About Me

Chi sono

Agentic AI Engineer con oltre 11 anni di esperienza nel settore IT. Ho ideato e rilasciato architetture agentiche end-to-end in domini ad alta precisione, proponendo i progetti, scegliendo stack e architettura e seguendo tutto il ciclo fino alla produzione. Mi occupo di ogni fase: dalla progettazione all'osservabilità.

Mi sono specializzato nella progettazione di sistemi Agentic AI con pattern multi-agent supervisor, pipeline RAG ibride (dense + FTS + RRF) e workflow LangGraph multi-step. Gestisco ogni fase: dalla progettazione all'osservabilità avanzata con Langfuse.

In produzione con due sistemi: NAIDA per l'estrazione automatica di referti medici, e NextAID per il supporto clienti intelligente con SSE streaming e architettura multi-agent.

Featured Projects

I miei progetti

Agentic AI RAG per estrazione automatica di referti medici

In produzione

Ho progettato e sviluppato da zero un sistema agentico end-to-end per l'estrazione strutturata di referti medici da PDF/scansioni. Il workflow utilizza LangGraph con nodi specializzati (pre-processing, RAG retrieval su catalogo di 3.500+ esami, LLM extraction con structured output Zod, validation + retry automatico, fuzzy matching e post-processing).

Risultato: accuratezza >95%, riduzione drastica dei costi LLM grazie al prompt dinamico piccolo, tracciamento completo con LangFuse e integrazione diretta nel software aziendale usato da migliaia di clienti.

Riduce il tempo di inserimento manuale del 70-80% per migliaia di medici

Angular Node.js LangGraph RAG (pgvector) LangFuse OpenRouter PostgreSQL Zod

GitHub (repo privato)

NextAID: Assistente Multi-Agent

In produzione

Assistente conversazionale con architettura multi-agent supervisor: sotto-agenti specializzati per ricerca RAG ibrida parallela su Qdrant (dense + FTS + RRF), re-ranking, escalation con tool-calling loop e intent commerciale. SSE streaming e persistenza conversazioni.

Riduce i tempi del supporto clienti

LangGraph Multi-Agent RAG Ibrida (Qdrant) RRF SSE Streaming Tool Calling Node.js

AI Economy & Infrastructure

In produzione

Ingegnerizzazione del sistema di quota management e monetizzazione per l'ecosistema AI. Ho implementato un "usage gateway" su PostgreSQL per gestire limiti gratuiti, tracciare i costi reali delle API (token usage) e automatizzare il funnel di conversione verso piani premium, garantendo la sostenibilità economica dei modelli in produzione.

Node.js PostgreSQL Cost Control Token Economics

Experience

Esperienza professionale

Agentic AI Engineer

Gen 2025 - Presente

Evolus SRL • Torino

Ideato, progettato e portato in produzione NextAID: assistente conversazionale con architettura multi-agent (supervisor pattern), con sotto-agenti specializzati per ricerca RAG ibrida parallela su Qdrant (dense + FTS + RRF), re-ranking, escalation (con tool-calling loop) e intent commerciale, con SSE streaming e persistenza conversazioni, riducendo i tempi del supporto clienti.
Progettato e portato in produzione NAIDA: un Agentic RAG con workflow LangGraph multi-step (pre-processing, retrieval vettoriale su catalogo 3.500+ esami con pgvector, structured output Zod, auto-retry su validazione, fuzzy matching) per estrazione automatica di referti medici, con accuratezza >95% e riduzione del 70-80% dei tempi di inserimento manuale.
Integrazione di Langfuse per tracciamento end-to-end di costi, latenza, token usage e failure rate in produzione, con debugging e ottimizzazione continua su edge case reali: analisi dei trace per ridurre i costi per richiesta e migliorare il retrieval.

Full Stack Developer

Gen 2022 - Dic 2024

Evolus SRL • Torino

Sviluppo full-stack (Angular 18+, Node.js, PostgreSQL) di applicazioni utilizzate quotidianamente da migliaia di utenti.
Guida del refactoring del backend aziendale: migrazione da legacy a servizi RESTful, migliorando scalabilità, sicurezza e performance del software.
Progettazione e sviluppo dei componenti frontend per l'applicazione mobile del software di punta.

IT Support Specialist

Set 2014 - Dic 2021

Evolus SRL • Torino

Gestione avanzata PostgreSQL: ottimizzazione e creazione di query complesse integrate nel core del software.
Sviluppo moduli ERP/CRM (Odoo) in Python + XML su Linux.
Coordinamento e tutoraggio dei nuovi membri del team.

PLC Developer (Stage)

Lug - Ago 2014

Soft-in SRL • Beinasco

Progettazione software per automazione industriale su PLC.

Java Developer (Stage)

Lug - Ago 2013

Assioma.net • Torino

Sviluppo moduli software in Java e gestione query SQL per manipolazione dati.

Perito Ind. Capotecnico

2008 - 2013

ITI Amaldi, Orbassano (TO) • Elettronica e Telecomunicazioni

Case Study: Eslab AI

Agentic AI RAG per estrazione automatica di referti medici

LangGraph pgvector LangFuse

01. Il Problema

I clienti (medici) dovevano trascrivere manualmente ogni singolo esame presente nei referti (PDF o scansioni), scegliendolo da un catalogo regionale di migliaia di voci. Ogni laboratorio usa abbreviazioni e nomi diversi, creando ambiguità impossibili da gestire tramite il software classico.

5-10 minuti per ogni referto
Errori frequenti di inserimento
Costante richiesta di assistenza tecnica

02. La Soluzione

Ho progettato un sistema agentico modulare basato su LangGraph che trasforma il referto grezzo in dati strutturati e pronti all'import:

Retrieval vettoriale su 3.500+ esami
Prompt dinamico ultra-leggero (Top-K)
Validation + Retry automatico con Zod
Fuzzy matching avanzato dei sinonimi
Tracciamento di costi, latenza e qualità con LangFuse

03. Architettura Tecnica

Flusso Iniziale

flowchart TD
    A["Angular Client"] -->|"POST
{testo}"| B["App Backend"]
    B -->|"POST
{estrattopdf, apikey}"| C["AI Backend"]
    C -->|"OpenAI SDK
(via OpenRouter)"| D["LLM
(modello singolo)"]
    D -->|"JSON grezzo"| C
    C -->|"Synonym matching
+ normalizzazione"| B
    B -->|"Query DB catalogo
+ salvataggio"| A
    style D fill:#f9f9f9,stroke:#666,stroke-dasharray: 5 5,color:#333

Evoluzione Agent AI - RAG

graph TD
    subgraph "Client (Browser)"
        A["PDF Caricato dall'utente"] --> B{"Tipo PDF?"}
        B -->|Testuale| C["pdf.js → testo"]
        B -->|Scansionato| D["Tesseract OCR → testo"]
        C --> E["Testo estratto"]
        D --> E
    end

    subgraph "Backend AI (Node.js)"
        E -->|estrattopdf| F["Crea Trace LangFuse"]
        F --> H["eslabGraph.invoke()"]
    end

    subgraph "LangGraph Workflow"
        H --> PRE["preProcessNode
Pulizia testo + tokenizzazione
nomi esami candidati"]
        PRE --> RES["resolveNode
Ricerca vettoriale (Embedding Similarity)
su catalogo completo DB (3500+ esami)"]
        RES --> I["extractNode
Prompt LLM con SOLO esami
rilevanti (top-K match)"]
        I -->|"Structured Output (Zod)"| J["validateNode
Validazione codici regionali"]
        J -->|"errori validazione
(max 3 retry)"| I
        J -->|"parsedData OK"| K["synonymNode
Fuzzy Match per parametri complessi"]
        J -->|"fatalError o max retry"| L["END con errore"]
        K --> POST["postProcessNode
Normalizzazione unità di misura
+ check range valori"]
        POST --> M["END con risultato"]
    end

    subgraph "Client (Browser)"
        M --> N["Mostra risultati al medico"]
        N --> O["Medico corregge/conferma"]
        O --> P["Import su DB PostgreSQL"]
    end

    subgraph "DB PostgreSQL + pgvector"
        DB[("tab_cat_tariffario
3500+ esami")]
        VDB[("Vector Store
Embeddings catalogo")]
        DB -.->|"Sync iniziale"| VDB
        VDB -.->|"Similarity search"| RES
    end

04. Risultati Quantificabili

>95%

Accuratezza

-80%

Tempo Inserimento

~60%

Risparmio Costi LLM

~20s

Tempo Risposta

05. Tecnologie Utilizzate

LangGraph pgvector OpenRouter LangFuse Zod Angular Node.js

06. Lezioni Imparate dall'evoluzione

"Spostare la logica dal singolo prompt ad una vera architettura agentica modulare ha migliorato tutto il sistema: la possibilità di validare ogni step, la conseguente riduzione di allucinazioni e l'ottimizzazione dei costi. L'osservabilità tramite LangFuse per un sistema del genere è fondamentale per renderlo davvero pronto per la produzione."

Demo Live (mock)

Step 1 · Caricamento Referto

Referto Laboratorio Analisi - Dr. Rossi

━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━

Paziente: Mario Bianchi - CF: BNCMRA85M01H501Z

Data prelievo: 10/02/2026

━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━

EMOCROMO COMPLETO

Globuli rossi (RBC)......... 4.85 x10^6/µL [4.5 - 5.5]

Emoglobina (Hb)............. 14.2 g/dL [13.5 - 17.5]

Ematocrito (Hct)............ 42.1% [40 - 54]

Globuli bianchi (WBC)....... 6.8 x10^3/µL [4.0 - 11.0]

Piastrine (PLT)............. 245 x10^3/µL [150 - 400]

━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━

PROFILO LIPIDICO

Colest. Totale.............. 198 mg/dL [< 200]

Colest. HDL................. 55 mg/dL [> 40]

Colest. LDL................. 122 mg/dL [< 130]

Trigliceridi................ 105 mg/dL [< 150]

━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━

GLICEMIA

Glucosio.................... 92 mg/dL [70 - 100]

Emoglobina Glicata (HbA1c).. 5.4% [< 6.0]

Step 2 · LangGraph Pipeline

Estrazione testopdf.js

preProcessNodePulizia + tokenizzazione

resolveNodeVector search pgvector (12 match)

extractNodeLLM Structured Output (Zod)

validateNodeCodici regionali OK ✓

synonymNodeFuzzy match parametri

postProcessNodeNormalizzazione unità

Step 3 · Risultati Estrazione

11 esami estratti · Conferma o correggi prima dell'import

Esame	Cod. Regionale	Valore	U.M.	Match
Globuli Rossi (RBC)	90.65.3	4.85	x10^6/µL	● 98%
Emoglobina	90.65.2	14.2	g/dL	● 99%
Ematocrito	90.65.1	42.1	%	● 97%
Globuli Bianchi (WBC)	90.65.5	6.8	x10^3/µL	● 98%
Piastrine	90.72.3	245	x10^3/µL	● 99%
Colesterolo Totale	90.14.3	198	mg/dL	● 96%
Colesterolo HDL	90.14.1	55	mg/dL	● 95%
Colesterolo LDL	90.14.2	122	mg/dL	● 94%
Trigliceridi	90.43.2	105	mg/dL	● 99%
Glucosio	90.27.1	92	mg/dL	● 99%
Emoglobina Glicata	90.28.1	5.4	%	● 87%

LORIS LALLA

About Me

Chi sono

Featured Projects

I miei progetti

Agentic AI RAG per estrazione automatica di referti medici

NextAID: Assistente Multi-Agent

AI Economy & Infrastructure

Skills

Competenze tecniche

AI

Backend

Frontend

Database

Cloud & DevOps

Experience

Esperienza professionale

Agentic AI Engineer

Full Stack Developer

IT Support Specialist

PLC Developer (Stage)

Java Developer (Stage)

Perito Ind. Capotecnico

Case Study: Eslab AI

Agentic AI RAG per estrazione automatica di referti medici

Flusso Iniziale

Evoluzione Agent AI - RAG

Demo Live (mock)

Import Completato!