<?xml version="1.0" encoding="utf-8"?>
<feed xmlns="http://www.w3.org/2005/Atom" xml:lang="it">
  <title>Razzo.Org – Articoli</title>
  <subtitle>Sviluppo soluzioni web e API per Joomla e non solo. Dal design architetturale all&#39;hosting in produzione.</subtitle>
  <link href="https://razzo.org/feed.xml" rel="self" />
  <link href="https://razzo.org/" />
  <updated>2026-08-26T00:00:00Z</updated>
  <id>https://razzo.org/</id>
  <author>
    <name>Luca Racchetti</name>
  </author>
  <entry>
    <title>Hugging Face violata da un agente AI autonomo: cosa ci insegna, davvero, sulla data governance</title>
    <link href="https://razzo.org/articoli/hugging-face-agente-ai-data-governance/" />
    <updated>2026-07-20T00:00:00Z</updated>
    <id>https://razzo.org/articoli/hugging-face-agente-ai-data-governance/</id>
    <content type="html">&lt;p&gt;Hugging Face, la più grande piattaforma per la condivisione di modelli AI, ha confermato una violazione dei propri sistemi di produzione condotta &lt;strong&gt;interamente da un agente AI autonomo&lt;/strong&gt;.&lt;/p&gt;
&lt;p&gt;L&#39;attacco è partito dal punto più esposto: la &lt;strong&gt;pipeline di elaborazione dei dati&lt;/strong&gt;. Un dataset malevolo ha sfruttato due percorsi di esecuzione di codice per arrivare su un worker; da lì l&#39;agente ha scalato i privilegi, raccolto credenziali cloud e di cluster e si è mosso lateralmente su più cluster interni nel giro di un weekend.&lt;/p&gt;
&lt;p&gt;C&#39;è anche un&#39;ironia: per l&#39;analisi forense i primi modelli usati dal team si sono &lt;strong&gt;rifiutati di lavorare&lt;/strong&gt; su payload ed exploit reali, bloccati dai loro guardrail, mentre l&#39;attaccante usava un modello senza limiti. Il team ha dovuto ripiegare su un modello open-weight eseguito on-premise.&lt;/p&gt;
&lt;p&gt;Nell&#39;articolo spiego perché, al di là della sicurezza applicativa, la lezione vera è di &lt;strong&gt;data governance&lt;/strong&gt;:&lt;/p&gt;
&lt;ul&gt;
&lt;li&gt;la pipeline dati è un asset critico e l&#39;ingest diventa un vettore d&#39;attacco se non si governano provenienza e policy di esecuzione;&lt;/li&gt;
&lt;li&gt;il confine tra dati, codice e credenziali è sempre più sottile;&lt;/li&gt;
&lt;li&gt;scegliere quali modelli AI usare in difesa, dove girano e quali dati vedono è una decisione di governance da prendere &lt;strong&gt;prima&lt;/strong&gt; dell&#39;incidente.&lt;/li&gt;
&lt;/ul&gt;
&lt;p&gt;Chiudo con alcune azioni pratiche per chi gestisce infrastrutture e piattaforme dati: mappare le pipeline end-to-end, sanificare i dataset in ingresso, segmentare ambienti e privilegi, automatizzare la rotazione dei segreti e preparare in anticipo un modello AI &amp;quot;di difesa&amp;quot; eseguibile in casa.&lt;/p&gt;
</content>
  </entry>
  <entry>
    <title>OpenMetadata 2.0: dare agli agenti AI dati affidabili, contesto e regole</title>
    <link href="https://razzo.org/articoli/openmetadata-2-agenti-ai/" />
    <updated>2026-08-26T00:00:00Z</updated>
    <id>https://razzo.org/articoli/openmetadata-2-agenti-ai/</id>
    <content type="html">&lt;p&gt;Gli agenti AI non hanno bisogno soltanto di &lt;strong&gt;accedere&lt;/strong&gt; ai dati: devono capire che cosa rappresentano, chi li governa, quali policy si applicano e quanto sono affidabili. Più contesto non significa risposte migliori: un agente può consumare molti token e sbagliare lo stesso, perché non conosce il significato aziendale del dato.&lt;/p&gt;
&lt;p&gt;&lt;strong&gt;OpenMetadata 2.0&lt;/strong&gt; si presenta come un &lt;em&gt;open context layer for AI agents&lt;/em&gt;: non più solo un catalogo di asset, ma un contesto governato e interrogabile direttamente dagli agenti. Tra le novità:&lt;/p&gt;
&lt;ul&gt;
&lt;li&gt;un &lt;strong&gt;Context Center&lt;/strong&gt; con memoria organizzativa, collegato al grafo dei dati;&lt;/li&gt;
&lt;li&gt;contesto &lt;strong&gt;curato per ruolo&lt;/strong&gt;: metriche e policy approvate a chi fa finance, schemi e lineage a chi è tecnico;&lt;/li&gt;
&lt;li&gt;&lt;strong&gt;Context API e strumenti MCP&lt;/strong&gt; per ottenere in una sola chiamata schema, definizioni, ownership, qualità e lineage;&lt;/li&gt;
&lt;li&gt;un &lt;strong&gt;Data Marketplace&lt;/strong&gt; per domini e data product e un &lt;strong&gt;knowledge graph&lt;/strong&gt; più ricco.&lt;/li&gt;
&lt;/ul&gt;
&lt;p&gt;Nell&#39;articolo racconto perché il punto non è l&#39;integrazione con LLM o MCP in sé, ma il fatto che l&#39;agente riceve i dati &lt;strong&gt;insieme alle informazioni per usarli correttamente&lt;/strong&gt;. La data governance smette di essere un controllo a valle e diventa una componente runtime, che decide cosa l&#39;agente può vedere e come deve interpretarlo.&lt;/p&gt;
&lt;p&gt;La domanda non è più solo &lt;em&gt;&amp;quot;a quali dati può accedere il mio agente?&amp;quot;&lt;/em&gt;, ma &lt;em&gt;&amp;quot;quale contesto deve ricevere per interpretarli correttamente, rispettando policy, ownership e qualità?&amp;quot;&lt;/em&gt;.&lt;/p&gt;
</content>
  </entry>
</feed>