

Come è organizzata l’IA

Il progetto distingue avversari casuali ed euristici, ricerca alpha-beta su bitboard a profondità limitata, una politica PPO inclusa e un risolutore esatto con un limite di tempo. La valutazione alterna i lati per non confondere il vantaggio della prima mossa con la forza dell’agente.

Correttezza entro un limite di tempo

Il risolutore esatto usa potatura delle minacce, cache che tengono conto delle simmetrie e voci di trasposizione compatte. Il risultato distingue un esito dimostrato da una soluzione di ripiego. Allo scadere del tempo non deve restituire una mossa iniziale già dimostrata perdente se rimane un’alternativa ancora irrisolta.

Cosa esegue la demo nel browser

La griglia di questo portfolio è un’interazione JavaScript indipendente. L’avversario sfrutta una vittoria immediata, blocca una minaccia e preferisce mosse centrali sicure. Non esegue il motore Python, il modello PPO, la pipeline della webcam o il risolutore esatto. Nel progetto originale il livello impossible garantisce una mossa dimostrata solo quando la prova rientra nel tempo disponibile.

Python · OpenCV · PPO
KeeFetch
Icone valutate, non solo scaricate.
Recupero di favicon per KeePassIllustrazione concettuale

03 / Strumenti desktopOpen source

KeeFetch

Le piccole cose, fatte bene.

Un programma per scaricare favicon in parallelo in KeePass. Valutazione dei candidati, scelte di privacy esplicite e controlli di rilascio trasformano un fastidio quotidiano in uno strumento mantenuto.

Esplora il caso di studio

Strumenti desktop · Progetto mantenuto

KeeFetch

Piccole icone. Molte scelte dietro.

Un plugin per KeePass 2.x che recupera favicon senza far attendere l’applicazione un sito alla volta. Il lavoro più interessante riguarda la qualità dei candidati, la concorrenza, i compromessi sulla privacy e l’affidabilità dei rilasci.

C#.NET FrameworkKeePassConcorrenzaTest

Cosa fa

KeeFetch recupera icone in parallelo, esamina icone dei siti e manifest, valuta i candidati dei vari fornitori e deduplica i dati delle immagini con SHA-256. Gestisce anche URL di riferimento di KeePass e identificativi delle applicazioni Android.

Scegliere l’icona giusta

Un’immagine disponibile non è necessariamente quella giusta. Il selettore preferisce candidati provenienti dal sito o dai servizi di risoluzione rispetto ai ripieghi sintetici. Il codice attuale include i profili Fast, Balanced, Privacy e Precise, scelti tramite uno studio, e un profilo Custom per un controllo esplicito.

Il lavoro oltre il download

Le modifiche integrate di recente limitano la gestione TLS e dei certificati al client HTTP del plugin, senza intervenire sull’intero processo KeePass. I controlli di rilascio coprono versioni, manifest dei sorgenti PLGX, checksum degli artefatti e permessi. Funzionalità del codice e download pubblicati sono documentati separatamente.

I limiti della privacy

Assenza di telemetria non significa assenza di richieste esterne. I servizi di risoluzione possono ricevere i domini delle voci. Il profilo Privacy disabilita i servizi configurati, ma risorse collegate dai siti e reindirizzamenti possono coinvolgere altri host. La diagnostica può contenere titoli e URL delle voci. Il filtro degli host privati non costituisce una politica completa sul DNS o sulle richieste di rete.

C# · .NET · KeePass
ThystTV
Player Android di ThystTV a schermo intero con chat flottante
Il video al centro. La chat accanto.
Schermata dell’app / Fork di XtraSchermata non disponibile / IllustrazioneAndroid

04 / AndroidFork di Xtra

ThystTV

Più visione. Meno passaggi.

Un client Twitch per Android dedicato ai controlli di riproduzione, alla chat flottante, alle statistiche locali e agli schermi grandi. Basato su Xtra, con il dovuto riconoscimento agli autori originali.

Esplora il caso di studio

Android · Fork open source

ThystTV

Il video al centro, il resto attorno.

Un client Twitch per Android basato su Xtra. Il mio fork si concentra sui controlli di riproduzione, sulla chat flottante, sulle statistiche di visione locali, sui layout per schermi grandi e sulla manutenzione necessaria a mantenere il client utilizzabile.

KotlinAndroidRoomCoroutinesGestione dei rilasci

L’esperienza di visione

Avanzamento con gesti e controlli di velocità, luminosità e volume riducono i passaggi nei menu. La chat flottante mantiene visibile la conversazione a schermo intero. Le statistiche locali descrivono le abitudini di visione senza un servizio di analisi separato.

Il lavoro dietro l’interfaccia

Mantenere l’app significa anche rendere verificabili gli aggiornamenti del progetto originale, gestire il ripristino della rete ed evitare passaggi di rilascio fragili. Le recenti modifiche all’aggiornamento dei preferiti trattano il recupero dei metadati e l’aggiornamento del database come un’unica operazione ripetibile, preservando la cancellazione delle coroutine.

Artefatti di rilascio verificabili

Il repository documenta la verifica dei checksum APK e del certificato di firma. La procedura di rilascio controlla i dati strutturati dei firmatari e promuove gli stessi file verificati, senza ricompilare silenziosamente un artefatto diverso. I test su dispositivo e le verifiche di rilascio restano distinti dalla riuscita di una build locale.

Attribuzione e limiti

ThystTV è un fork di Xtra, non un client scritto interamente da zero. A Xtra va il merito del client di base e dell’architettura. ThystTV è indipendente da Twitch e Amazon. Le schermate mostrano l’app Android: questo portfolio non incorpora un client di streaming.

Kotlin · Android · Room
ScrapingStore
Dashboard generata da ScrapingStore con i dati dei prodotti
estrai → pulisci → rendi utile
Schermata del progetto / Snapshot generatoSchermata non disponibile / IllustrazionePython

05 / Ingegneria dei datiProgetto di studio

ScrapingStore

I dati, dall’inizio alla fine.

Raccolta dati via browser, record validati, archiviazione SQLite e dashboard consultabili. Una pipeline completa su un sito di prova, con limiti espliciti.

Esplora il caso di studio

Ingegneria dei dati · Progetto di studio

ScrapingStore

Una pipeline non finisce con l’estrazione.

Un progetto Python completo per raccogliere dati di prodotti da un sito di prova, pulirli, archiviarli e consultarli tramite dashboard ed esportazioni utilizzabili in Power BI.

PythonPlaywrightPandasSQLModelJinja2

Il percorso completo

L’automazione del browser estrae i dati dei prodotti dal sito di prova e-commerce di Oxylabs. Pandas normalizza e deduplica i record. SQLModel e Pydantic definiscono il contratto dei dati, SQLite li conserva e i template Jinja generano una dashboard. L’esportazione CSV li rende disponibili anche fuori dall’interfaccia web.

Strumenti diversi per pagine diverse

Il progetto include uno scraper statico con BeautifulSoup e uno basato su browser con Playwright. Il sito di prova genera i contenuti tramite JavaScript, quindi richiede il percorso via browser. L’implementazione statica mostra un approccio diverso, senza fingere di poter eseguire JavaScript.

Rendere il risultato consultabile

Un’interfaccia a riga di comando con Typer e Rich permette di raccogliere dati, esportarli e generare report. Dashboard moderne e in stile terminale mostrano i risultati. Test, configurazione Docker e GitHub Actions supportano uno sviluppo ripetibile.

Limiti noti

I selettori sono specifici del sito di prova. I prodotti vengono inseriti o aggiornati in base all’identità della fonte. I record con identità deboli o storiche non sono adatti a confronti affidabili sull’evoluzione dei prezzi. La dashboard pubblica è uno snapshot generato, non un inventario in tempo reale. Adattare la pipeline a un’altra fonte richiede interventi sui selettori e sull’identità dei dati.

Playwright · Pandas · SQL

02 / La persona dietro i progetti

Qualcosa in più
di Simone.

Pefforza racconta bene come lavoro: parto da qualcosa di familiare e continuo a chiedermi cos’altro potrebbe fare. Un gioco diventa un problema di ricerca, un ambiente di apprendimento e una ragione per puntare una webcam su una griglia reale.

Mi occupo soprattutto di IA applicata: analisi documentale, backend Python, recupero di informazioni e valutazione. Ma creo anche strumenti desktop, lavoro su app Android e uso i giochi per esplorare il comportamento dei sistemi intelligenti. Mi piace curare anche i dettagli: una mossa che l’IA sa spiegare, un nuovo tentativo che funziona o un’icona finalmente giusta.

Formazione
Diploma di Tecnico Superiore, AI & Data
Livello EQF 5 · Voto finale 107/110
Esperienza
Tirocinio AI & Data presso InfoCamere
Sviluppo di sistemi di analisi documentale
Ambiti principali
Python, FastAPI, API tipizzate
Recupero, estrazione, valutazione
Anche sul banco di lavoro
Kotlin / Android, C# / .NET
Visione artificiale, IA per giochi, strumenti
01

Tenere i riscontri a portata di mano.

Una risposta collegata alla fonte. Un benchmark riproducibile. Un risolutore che indica quando ha una prova. La fiducia è utile quando puoi verificare su cosa si basa.

02

Curare anche le parti meno visibili.

Controlli dei pacchetti, gestione dei nuovi tentativi, comandi da tastiera e note di rilascio trasparenti. I dettagli che rendono utile un progetto anche dopo lo screenshot.

03 / Restiamo in contatto

Parliamo
di nuove idee.

Contattami su LinkedIn Mi trovi come tzii
Dietro il progetto / Note tecniche

↑ ↓ per scegliere · Invio per aprireEsc per chiudere