Percorso

Un'ondata crescente di normative — EU DSA, EU TCOR, UK OSA, NY S895, CA AB 587, ECA del Brasile, IT Rules dell'India e altre — richiede ciascuna un reporting di trasparenza granulare e localizzato in modo coerente. L'approccio precedente di Roblox era manuale e difficile da scalare man mano che il panorama normativo continuava ad ampliarsi.

• Guido la strategia e la produzione del reporting di trasparenza per oltre 8 normative internazionali.
• Ho scritto una suite di query SQL modulari e di livello produttivo con controllo versione, per cicli di reporting ripetibili e verificabili.
• Sto progettando un Product Compliance Unified Data Model e una pipeline di reporting automatizzata per scalare il sistema e renderlo a prova di futuro in vista degli audit esterni.
• Guido iniziative di abilitazione all'IA per migliorare la produttività del team e ridurre il carico manuale.

I ricercatori che studiano le piattaforme online — accademici, organizzazioni della società civile e analisti della sicurezza delle piattaforme — non hanno avuto alcun modo ufficiale e programmatico di accedere ai dati pubblici di Roblox. Senza un accesso strutturato, la ricerca esterna ha fatto affidamento sulla raccolta manuale o sullo scraping non ufficiale, limitando la qualità e la portata dello scrutinio indipendente che Roblox poteva ricevere su moderazione dei contenuti, sicurezza della piattaforma ed enforcement delle policy. Nel frattempo, Roblox non aveva alcun meccanismo per supportare in modo proattivo la comunità di ricerca che informa i legislatori e la comprensione pubblica delle grandi piattaforme.

• Ho individuato l'opportunità di creare la prima Research Data API pubblica di Roblox — una funzionalità mai esistita in azienda e non prassi standard tra le grandi piattaforme di gaming.
• Guido la strategia di prodotto end-to-end: definire quali dati pubblici esporre, progettare lo schema dell'API e l'architettura degli endpoint, e definire data governance, controlli di accesso per i ricercatori, rate limiting, autenticazione e condizioni d'uso.
• Guido l'allineamento interfunzionale tra Engineering, Legal, Policy e Privacy per progettare un modello di accesso conforme, sostenibile e scalabile.
• Posiziono l'API come complemento strutturato al reporting di trasparenza esistente di Roblox — estendendo la postura di responsabilità pubblica dell'azienda oltre i report periodici, verso un accesso ai dati on-demand e interrogabile.

Costruire SQL e Python di livello produttivo per oltre 10 requisiti di conformità normativa — report, RFI, valutazioni del rischio e supporto al contenzioso — richiederebbe normalmente 3–6 settimane di puro lavoro di ingegneria per ciclo. Con un portafoglio normativo in rapida espansione e un team snello, quel ritmo era insostenibile.

• Ho operato come PM e primo autore in un workflow di coding IA con human-in-the-loop, usando gli agenti di Cursor per generare SQL e Python di livello produttivo.
• Ho generato oltre 7.000 righe di codice di produzione su più di 10 requisiti normativi, con data engineer e data scientist nel ruolo di revisori del codice anziché di coder principali.
• Ho progettato una pipeline di sviluppo strutturata: contesto di query e schema → SQL generato dall'IA → revisione e approvazione umana del codice → affinamento iterativo → pipeline Python su scala completa.
• Ho compresso il ciclo di feedback tra PM ed engineering, consentendo iterazioni più rapide e riducendo il collo di bottiglia della pianificazione interfunzionale.

Il Privacy Sandbox Working Group (oltre 900 tra ingegneri, PM e personale di conformità) era sommerso da più di 12.000 documenti isolati in repository ad accesso limitato. Il recupero delle informazioni era un serio collo di bottiglia — rallentando sviluppo, conformità normativa e strategia — ma la sensibilità del corpus escludeva l'uso di strumenti di ricerca generici.

• Unico autore dei documenti di design v1 e v2; principale artefice dalla concezione al prototipo funzionante.
• Ho consultato gli stakeholder di tutta l'organizzazione per diagnosticare i punti critici, poi ho progettato l'intero sistema end-to-end: frontend web, backend su Agent Studio, Gemini 2.5 Pro come LLM e un database vettoriale indicizzato con oltre 12.000 documenti ad accesso limitato.
• Ho implementato due modalità operative: (1) Q&A esperto con RAG e citazione delle fonti, ancorato al corpus; e (2) una modalità di redazione specializzata per generare le prime bozze delle D&I Criteria Assessment — un workflow di conformità ad alta frequenza — direttamente dalle descrizioni delle modifiche fornite dagli utenti.
• Ho scritto il system prompt, definito i requisiti tecnici, i controlli di accesso e le mitigazioni del rischio, inclusi i controlli anti-allucinazione e la revisione umana obbligatoria.
• Ho presentato il progetto al Privacy Sandbox TPgM AI Hackathon; ho ricevuto uno spot bonus da un Senior Director per aver “sbloccato un impatto potenziale in termini di risparmio di tempo e qualità delle risposte normative.”

Il team Legal di Privacy Sandbox dedicava diverse ore ogni settimana a esaminare manualmente segnalazioni di bug e documenti collegati per preparare un digest di revisione legale. Il processo era lento, incoerente e rappresentava un collo di bottiglia per la supervisione di conformità dell'intera iniziativa Privacy Sandbox.

• Unico autore e sviluppatore della soluzione di automazione end-to-end.
• Mi sono confrontato direttamente con il team Legal per comprendere il loro workflow, i criteri decisionali e cosa significhi “buono” per ciascun sotto-team.
• Ho progettato una pipeline in tre fasi: SQL (F1) per estrarre i dati rilevanti dei bug → Python (Colab) per l'orchestrazione → Gemini LLM tramite TextMiner per l'elaborazione.
• Ho ingegnerizzato una serie di prompt multi-step che eseguono compiti cognitivi complessi: riassumere i documenti collegati, identificare i rischi chiave rispetto a specifici impegni normativi CMA e classificare il tipo di revisione richiesta (“Revisione richiesta” vs. “Solo per conoscenza”) per tre sotto-team Legal — Product, Competition e Privacy.

I report trimestrali di conformità del Monitoring Trustee (MT) — un deliverable obbligatorio previsto dagli impegni legali di Google con la UK Competition and Markets Authority (CMA) — venivano generati manualmente. Il processo richiedeva oltre 60–80 ore-persona a trimestre, era ad alto rischio, soggetto a errori, non documentato e dipendente da 5–6 singoli punti di fallimento individuali. Non c'erano né tracciabilità per l'audit né visibilità quotidiana sulle metriche chiave.

• Unico autore e realizzatore. I tre SWE che avevano inizialmente definito il progetto credevano che solo un software engineer potesse costruirlo — ed erano scettici che un TPM ci provasse.
• Ho progettato l'architettura del sistema end-to-end: una pipeline ETL che attinge da più sorgenti dati interne (Teamgraph, log di sistema grezzi, import non standard), con elaborazione dati complessa, arricchimento tramite LLM e generazione automatica dei report.
• Ho architettato un workflow PLX che esegue una serie di script SQL per estrarre, elaborare e arricchire i dati di tre gruppi di lavoro (PSWG, NWG, AWG), con calcolo dinamico del periodo di reporting ed esportazione in Google Sheets.
• Ho implementato il controllo versione e un design modulare delle query per manutenibilità, tracciabilità ed eliminazione dei singoli punti di fallimento.
• Ho consegnato in anticipo sui tempi, durante importanti festività internazionali.

Una lacuna significativa di conformità: dei dipendenti dell'organizzazione Privacy Sandbox, di oltre 500 persone, alcuni non erano membri del Privacy Sandbox Working Group (PSWG) obbligatorio, un requisito fondamentale previsto dai CMA Commitments di Google. Non esisteva alcun meccanismo automatizzato per identificare, notificare o tracciare gli individui non conformi.

• Ho individuato proattivamente la lacuna di conformità — interamente di mia iniziativa; non assegnata.
• Ho progettato un sistema di rilevamento automatico che usa SQL per incrociare le catene di reporting dei dipendenti con i dati di appartenenza al gruppo PSWG.
• Ho costruito un sistema di notifica in AppsScript per inviare automaticamente email agli individui non conformi e ai loro manager, con tracciamento fino alla chiusura.

Il team Legal Content Policy & Standards aveva bisogno di comprendere rapidamente l'essenza di migliaia di richieste legali di rimozione in arrivo, per la gestione dei casi e l'analisi delle tendenze. La revisione manuale a questo volume era impraticabile. La sintesi automatica dei casi era la funzionalità più richiesta per la loro dashboard di gestione principale — ma non esisteva alcuna soluzione scalabile.

• Autore del documento di design, della guida utente e principale realizzatore dell'intero workflow automatizzato.
• Mi sono consultato direttamente con il team LCPS per definire i requisiti e comprendere le sfumature di come le sintesi dei casi sarebbero state usate operativamente.
• Ho progettato una pipeline innovativa che usa SQLMiner per eseguire l'inferenza LLM su larga scala direttamente all'interno dell'ambiente del database — evitando la necessità di esportare dati sensibili dei casi in un sistema intermedio e consentendo un funzionamento davvero su scala industriale.
• Ho ingegnerizzato un prompt in pattern RAG che alimenta l'LLM con dati strutturati dalle tabelle dei casi, producendo sintesi concise, accurate e formattate in modo coerente per ogni caso idoneo.
• Ho reso disponibili le sintesi generate dall'IA direttamente all'interno della dashboard di gestione PLX principale del team, come funzionalità on-demand.

Il team di operazioni legali elaborava le richieste legali di rimozione manualmente — un workflow che richiedeva una revisione caso per caso su più strumenti interni. Si era accumulato un arretrato di oltre 8.400 casi, e il volume continuo (decine di migliaia di casi) rendeva impraticabile l'elaborazione manuale a parità di organico.

• Ho costruito uno script di automazione proof-of-concept in node.js per elaborare l'arretrato immediato di oltre 8.400 casi, dimostrando che l'approccio funzionava prima di investire in una soluzione completa.
• Ho guidato lo sviluppo di un'estensione Chrome di produzione che usa l'automazione del browser per elaborare le richieste legali di rimozione su larga scala — automatizzando il workflow multi-strumento che prima richiedeva un'interazione manuale.
• Ho collaborato con l'Engineering per portare l'approccio da proof-of-concept a strumento pronto per la produzione.
• Elogiato da PM senior sia per la rapidità della consegna sia per l'impatto sulla capacità del team.