Fine Tuning

Che cosa significa Fine Tuning

Il fine tuning è l’addestramento aggiuntivo di un modello di intelligenza artificiale già esistente su un insieme di esempi specifici, per adattarlo a un compito, a un linguaggio o a un formato di risposta. Non si crea un modello da zero: si parte da un modello generale, addestrato su grandi quantità di dati, e se ne sposta il comportamento verso i dati dell’azienda.

La traduzione letterale è «regolazione fine», «messa a punto»: in meccanica e in elettronica indica la taratura precisa di uno strumento, e il senso nell’AI è lo stesso.

Come funziona il fine tuning

Si mostrano al modello esempi del compito che deve svolgere: coppie di domanda e risposta, documenti già classificati, testi scritti nel tono dell’azienda, estrazioni corrette da capitolati. Il modello aggiorna i propri parametri e, a parità di richiesta, risponde in modo più vicino agli esempi.

La qualità del risultato dipende quasi interamente dalla qualità e coerenza degli esempi, non dalla loro quantità: cento esempi puliti valgono più di diecimila contraddittori.

Fine tuning, prompt e RAG: tre strade a confronto

	Prompt (istruzioni)	RAG (recupero dei documenti)	Fine tuning
Che cosa si fa	Si descrive il compito e si allegano esempi alla richiesta	Il modello cerca nei documenti aziendali e risponde citandoli	Si riaddestra il modello sugli esempi
Costo	Nullo	Infrastruttura di ricerca	Dati preparati e addestramento
Quando cambiare	Subito	Aggiornando i documenti	Riaddestrando
Serve quando	Il compito è descrivibile a parole	Le informazioni cambiano spesso: listini, capitolati, normative	Formato e linguaggio devono essere sempre gli stessi

L’ordine è questo: prima il prompt, poi il RAG, infine il fine tuning. Nella maggior parte dei casi d’uso aziendali le prime due strade bastano.

Che cosa serve per farlo in azienda

1. Esempi puliti e coerenti, controllati da chi conosce il lavoro.
2. Un criterio di verifica deciso prima: quali risposte sono corrette e chi lo stabilisce.
3. Un confronto con il modello di partenza sugli stessi casi: senza, non si sa se il fine tuning ha migliorato qualcosa.
4. Controlli su dati personali e diritti: gli esempi possono contenere dati di clienti o contenuti protetti.
5. Un fornitore che non usi i vostri dati per addestrare i propri modelli, con un contratto che lo dica.

Nel Modulo AI Layer & Intelligence il fine tuning è l’ultima opzione: si valuta solo dopo che prompt e recupero dei documenti hanno mostrato i loro limiti su un caso d’uso misurato.

Quando il fine tuning conviene

• Il formato della risposta deve essere identico ogni volta: un modulo strutturato, un codice, una classificazione fissa.
• Il linguaggio è molto settoriale e il modello generale sbaglia termini e convenzioni.
• Le istruzioni nel prompt sono diventate così lunghe da costare più dell’addestramento.
• Serve un modello piccolo e veloce, eseguibile in locale, che faccia bene una cosa sola.