<?xml version="1.0" encoding="utf-8" standalone="yes"?><rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom" xmlns:content="http://purl.org/rss/1.0/modules/content/"><channel><title>Data-Quality on Andrea Bozzo | Blog</title><link>https://andreabozzo.pages.dev/tags/data-quality/</link><description>Recent content in Data-Quality on Andrea Bozzo | Blog</description><generator>Hugo -- 0.147.0</generator><language>it-IT</language><lastBuildDate>Mon, 23 Mar 2026 00:00:00 +0000</lastBuildDate><atom:link href="https://andreabozzo.pages.dev/tags/data-quality/index.xml" rel="self" type="application/rss+xml"/><item><title>Guardrail per il ML Tabulare: la prospettiva di un Data Engineer su Data Leakage, Poisoning e Pipeline Fragili</title><link>https://andreabozzo.pages.dev/posts/tabularmlpipes-blog/</link><pubDate>Mon, 23 Mar 2026 00:00:00 +0000</pubDate><guid>https://andreabozzo.pages.dev/posts/tabularmlpipes-blog/</guid><description>La maggior parte dei fallimenti nelle pipeline ML non nasce da bug esotici del modello, ma da problemi di dati mai codificati come controlli. In questo articolo vediamo come costruire guardrail con pandas, Apache DataFusion, contratti dati e Arrow C Data Interface.</description></item></channel></rss>