NicoGIS Tech Weekly — .NET 11 GA, GeoAI Spatial Retrieval, Esri MCP e Agent Skills, LLM Model Routing
La settimana ha prodotto due cambiamenti con un impatto misurabile sui progetti: .NET 11 è passato da release candidate a GA il 10 novembre e Esri ha dettagliato il passaggio dai vettori geospaziali sperimentali a workflow GeoAI più completi, con embeddings geodemografici 2026 in disponibilità generale, strumenti per la ricerca semantica e accesso agentico via MCP ancora in beta. Sul fronte LLM, la notizia rilevante non è soltanto un nuovo punteggio di benchmark: è la comparsa esplicita di modelli ad alto costo da utilizzare come escalation tier, anziché come default di ogni richiesta.
1. .NET 11 è GA: il guadagno reale si trova fra IL, JIT, runtime e deployment
Il 10 novembre 2026 Microsoft ha pubblicato .NET 11, release STS con due anni di supporto, mentre .NET 10 rimane LTS. Alla stessa data .NET 8 e .NET 9 hanno raggiunto la fine del supporto. Il fatto nuovo non è la cifra 11 nel Target Framework: il punto è che alcune ottimizzazioni riducono costi strutturali prima difficili da rimuovere a livello applicativo, mentre altre cambiano il perimetro di compatibilità e di deployment.
Fonti: Microsoft, Announcing .NET 11 (10 novembre) · What's new in .NET 11 (GA) · Stephen Toub, Performance Improvements in .NET 11 (15 settembre).
1.1 Il JIT ora dimostra più proprietà: non si limita a eseguire il codice più velocemente
Una buona parte del lavoro descritto da Stephen Toub riguarda eliminazione di verifiche di bounds, propagazione di intervalli e devirtualizzazione. Quando il compilatore JIT può dimostrare che un indice è compreso nell'intervallo valido, può evitare la verifica ripetuta all'accesso a un array. Quando conosce il tipo concreto in un call site, può trasformare un dispatch virtuale in una chiamata diretta e, talvolta, abilitarne l'inlining.
Il meccanismo importante non è un'opzione magica di compilazione: passa dalla rappresentazione SSA, dalle informazioni sui range, dai profili PGO raccolti durante l'esecuzione e dalla compilazione Tier 1. In .NET 11 il pass di range-check può sfruttare meglio anche vincoli acquisiti nel blocco di controllo corrente e indici formati da operazioni bitwise. I vantaggi emergono quando un hot path incontra effettivamente i pattern riconosciuti.
Analisi · cosa misurare
Se il carico è dominato da SQL Server, rete, lock esterni o I/O, l'eliminazione di qualche istruzione per record può essere invisibile nell'end-to-end. In un decoder, parser binario, motore raster o pipeline di serializzazione ad alto throughput, invece, le stesse istruzioni possono essere eseguite milioni di volte. Il criterio corretto non è «l'upgrade accelera tutto», ma «quale parte del tempo CPU viene consumata in codice che il nuovo JIT riesce a semplificare?».
Un caso concreto riguarda l'assegnazione di riferimenti agli array: il runtime deve rispettare la covarianza degli array e mantenere corretti i GC write barrier per le collezioni generazionali. La PR dotnet/runtime#126547 espone al JIT operazioni precedentemente nascoste dietro un helper: quando il tipo è noto può rimuovere verifiche di covarianza superflue e ottimizzare il barrier. Toub riporta, per il suo specifico microbenchmark di scrittura su 4.096 elementi, circa 10,85 μs (.NET 10) contro 6,04 μs (.NET 11). Sono risultati pubblicati da Microsoft per quel test, non un miglioramento trasferibile automaticamente a un servizio reale.
Un secondo esempio meno appariscente è il layout dei delegati: la PR dotnet/runtime#99200 riduce di un campo puntatore la rappresentazione dei delegati CoreCLR, con 8 byte risparmiati per istanza su processo a 64 bit. In una base applicativa che alloca quantità elevate di delegate e callback, il risparmio può incidere sia sulla pressione sul GC sia sulla densità di cache; non elimina, però, le closure generate dal compilatore quando il codice cattura variabili.
1.2 Runtime Async: due rappresentazioni della stessa chiamata, non «async senza Task»
Nel modello tradizionale il compilatore C# abbassa ogni metodo async in una state machine con MoveNext, campi per lo stato catturato e meccanismi di continuazione. In Runtime Async, il compilatore lascia un IL più vicino al flusso sorgente e sposta parte della trasformazione verso il runtime e il JIT. Microsoft descrive due entry path compatibili per una stessa funzione logica: un adattatore con il contratto pubblico Task<T> e una variante interna ottimizzata per la chiamata asincrona, spesso indicata come AsyncCall.
Il JIT può riconoscere la sequenza «invoca un metodo che restituisce Task; esegui immediatamente await» e utilizzare una chiamata più diretta quando la sospensione non avviene. Il vantaggio non si applica necessariamente se il codice conserva un Task, lo mette in una raccolta, lo passa a WhenAll o ne osserva l'identità: in quel caso l'oggetto fa parte della semantica osservabile. Restano inoltre in gioco ExecutionContext, AsyncLocal, cancellazione, eccezioni e scheduling.
Stato al GA: Runtime Async rimane preview per il codice applicativo ed è opt-in nei progetti net11.0; gran parte delle librerie del runtime è già compilata con tale modello. Non serve impostare EnablePreviewFeatures per attivare questo scenario, ma la scelta deve comunque essere qualificata tramite test di compatibilità e diagnostica.
<Project Sdk="Microsoft.NET.Sdk">
<PropertyGroup>
<OutputType>Exe</OutputType>
<TargetFramework>net11.0</TargetFramework>
<ImplicitUsings>enable</ImplicitUsings>
<Nullable>enable</Nullable>
<Features Condition="'$(RuntimeAsync)' == 'true'">$(Features);runtime-async=on</Features>
</PropertyGroup>
</Project>La configurazione permette un test A/B sullo stesso runtime .NET 11, separando il contributo del nuovo lowering dall'effetto complessivo dell'upgrade .NET 10 → .NET 11. La distinzione è fondamentale: confrontare 10 e 11 con Runtime Async abilitato soltanto nel secondo significa cambiare due variabili contemporaneamente.
using System.Diagnostics;
static async Task<int> Outer() => await Middle();
static async Task<int> Middle() => await Inner();
static async Task<int> Inner() => await Task.FromResult(1024);
const int iterations = 200_000;
for (int i = 0; i < 20_000; i++)
_ = Outer().GetAwaiter().GetResult();
long allocatedBefore = GC.GetAllocatedBytesForCurrentThread();
long start = Stopwatch.GetTimestamp();
long checksum = 0;
for (int i = 0; i < iterations; i++)
checksum += Outer().GetAwaiter().GetResult();
double elapsedMs = Stopwatch.GetElapsedTime(start).TotalMilliseconds;
long allocated = GC.GetAllocatedBytesForCurrentThread() - allocatedBefore;
Console.WriteLine($"sum={checksum} elapsed={elapsedMs:F2}ms " +
$"bytes/op={(double)allocated / iterations:F2}");Il valore finale è intenzionalmente fuori dalla piccola cache di risultati interi comunemente utilizzata da Task.FromResult. Il programma scalda il codice prima di misurare; i byte per operazione sono un'indicazione limitata alle allocazioni del thread corrente e questo harness non sostituisce BenchmarkDotNet, EventPipe o una misurazione con concorrenza reale.
Fonti di implementazione: Toub: Runtime Async, IL, JIT, allocazioni e tracing · panoramica GA e stato delle feature.
1.3 Native AOT: distinguere il toolchain dal proprio binario
Microsoft ha attivato un host CLI Native AOT per ridurre il costo di alcuni comandi dotnet e un MSBuild server warm per evitare ripetute inizializzazioni. Questo non significa che le applicazioni compilate normalmente diventino Native AOT: il publishing AOT di un'applicazione resta una scelta distinta, da verificare contro reflection dinamica, source generator, librerie native e vincoli di trimming.
Per Native AOT il runtime usa anche una strategia di interface dispatch con helper condiviso, riducendo il codice emesso in alcuni call site. Il beneficio architetturale va pesato con i problemi reali: dimensione binario, avvio, distribuzione container, diagnostica e compatibilità delle dipendenze. Una migrazione di un framework applicativo fortemente dinamico non va dedotta dal semplice supporto AOT del runtime.
1.4 C# 15 e ASP.NET Core: contratti più espressivi, ma feature con maturità diversa
Con C# 15 arrivano union types e closed hierarchies. Le union permettono di rappresentare esiti alternativi con controllo del pattern matching. È interessante per orchestratori e servizi di dominio: la mancata autorizzazione, l'assenza di risultati e l'esito positivo diventano stati espliciti, anziché eccezioni o null senza semantica.
public sealed record Accepted(Guid FeatureId);
public sealed record Rejected(string Reason);
public union SpatialDecision(Accepted, Rejected);
static string Describe(SpatialDecision decision) => decision switch
{
Accepted ok => $"Accepted: {ok.FeatureId}",
Rejected no => $"Rejected: {no.Reason}"
};Nel medesimo rilascio ASP.NET Core documenta validazione asincrona, generazione OpenAPI 3.2, refresh dell'autenticazione SignalR e componenti Blazor per interfacce agentiche. Qui serve discriminare: Microsoft.AspNetCore.Components.AI e l'integrazione AG-UI sono sperimentali/prerelease, non una garanzia di API stabile da inserire senza valutazione in un prodotto enterprise. OpenAPI 3.2 può inoltre richiedere un downgrade esplicito per generatori client che non lo comprendono ancora.
Fonti: release GA, sezioni C# 15 e ASP.NET Core · runtime, SDK e compatibilità.
2. ArcGIS GeoAI: da feature vector sperimentali a contratti di retrieval spaziale
Il 9 novembre Esri ha pubblicato un aggiornamento sostanziale sul proprio stack GeoAI. La novità concreta per l'architettura non è «fare una domanda in linguaggio naturale a una mappa», ma la combinazione di tre elementi indipendenti: modelli che producono embeddings, strumenti GIS che li interrogano e servizi/agent che applicano operazioni spaziali governate. Trattarli come un'unica funzione AI rischia di confondere modelli statistici, semantica GIS e autorizzazione.
2.1 ArcGIS Pro 3.8: i modelli devono condividere lo spazio semantico
Esri presenta, nel contesto dell'aggiornamento di ArcGIS Pro 3.8, EO-DINO, un foundation model di earth observation addestrato su imagery RGB ad alta risoluzione, multispettrale e SAR. Descrive anche Find Features By Description, che confronta embeddings di immagini con embeddings di testo, e Detect Changes Using Embeddings, che confronta rappresentazioni in tempi differenti anziché limitarsi alle differenze a livello di pixel.
Vincolo fondamentale: nella ricerca testo→immagine, i vettori del testo e quelli delle immagini devono provenire da uno stesso modello vision-language compatibile, come GeoRSCLIP secondo la documentazione Esri. Un encoder geodemografico e un encoder di immagini non diventano automaticamente confrontabili solo perché producono entrambi array di float. Dimensione uguale, normalizzazione uguale e distanza coseno non dimostrano l'allineamento degli spazi latenti.
L'API ArcPy documentata per la generazione di embeddings è arcpy.geoai.GenerateEmbeddingsUsingAIModels, che accetta una feature class o un raster, una feature class di output e una definizione modello .emd/.dlpk. Il tool può eseguire inferenza CPU o GPU, ma Esri raccomanda GPU per carichi intensivi; le librerie deep learning richieste devono essere presenti. Sono prerequisiti operativi, non dettagli marginali.
import arcpy
arcpy.env.processorType = "GPU"
arcpy.geoai.GenerateEmbeddingsUsingAIModels(
in_data=r"D:\geo\satellite_before.tif",
out_embeddings_feature_class=r"D:\geo\work.gdb\emb_before",
in_model_definition_file=r"D:\models\approved_model.dlpk"
)
# L'esempio richiede un modello e dati compatibili disponibili localmente.
# Registrare versione del DLPK, preprocessing e riferimento spaziale.Per esempio, un sistema di monitoraggio del territorio dovrebbe registrare almeno identificatore e versione del modello, risoluzione dell'immagine, epoca di acquisizione, CRS, parametri della griglia, pipeline di preprocessing e schema dell'embedding. Se uno di questi elementi cambia senza un nuovo namespace d'indicizzazione, il ranking diventa difficilmente confrontabile.
Fonti: Esri, What's new in geospatial AI (9 novembre) · documentazione Generate Embeddings Using AI Models.
2.2 USA Geodemographic Embeddings 2026: dalla beta alla disponibilità generale
La layer USA Geodemographic Embeddings 2026 viene indicata da Esri come generalmente disponibile, dopo il percorso beta illustrato in luglio. Gli embedding sono derivati da variabili demografiche, socioeconomiche, ambientali e censuarie; la rappresentazione GDFM documentata è composta da 256 dimensioni, organizzate in quattro segmenti da 64 legati ad altrettante viste del contesto geografico. Il dataset riguarda gli Stati Uniti: la disponibilità della rappresentazione non autorizza ad assumere una copertura equivalente dell'Europa.
Le dimensioni latenti non equivalgono a campi interpretabili uno a uno. La lettura per segmenti e l'uso di AutoML + SHAP aiutano a studiare quali parti della rappresentazione contribuiscono alla predizione, ma non trasformano automaticamente un'associazione statistica in una spiegazione causale. Se un modello prevede un indicatore socioeconomico partendo da embeddings derivati da variabili territoriali correlate, serve verificare leakage temporale, target leakage e split spaziali.
Fonti: Esri, dataset beta (9 luglio) · Esri, GDFM/256 dimensioni e SHAP (6 ottobre) · aggiornamento disponibilità (9 novembre).
2.3 Similarità coseno non è prossimità geometrica
Il tool Find Similar Features Using Embeddings prende le celle che intersecano i poligoni query, ne calcola un vettore medio e lo confronta con gli embeddings candidati tramite cosine similarity. Soglia e search extent controllano l'output. Si tratta di un ranking di somiglianza del contenuto codificato, non di una relazione topologica o di vicinanza in metri. Inoltre la media può appiattire cluster eterogenei: una query che comprende zone molto diverse potrebbe avere un centro latente poco rappresentativo.
proximity(A, B) = relazione geometrica in un CRS noto o distanza geodetica, non una proprietà del coseno.
Per una richiesta come «trovami zone simili a questa, ma entro 2 km dal cantiere» si tratta di due predicati distinti: un filtro spaziale per la fattibilità geografica e un ordine per prossimità semantica. Eseguirli nell'ordine sbagliato può produrre candidati semanticamente ottimi ma geograficamente inutilizzabili, oppure meno dei k risultati richiesti in presenza di ANN con filtri selettivi.
WITH geo_candidates AS MATERIALIZED (
SELECT id, embedding
FROM spatial_embeddings
WHERE ST_DWithin(
position,
ST_SetSRID(ST_MakePoint(9.1900, 45.4600), 4326)::geography,
2000.0
)
)
SELECT id, embedding <=> '[0.9,0.1,0]'::vector AS cosine_distance
FROM geo_candidates
ORDER BY cosine_distance, id
LIMIT 5;Analisi: la CTE MATERIALIZED costruisce il set spaziale prima del ranking vettoriale. È un pattern ragionevole quando il raggio geografico restringe molto i candidati; non è il piano ottimale universale. Per AOI ampie, il costo del sort esatto può dominare e un indice HNSW con iterative scans può essere preferibile, a condizione di misurare recall@k, latency p95/p99 e numero di candidati. Attenzione anche ai CRS: PostGIS ST_DWithin su geography interpreta il raggio in metri; su geometry le unità dipendono dal SRID.
Fonti: Esri, algoritmo e query mean embedding · ArcPy tool e licensing Advanced · PostGIS ST_DWithin · pgvector, approximate filtering e iterative scans.
2.4 Il ciclo di vita GIS cambia quanto le feature: ArcGIS Pro 3.8 introduce una nuova policy
Esri ha anche annunciato una revisione del product life cycle con ArcGIS Pro 3.8: versione STS con circa un anno di supporto, e una futura linea LTS biennale. La fase Mature viene sostituita da una fase Extended in cui il software rimane eleggibile per patch ma non riceve nuove certificazioni di ambiente. Le versioni fino alla 3.7 mantengono invece la propria policy precedente.
Valutazione: per add-in ArcGIS Pro SDK, deep learning packages e integrazioni con ArcGIS Enterprise è un cambiamento di piattaforma più importante di alcune singole nuove funzioni. La matrice deve esplicitare: Pro/SDK, versione Enterprise, geodatabase, Python environment, driver CUDA, pacchetti DLPK e strategia di rollback. Le patch non sostituiscono la certificazione combinata di questi componenti.
Fonte: Esri, Update to ArcGIS Pro Product Life Cycle (31 agosto 2026).
3. ArcGIS MCP + Experience Builder Agent Skills: due contratti diversi, una sola superficie d'attacco
Il post Esri del 9 novembre segnala supporto MCP in beta per ArcGIS Location Platform e ArcGIS Enterprise, con GA prevista in rilasci successivi. Per ArcGIS Experience Builder annuncia anche AI chat in beta su ArcGIS Online: una modalità conversazionale su applicazioni configurate, non un contratto di produzione applicabile automaticamente a qualsiasi installazione Enterprise.
Qui è necessario separare tool access e code generation: MCP consente a un agente in esecuzione di richiamare funzionalità geospaziali; uno Agent Skill orienta invece l'agente sviluppatore nella creazione/manutenzione di un widget. Metterli sullo stesso piano crea equivoci su audit, deploy e autorizzazioni.
3.1 Il vero confine di sicurezza sta nella geospatial operation, non nel prompt
Un agente può chiedere «trova tutti gli asset entro 400 metri da una condotta»; il backend deve ancora decidere quale identità può leggere quali layer, con quali attributi e in quale extent. Il modello non può diventare la fonte di verità dell'autorizzazione. Le misure consigliate sono: identità e scoping per tool, validazione server-side dei parametri geometrici, limite sulle quantità restituite, filtro dei campi sensibili, tracciamento di query e risultati, protezione da prompt injection sui testi dei feature attributes.
Analisi · esempio di superficie MCP
Una risposta di una feature layer può contenere stringhe fornite da terzi. Se il client LLM reinserisce descrizioni o note dei feature nel contesto, un attributo come «ignora le istruzioni precedenti» resta dato non fidato; non deve trasformarsi in una nuova istruzione operativa. L'autenticazione del gateway e le ACL del GIS non sono rimpiazzabili da un system prompt.
Esri dichiara le feature AI opt-in e documenta controlli amministrativi; l'accesso di client AI esterni all'Enterprise è una superficie separata da valutare. Quando la funzione è beta, le garanzie operative e la compatibilità vanno testate in staging senza trasformare gli annunci in presunte disponibilità GA.
Fonte: Esri, MCP beta, AI chat beta, amministrazione AI (9 novembre).
3.2 Lo skill Esri per widget è un contratto di engineering, non una certificazione del codice generato
Nel repository ufficiale Esri/arcgis-experience-builder-sdk-resources è disponibile skills/arcgis-exb-widget-dev/SKILL.md. Il documento non si limita a spiegare come creare un componente React: distingue ambiente Source Code Repository e Developer Edition, identifica le superfici interessate (manifest.json, src/runtime, src/setting, data source, map view, message/data actions, traduzioni) e impone criteri di completamento e test.
Alcuni dettagli sono architetturalmente rilevanti: manifest come capability contract, componenti funzionali React per i widget nuovi, separazione tra codice runtime e moduli jimu-for-builder, salvataggio dei soli identificatori e parametri di data source nella configurazione, e migrazioni via WidgetVersionManager quando una modifica di schema non può conservare la compatibilità delle app già salvate.
Lo skill prescrive, in Developer Edition, la verifica npm run tscheck dalla directory client/. Per Experience Builder 1.21 l'installazione delle dipendenze passa a pnpm ci, che non va confuso con il comando dello script di controllo TypeScript: package manager e validation script non sono la stessa cosa.
cd /path/to/experience-builder/client
pnpm ci
npm run tscheck
# Per widget nuovi o file/manifest modificati,
# riavviare il dev server secondo le indicazioni Esri.Un'altra modifica importante per le integrazioni map-centric è il passaggio dai pattern diretti di MapView/SceneView ai web components di ArcGIS Maps SDK for JavaScript. Experience Builder 1.21 introduce JimuMapView.mapComponent; per il popup l'accesso via jimuMapView.view.popup non è più disponibile nel nuovo pattern e va utilizzato jimuMapView.mapComponent.popupElement oppure le API openPopup()/closePopup() del componente. L'accesso generale a view non va descritto come totalmente rimosso: la release note precisa che è ancora accessibile, mentre cambiano i contratti specifici.
Valutazione: la produttività dell'agente sviluppatore si misura sulla capacità di produrre patch compatibili e verificabili, non sul numero di righe generate. Una PR che compila ma rompe i datasource persistiti, la traduzione o il cambio di view non è riuscita.
Fonti: Esri, skill ufficiale · Experience Builder 1.21 release notes · installation guide.
4. LLM: Fable/Mythos 5.2 e il costo marginale della ragionevolezza
Il 9 novembre 2026 Anthropic ha presentato Claude Fable 5.2 e Claude Mythos 5.2, descritti come lo stesso modello sottostante ma con restrizioni e programmi di accesso differenti. Secondo il fornitore, Fable è pensato per rendere disponibile il modello con maggiori salvaguardie su ambiti sensibili; Mythos richiede verifica per specifici impieghi di cybersecurity o ricerca biomedica. Questo è un dato sulle policy commerciali e di sicurezza annunciate, non un'inferenza sulle architetture interne del modello.
La tariffa API pubblicata è 8 USD per milione di token in input e 40 USD per milione in output; la modalità fast opzionale costa 16/80 USD e Anthropic dichiara fino a 2,5× la velocità di generazione dei token. L'azienda comunica anche miglioramenti di benchmark rispetto a modelli precedenti; questi numeri vanno letti come misure fornite dal vendor sotto specifici harness, non come un SLA riproducibile di latenza, robustezza o successo di un workflow aziendale.
Valutazione · il routing deve ottimizzare il costo per risultato accettato
Per 40.000 token di input e 4.000 di output, la sola tariffa teorica base è 0,48 USD; in fast mode 0,96 USD, escludendo tool, storage, retry e ogni altro costo. Il criterio di selezione non è «il modello che ottiene il punteggio più alto», ma cost / P(risultato verificato come corretto). Una strategia robusta lascia a un modello più economico classificazione, estrazione e routing, e invoca il modello costoso solo quando difficoltà, ambiguità o fallimento dei controlli lo giustificano.
La formula è una approssimazione: assume tentativi indipendenti e costo medio stabile. Nei veri sistemi agentici il retry può aumentare il contesto, un tool può fallire in modo correlato e un revisore umano può cambiare il bilancio. Bisogna tracciare accepted tasks, revisioni, fallimenti, chiamate tool, input/output token, TTFT e p95/p99, non soltanto il prezzo pubblicato per token.
public readonly record struct Usage(long InputTokens, long OutputTokens);
static decimal EstimateUsd(Usage u, decimal inputPerMillion,
decimal outputPerMillion) =>
u.InputTokens * inputPerMillion / 1_000_000m +
u.OutputTokens * outputPerMillion / 1_000_000m;
var tokens = new Usage(40_000, 4_000);
decimal baseCost = EstimateUsd(tokens, 8m, 40m); // 0.48 USD
decimal fastCost = EstimateUsd(tokens, 16m, 80m); // 0.96 USD
decimal acceptanceRate = 0.80m; // solo ipotesi di laboratorio
decimal costPerAcceptedTask = baseCost / acceptanceRate;
Console.WriteLine(costPerAcceptedTask); // 0.60 USD, stimaPer architetture aziendali, modelli ad alta capacità possono avere un ruolo di advisor o orchestrator, ma l'esecuzione delle azioni deve rimanere sotto controllo del tool layer: permessi, schema della richiesta, idempotenza, rate limit, audit e approval checkpoint. La qualità del modello non rende meno necessarie queste proprietà.
Fonte primaria: Anthropic, Claude Fable 5.2 and Mythos 5.2 (9 novembre 2026).
5. Azure: separare l'economia dell'API da quella del serving open-weight
Le tariffe di Fable 5.2 non costituiscono un punto di confronto diretto con una VM GPU senza conoscere workload, SLA, disponibilità del modello e utilizzo effettivo dell'acceleratore. Un modello proprietario accessibile via API non è automaticamente distribuibile sulla propria VM Azure: il serving locale va discusso per modelli open-weight compatibili con la relativa licenza, come eventuali varianti di Llama, e con stack di inferenza realmente supportati.
La famiglia Azure ND H100 v5 documenta la SKU Standard_ND96isr_H100_v5 con 8 GPU NVIDIA H100 da 80 GB, 96 vCPU e circa 1.900 GiB di RAM. NVLink è disponibile all'interno del nodo e InfiniBand per il calcolo distribuito. È hardware pensato per carichi di training/inferenza intensivi; non implica che la sua topologia sia economicamente sensata per un chatbot con poche richieste simultanee.
Memoria KV per sequenza ≈ 2 × layers × KV-heads × head_dim × token × bytes per elemento
Un modello ipotetico da 30 miliardi di parametri occupa, per i soli pesi, circa 60 GB in BF16 oppure 15 GB con codifica ideale a 4 bit. A questi valori vanno aggiunti scale/metadata della quantizzazione, runtime CUDA, workspace temporanei, buffer, cache KV, frammentazione e spazio richiesto dalla concorrenza. È un calcolo di ordine di grandezza, non una certificazione di fit su una scheda da 16/24/80 GB.
Analisi: CPU e RAM di sistema consentono quantizzazione aggressiva e offloading, ma aumentano spesso la pressione su banda memoria e latenza per token. GPU e memoria HBM favoriscono il decoding parallelo; il collo di bottiglia può spostarsi su KV cache, scheduler, trasferimenti fra worker, rete o capacità di saturare i batch. L'indicatore corretto per un servizio utile non è la velocità di un singolo prompt a GPU libera, ma il goodput sotto vincoli di TTFT/p99 al profilo di concorrenza previsto.
Prima di scegliere una VM, confrontare costo del nodo acceso / richieste riuscite includendo ore inattive, ridondanza, storage dei modelli, rollout e manutenzione, e verificare prezzo e quota regionali reali nel proprio abbonamento. Questa settimana non viene pubblicato un listino numerico Azure, perché nessun prezzo regionale/contrattuale è universalmente valido.
Fonte: Microsoft Learn, ND-H100-v5 sizes series.
Technical Takeaways
- .NET 11 GA è un punto di decisione, non un obbligo di migrazione indiscriminata: distinguere la nuova base STS dall'alternativa LTS .NET 10 e verificare prima compatibilità e cicli di supporto.
- Runtime Async resta un esperimento applicativo opt-in: il JIT può eliminare Task intermedi non osservabili, ma non cambia il contratto di API o le regole di correttezza dell'asincronia.
- GeoAI retrieval = rappresentazione semantica + predicati spaziali + provenienza del modello: il coseno non sostituisce
ST_DWithine gli embedding di modelli diversi non vanno mescolati senza prova di compatibilità. - ArcGIS MCP e gli Agent Skills operano su piani differenti: il primo espone capacità a runtime e richiede autorizzazione e audit; i secondi descrivono i contratti con cui produrre codice verificabile.
- AI cost engineering: confrontare modelli in termini di task accettati e p99, non di prezzo per milione di token o benchmark isolati. L'hardware Azure va dimensionato sul modello effettivamente distribuibile e sul carico reale.
Lab della settimana
Lab 1 · Runtime Async A/B senza confondere l'upgrade del framework
- Installare l'SDK GA di .NET 11, creare una console
net11.0e sostituire il.csproje il programma con gli esempi della sezione 1.2. - Compilare due volte,
-p:RuntimeAsync=falsee-p:RuntimeAsync=true, con build pulita e stessa configurazione Release. Annotare tempo totale, byte per operazione e dimensione della DLL. - Ripetere su uno scenario con completamento realmente asincrono (
Task.Delay, I/O simulato), includendo più livelli di await e presenza diAsyncLocal; non dedurre i risultati della seconda prova dalla prima.
dotnet new console -n AsyncProbe -f net11.0
cd AsyncProbe
# Sostituire AsyncProbe.csproj e Program.cs con gli esempi.
dotnet clean -c Release
dotnet build -c Release -p:RuntimeAsync=false --no-incremental
dotnet bin/Release/net11.0/AsyncProbe.dll
dotnet clean -c Release
dotnet build -c Release -p:RuntimeAsync=true --no-incremental
dotnet bin/Release/net11.0/AsyncProbe.dllDocumentazione: Stephen Toub, benchmark e Runtime Async · dotnet-trace.
Lab 2 · Spatial-first versus semantic-first con PostGIS + pgvector
- Installare PostgreSQL con estensioni
postgisevector. Utilizzare la query SQL della sezione 2.3 con i dati sintetici indicati sotto. - Confrontare il ranking vettoriale globale con quello limitato dal predicato
ST_DWithin. Modificare il raggio da 1.000 a 5.000 metri e osservare la variazione di candidati e risultati. - Su un dataset di dimensioni reali, usare
EXPLAIN (ANALYZE, BUFFERS)per confrontare filtri spaziali con ranking esatto e una strategia ANN. Misurare recall@k usando l'esatto come riferimento.
CREATE EXTENSION IF NOT EXISTS postgis;
CREATE EXTENSION IF NOT EXISTS vector;
CREATE TEMP TABLE spatial_embeddings (
id integer PRIMARY KEY,
position geography(Point, 4326),
embedding vector(3)
);
INSERT INTO spatial_embeddings VALUES
(1, ST_SetSRID(ST_MakePoint(9.1900,45.4600),4326)::geography, '[0.95,0.05,0]'),
(2, ST_SetSRID(ST_MakePoint(9.1940,45.4630),4326)::geography, '[0.7,0.3,0]'),
(3, ST_SetSRID(ST_MakePoint(9.2100,45.4750),4326)::geography, '[0.8,0.2,0]'),
(4, ST_SetSRID(ST_MakePoint(9.3000,45.5500),4326)::geography, '[1,0,0]');
CREATE INDEX ON spatial_embeddings USING gist(position);
SELECT id, embedding <=> '[0.9,0.1,0]'::vector AS distance
FROM spatial_embeddings ORDER BY distance LIMIT 3;
-- Poi eseguire il filtro spatial-first del testo principale.Documentazione: PostGIS · pgvector · Esri similarity workflow.
Lab 3 · Regolamento di regressione per un widget generato con Agent Skill
- Usare una installazione di Experience Builder Developer Edition 1.21 e il riferimento Esri
arcgis-exb-widget-dev. Partire da un widget che legge il layer della mappa attiva e non conserva istanze runtime nel file di configurazione. - Verificare in modo sistematico i contratti:
manifest.json,useMapWidgetIds, configurazione di datasource e campi, comportamento quando la vista cambia, supporto amapComponent, traduzioni, focus da tastiera e stato senza dati. - Eseguire l'installazione
pnpm ci, poinpm run tschecke un test manuale di upgrade con una app salvata. Se la configurazione muta in modo non retrocompatibile, introdurre e validareWidgetVersionManager.
Documentazione: Esri widget-development skill · breaking changes 1.21 · guida installazione.
Commenti