Agenti ML che girano in locale: MLExpert ed EpochGo su Ollama, costi API zero

Un agente di machine learning è un modello che guida da solo l'intero ciclo di data science: pulisce i dati, prova decine di modelli, fa tuning, prepara il servizio. Questo mese due uscite mostrano i due poli della stessa storia: da una parte MLExpert, un modello frontier da 35 miliardi di parametri addestrato a farlo in autonomia; dall'altra EpochGo, una piattaforma open source che porta tre agenti coordinati su una macchina da 16 GB di RAM, senza costi API. Il primo dice cosa è possibile; il secondo si installa oggi.

MLExpert: la frontiera dimostra che gli agenti ML funzionano

MLExpert è un paper di ottobre 2026 che addestra un modello Mixture-of-Experts da 35 miliardi di parametri per condurre da solo intere sessioni di ingegneria ML. Non assiste: propone l'esperimento, lo esegue, legge i risultati, adatta la strategia. L'addestramento combina due tecniche — una supervisione gerarchica sui dati di interazione e un metodo di reinforcement learning, chiamato WIRL, che assegna un premio condiviso alle decisioni prese tra un risultato sperimentale e il successivo.

Il numero che conta: su MLE-Bench Lite, la quota media di medaglie sale dal 37,9% del modello base al 72,7% — un livello paragonabile a modelli frontier molto più grandi, come Kimi-K3 o GLM-5.3. È la dimostrazione che un modello da 35B, addestrato bene, può gestire un processo decisionale lungo e costoso senza perdersi. Il paper non offre un runtime locale: è una frontiera di ricerca, e va letta come tale — la prova che il campo è maturo abbastanza da iniziare a portarlo sul proprio hardware.

EpochGo: lo stesso approccio su un 16 GB, con costi API zero

EpochGo è l'altra estremità dello spettro: una piattaforma AutoML open source, local-first, che gira sul tuo hardware. Sotto il cofano: CrewAI, Ollama, scikit-learn, XGBoost, LightGBM e CatBoost. Niente chiavi API, niente cloud, tutto in locale.

Carichi un CSV nel dashboard e tre agenti si dividono il lavoro:

• Agente 1 — preprocessing: rileva valori mancanti, outlier, codifica le variabili categoriche, riduce la dimensionalità. Produce uno script standalone e un report prima/dopo.
• Agente 2 — benchmark e tuning: mette a confronto 7 algoritmi base (XGBoost, LightGBM, CatBoost, Random Forest, Gradient Boosting, Extra Trees, regressioni lineari), seleziona i migliori 3, ottimizza gli iperparametri e sceglie il modello vincente, con uno script di training riproducibile.
• Agente 3 — serving: genera un microservizio FastAPI pronto all'uso, con un playground nel browser per provare le predizioni e gli snippet curl e Python da incollare nei tuoi sistemi.

Ogni progetto salva tutto sotto projects/: script, report in Markdown, modello serializzato. Niente dati, prompt o predizioni lasciano la macchina — il dettaglio che conta quando il CSV contiene clienti veri.

I costi: API vs locale, fatto coi numeri

Facciamo i conti su un progetto tipico. Il pipeline completo — profilazione, benchmark di 7 modelli, tuning, codice di serving — genera in totale un ordine di grandezza di 1 milione di token tra prompt e output degli agenti.

Via	Conto	Costo a progetto
API a pagamento	~1M token a ~2,50 EUR/M token	~2,50 EUR
Locale con EpochGo	modello da 7B (~4,7 GB di RAM), training sui classici in CPU o sulla tua GPU	0 EUR di API

Sono cifre di ordine di grandezza: dipendono dai prezzi al momento e dalla quantità di tuning. Ma la struttura è chiara — 40 progetti l'anno costano circa 100 EUR di API, oppure zero: il modello 7B che guida gli agenti occupa ~4,7 GB di RAM, e un Mac da 16 GB o un PC equivalente lascia oltre 10 GB liberi per il training vero e proprio. A questi numeri la differenza di costo è modesta; la differenza vera è che i dati dei clienti non lasciano mai la macchina.

E i limiti?

Sia chiari su cosa questi agenti NON sono:

• Solo dati tabulari. L'angolo è CSV: classificazione, regressione, training e serving. Non è un RAG sui tuoi testi né un agente di vision: per i documenti, la via è un'altra, e la trovi nella guida al RAG locale.
• Il codice generato va letto. Il modello di linguaggio scrive Python vero, che a volte ha bug. Gli script preprocessing.py, model_building.py e serve.py meritano una revisione prima del deployment, come qualsiasi codice che arriva da un altro.
• La qualità del modello guida la qualità del pipeline. Con qwen2.5-coder:7b il livello è buono per data science classica; con i fallback da 1,5B o 3B (per macchine da 8 GB) scende.

Setup minimo in 10 minuti

Requisito	Valore
RAM	16 GB consigliati (8 GB con i modelli ridotti)
Modello di guida	qwen2.5-coder:7b (~4,7 GB di RAM)
Stack	Docker Compose + Ollama

1. Installa Ollama e carica il modello di guida:

   ollama pull qwen2.5-coder:7b
   

2. Clona e avvia EpochGo:

   git clone https://github.com/AryanDinakaran/EpochGo.git
   cd EpochGo
   docker compose up --build
   

   Se non va, verifica che ollama serve sia attivo: il compositore si collega a Ollama da solo, ma solo se il server è già in ascolto.
3. Apri il dashboard su http://localhost:8000, carica un CSV — ce ne sono due pronti in sample_data/ (churn clienti e prezzi immobiliari) — e guarda i tre agenti lavorare, passo per passo, nel log in tempo reale.

Fonti

• MLExpert: Towards a Generalist Agentic Model for Autonomous Machine Learning Engineering — arXiv, 15 ottobre 2026
• EpochGo — README e specifiche, licenza MIT

In sintesi

Due uscite, due poli della stessa storia. MLExpert dimostra che un modello da 35B, addestrato con il metodo giusto, fa ingegneria ML a livello dei frontier. EpochGo porta lo stesso approccio — tre agenti coordinati che puliscono i dati, fanno benchmark e preparano il servizio — su un 16 GB di RAM, con costi API zero e dati che non lasciano la macchina. L'una è la prova che il campo è maturo; l'altra è il punto di partenza per provarlo in locale oggi.

Articolo generato con IA