Sessioni

Prompt intelligenti, risposte migliori: Guida pratica alla comunicazione con l'AI

Le AI possono fare di tutto… se sai come chiederlo! In questa sessione parleremo di prompt, ovvero di come formulare le richieste nel modo giusto per ottenere risposte precise e utili. Con esempi pratici e consigli concreti, scoprirai come migliorare le tue interazioni con l’AI e renderla un vero alleato nel lavoro e nel tempo libero.

L’agente è solo la punta del prompt (ma l’intelligenza è nel processo)

Gli agenti conversazionali sono affascinanti, facili da sviluppare, rapidi da mettere in piedi. Ma quando il business chiede risultati che non dipendano dall’ispirazione momentanea dell’utente, la vera sfida non è "far parlare l’AI" — è farla lavorare dentro processi robusti, prevedibili, ripetibili. In questa sessione raccontiamo come siamo passati dalla promessa di un agente “smart” alla realtà di applicativi intelligenti che orchestrano dati, chiamate e prompt senza dover contare sulla genialità estemporanea di chi fa clic o scrive una domanda. Il cuore del metodo? Una pipeline chiara: prendo il dato, lo preparo, passo all’AI solo il testo che serve, applico un prompt parametrico. Tutto qui. Ma farlo bene è un altro mestiere. Attraverso use case concreti e (sì) dolorosi, racconteremo la nostra ricetta e gli strumenti con cui l’abbiamo cucinata: Azure OpenAI, Azure WebApp, Streamlit e un pizzico di Prompt Engineering fatto con criterio. Non solo agenti: processo, metodo e design per far lavorare davvero l’AI.

Osservabilità in Semantic Kernel: comprendere il comportamento dell’AI

In un'applicazione tradizionale, comprendere cosa accade nel codice è relativamente semplice. Ma cosa succede quando integriamo modelli AI? Come possiamo ispezionare ciò che avviene "sotto il cofano"? Questa sessione esplora l'architettura di osservabilità di Semantic Kernel, rivelando come rendere trasparente l'interazione tra il vostro codice e i modelli AI. Scopriremo: - Come tracciare il flusso completo delle richieste AI dalla vostra applicazione al modello e ritorno - L'implementazione pratica di logging, metriche e tracciamento in Semantic Kernel - Come visualizzare il consumo di token, i tempi di risposta e le prestazioni dei modelli - Tecniche per analizzare e diagnosticare problemi nelle applicazioni AI Attraverso esempi concreti in .NET, la sessione offre l'opportunità di esplorare la configurazione della telemetria con OpenTelemetry e l'interpretazione dei dati raccolti per ottenere informazioni preziose sul comportamento delle applicazioni AI. Alla fine della sessione, saranno disponibili gli strumenti necessari per eliminare il mistero dal funzionamento interno delle soluzioni basate su Semantic Kernel.

Dai comandi naturali all’automazione: Azure MCP Server in azione

Azure MCP Server consente agli agenti AI di "dialogare" con le risorse Azure e di eseguire operazioni sensibili al contesto della risorsa stessa. Ad esempio, fare query su SQL Azure in linguaggio naturale, leggere file da Azure Storage o analizzare i log in Log Analytics. Oppure può eseguire comandi di azd... In questa sessione vedremo quali scenari di integrazione si possono realizzare con Azure MCP Server, in particolare legato al mondo DevOps/IaC in coppia con Azure DevOps MCP Server.

Creare Agenti con Langflow

Per anni ho cercato di capire come creare un agente AI “serio”, che non fosse solo un giocattolo da demo. Tutti parlavano di RAG, agenti, orchestrazione... ma alla prova dei fatti, era sempre la solita storia: mille librerie, documentazioni sparse, ambienti da configurare, codice da scrivere ovunque — e risultati fragili. Sembrava che costruire agenti fosse un privilegio per chi lavora in OpenAI o ha un team di ingegneri ML a disposizione. Poi ho scoperto Langflow, e le cose sono cambiate, mi ero sbloccato! Langflow permette di costruire agenti AI con interfaccia low-code che implementa flussi modulari e componenti riutilizzabili, senza dover scrivere codice. E quando ti serve la potenza del codice lo puoi integrare utilizzando Python. E quindi se vuoi anche tu creare un agent AI completo di RAG e tools questo è il talk giusto per te!

Come utilizzare le nuove funzionalità AI in SQL Server 2025 con Ollama

Le potenzialità dell'AI generativa sono a portata di... T-SQL. Nel senso che possiamo sfruttare le nuove funzionalità di SQL Server 2025 (ed Azure SQL) per interloquire con un motore di AI. Se vogliamo salvaguardare la nostra privacy e non fornire informazioni riservate ad OpenAI, Anthropic etc, possiamo usare un motore di AI locale, come Ollama. In questa sessione vedremo come fare, sia su VM che usando Docker.

An introduction on Schema Guided Reasoning in Semantic Kernel

Schema Guided Reasoning è un semplice framework che utilizza la funzionalità Structured Output di OpenAi per spingere un LLM al ragionamento ma avendo un output con uno schema ben preciso e predittibile. Gli esempi originali in python fanno uso di pydantic per la parte di schema, in questa sessione vedremo come portare il tutto con Semantic Kernel, con eventuali limitazioni annesse.

Cosa succede in prod? GitHub Copilot + Azure Monitor MCP Server per insights in linguaggio naturale

Quanto potrebbe essere comodo, ad esempio per le figure più business, interrogare i log e le metriche con semplici domande in linguaggio naturale, senza conoscere Kusto o l’Azure Portal? In questa sessione scopriremo come GitHub Copilot può connettersi al Model Context Protocol (MCP) Server di Azure Monitor, trasformando le tue richieste testuali in query e restituendo insight immediati.

On-Premises Intelligence: Accessing Data with Foundry Local and Semantic Kernel

Is your data locked behind complex SQL? This session reveals how to build a powerful AI layer using Semantic Kernel and Foundry Local. We’ll show you a fully disconnected .NET solution that translates natural language into precise SQL queries. Empower business users and secure your data without leaving your network.

Copilot Studio + MCP: La Nuova Frontiera dell’Automazione Intelligente

L’automazione sta vivendo una trasformazione radicale: non è più solo una questione di codici e processi, ma di comprensione del linguaggio umano. In questa sessione, esploreremo come Copilot Studio, integrato con il protocollo MCP, stia aprendo nuove possibilità per semplificare e potenziare il lavoro quotidiano. Grazie all’intelligenza artificiale conversazionale, oggi è possibile creare assistenti virtuali intelligenti che comprendono le richieste espresse in linguaggio naturale, interpretano dati complessi e li trasformano in azioni concrete. Questo significa che anche chi non ha competenze tecniche può contribuire alla creazione di soluzioni digitali, automatizzando attività ripetitive e migliorando l’efficienza operativa. Vedremo come Copilot Studio consenta di: Costruire agenti AI personalizzati, capaci di interagire con utenti e sistemi in modo fluido e naturale. Accedere ai dati in modo semantico, cioè comprendendo il significato delle informazioni, non solo la loro struttura. Automatizzare processi aziendali con pochi clic, riducendo tempi e costi. Il protocollo MCP gioca un ruolo chiave in questa evoluzione, fungendo da ponte tra l’intelligenza artificiale e i sistemi aziendali, garantendo sicurezza, scalabilità e integrazione con le infrastrutture esistenti. Questa sessione è pensata per chi vuole capire come l’AI possa diventare un alleato concreto nel lavoro di tutti i giorni, rendendo l’automazione più accessibile, intuitiva e potente.

AI on device con le nuove Windows AI foundry API

Tra le novità dell'ultimo build, le Windows AI foundry API hanno aperto nuove possibilità di sviluppo, portando l'intelligenza artificiale direttamente su Windows. Questo permette alle applicazioni di accedere a tali funzionalità tramite API, offrendo un'esecuzione offline, gratuita e veloce, che prima era disponibile solo online. In questa sessione, vedremo con esempi pratici e demo come integrare queste funzionalità nelle nostre applicazioni.

Copilot, mostrami anomalie nei costi delle risorse

Il vostro FinOps Practioner vi ha aiutati a mettere in piedi una serie di strumenti per raccogliere dati sui consumi e metriche sull'utilizzo delle risorse per poterli relazionare tra di loro e scoprire come ottimizzare i costi del cloud. Ora potete fare scelte consapevoli ma dovete imparare una nuova sintassi per interrogare quei dati. Query complesse? E se invece parlassimo con Copilot e gli chiedessimo di aiutarci ad interpretare i dati a nostra disposizione? In questa sessione vedremo un uso concreto di FinOps Hubs che tramite Azure MCP server si integra con GitHub Copilot per chiedere all'AI come ottimizzare non solo i costi dell'AI ma di tutto il nostro ambiente in cloud e grazie a FOCUS non ci limiteremo ad un solo cloud provider