Quando si lavora con testi che contengono dati sensibili, una delle operazioni più comuni è l’identificazione e la gestione delle informazioni personalmente identificabili (in inglese, Personally Identifiable Information, abbreviato in PII). Si tratta di tutte quelle informazioni che permettono di risalire all’identità di una persona: nomi, indirizzi, numeri di telefono, indirizzi email, codici fiscali e molto altro.

La pipeline è verde. Test unitari passati, code review approvata, deploy in produzione senza intoppi.

Lo skip link è un link che consente alle persone di saltare blocchi ripetuti, andando direttamente al contenuto principale della pagina.

Nel primo episodio abbiamo messo la cintura di sicurezza (set -euo pipefail). Ottimo inizio.

Se hai mai ricevuto una richiesta tipo “Alice deve poter modificare il corso 42, ma non il corso 50”, sai già dove finisce la storia. Con dei normali permessi basati sul ruolo dell’utente queste casistiche non possono essere rappresentate: Alice ha il ruolo PowerUser che le consente di operare con quei permessi su tutto l’applicativo, non abbiamo la possibilità di indicare un accesso ad una risorsa specifica.

Gli agenti conversazionali basati su intelligenza artificiale hanno un problema fondamentale: la memoria finita. I modelli linguistici di grandi dimensioni (LLM) operano su finestre di contesto limitate, il che significa che, nelle conversazioni lunghe, le informazioni più vecchie vengono inevitabilmente perse o compresse. Esistono diversi approcci per gestire questo limite, ma la maggior parte di essi si affida agli stessi LLM per riassumere e filtrare i ricordi, introducendo costi elevati, non determinismo e scarsa trasparenza.

Hai presente quello script da 30 righe che “fa solo due cose” e poi, in produzione, decide di improvvisare?

Hai una coverage al 95%, tutti i test verdi, il badge nel README che brilla. Poi un bug banale arriva in produzione, uno sconto calcolato al contrario o un boundary off-by-one, e ti chiedi: ma i test cosa stavano verificando, esattamente?

Hai un cluster Kubernetes in produzione. Deployment, CRD, controller, il ciclo GitOps già rodato. Poi devi creare una tabella DynamoDB, o un bucket S3, e finisci in un secondo mondo: Terraform, o la console AWS, o CloudFormation. State separato, pipeline separata, competenze diverse per lo stesso team.