Fine-tuning: La guida completa
Il fine-tuning è l’addestramento aggiuntivo di un modello di intelligenza artificiale già pronto, come i modelli GPT di OpenAI, su esempi preparati da te, per fargli seguire in modo costante uno stile, un formato o un compito preciso. Non serve a insegnargli informazioni nuove che cambiano spesso: per quello si usa il RAG, cioè si fanno leggere al modello i documenti dell’azienda al momento della domanda. In questa guida vediamo cos’è il fine-tuning, quando conviene, come si preparano i dati e cosa è cambiato con OpenAI, che ha annunciato la chiusura della sua piattaforma di fine-tuning.
In questa guida:
- Cos’è il fine-tuning, in parole semplici
- Fine-tuning, prompt o RAG: quando usare quale
- Cosa si ottiene con il fine-tuning
- Come preparare i dati di addestramento
- Fine-tuning con OpenAI: cosa cambia e le alternative
- Come valutare il modello addestrato
- Casi d’uso tipici
- Domande frequenti
Cos’è il fine-tuning, in parole semplici
Un modello linguistico come GPT è stato addestrato su enormi quantità di testo e sa già scrivere, riassumere e rispondere. Il fine-tuning, in italiano messa a punto, è un secondo addestramento più piccolo: gli mostri decine o centinaia di esempi del tipo «domanda così, risposta così» e il modello impara a comportarsi in quel modo anche senza istruzioni lunghe nel prompt. È come un abito di sartoria pronto che viene adattato alla persona: la base resta la stessa, cambiano i dettagli.
Fine-tuning, prompt o RAG: quando usare quale
Prima di addestrare un modello conviene provare le strade più semplici. Spesso un buon prompt, con istruzioni chiare e qualche esempio, basta.
| Cosa ti serve | Strada consigliata |
|---|---|
| Risposte migliori su un compito generico | Prompt più chiari, con istruzioni ed esempi |
| Risposte basate sui documenti e sui dati dell’azienda, che cambiano nel tempo | RAG: il modello legge i documenti al momento della domanda |
| Uno stile, un tono o un formato sempre uguali, su grandi volumi | Fine-tuning |
| Un compito ripetitivo e preciso, come classificare richieste o estrarre campi | Fine-tuning, anche su un modello più piccolo ed economico |
Fine-tuning e RAG si possono anche usare insieme: il modello addestrato dà la forma della risposta, i documenti forniscono i contenuti aggiornati.
Cosa si ottiene con il fine-tuning
- Risposte più costanti nello stile e nel formato rispetto al solo prompt.
- Più esempi di quanti ne entrerebbero in un prompt.
- Prompt più corti, quindi meno token consumati per ogni richiesta.
- Risposte spesso più veloci e, a volte, la possibilità di usare un modello più piccolo al posto di uno più grande.
Il rovescio della medaglia: serve tempo per preparare dati buoni, l’addestramento ha un costo e il modello va riaddestrato quando cambiano le esigenze.
Come preparare i dati di addestramento
La qualità del fine-tuning dipende quasi tutta dai dati. Il formato più usato è il file JSONL, cioè un esempio JSON per riga: ogni riga contiene una conversazione con un eventuale messaggio di sistema, la domanda dell’utente e la risposta ideale, anche su più scambi.
- Parti da esempi reali, scritti come vorresti che rispondesse il modello.
- Cura la varietà: casi semplici, casi difficili, richieste a cui deve rispondere «non lo so».
- Togli dati personali e informazioni riservate che il modello non deve imparare.
- Tieni da parte una parte degli esempi per la valutazione, senza usarli nell’addestramento.
- Controlla la lunghezza degli esempi in token, perché ci sono limiti e i token incidono sul costo.
OpenAI, per esempio, chiedeva un minimo di 10 esempi e consigliava di partire da circa 50 esempi ben curati, aggiungendone altri dopo aver valutato i risultati.
Fine-tuning con OpenAI: cosa cambia e le alternative
OpenAI ha annunciato la chiusura graduale della sua piattaforma di fine-tuning: non è più disponibile per i nuovi utenti e i clienti già abilitati possono avviare addestramenti fino al 6 gennaio 2027, salvo che il modello di partenza venga dismesso prima. I modelli già addestrati continuano a funzionare finché resta attivo il modello da cui derivano. Per chi la usa ancora, i passaggi sono questi:
- Scegli il modello di partenza tra quelli che OpenAI rende disponibili per il fine-tuning: l’elenco cambia nel tempo e va controllato nella documentazione ufficiale.
- Carica il file JSONL con gli esempi, attraverso l’API dei file con lo scopo «fine-tune» o dalla dashboard di OpenAI.
- Crea il lavoro di fine-tuning, indicando il modello di partenza, il file di addestramento e, se lo hai, quello di validazione.
- Segui l’addestramento: OpenAI mostra lo stato del lavoro e le metriche, come la perdita sui dati di addestramento e di validazione.
- Usa il modello addestrato: alla fine ricevi il nome del nuovo modello, che si richiama nell’API come gli altri.
I metodi disponibili erano tre: quello supervisionato su esempi, quello sulle preferenze tra una risposta scelta e una scartata, e quello per rinforzo, in cui un valutatore automatico premia le risposte migliori. Per chi parte oggi, le alternative sono il fine-tuning offerto da altri fornitori cloud e l’addestramento di modelli open source, che si possono anche far girare su server propri: i principi su dati e valutazione restano gli stessi.
Come valutare il modello addestrato
Un modello addestrato va confrontato con quello di partenza sugli stessi esempi tenuti da parte: le metriche dell’addestramento aiutano, ma non bastano a dire se il modello lavora meglio sul compito reale. Conviene preparare un elenco di domande con le risposte attese e misurare quante volte il modello risponde bene, se rispetta il formato e se inventa informazioni. Se i risultati non migliorano, di solito il problema è nei dati: pochi esempi, esempi incoerenti o non rappresentativi dei casi reali.
Casi d’uso tipici
- Classificazione di email, ticket o richieste per reparto o urgenza.
- Estrazione di dati da testi in un formato fisso, per esempio campi di un ordine o di una fattura.
- Risposte con lo stile dell’azienda, sempre nello stesso tono e con la stessa struttura.
- Generazione di testi ripetitivi, come descrizioni di prodotti partendo da dati tecnici.
Spesso questi casi si risolvono anche con un buon prompt o con il RAG: il fine-tuning si sceglie quando i volumi sono alti e serve costanza. Trovi come integriamo l’intelligenza artificiale nei software aziendali nella pagina sull’intelligenza artificiale per le aziende.
Domande frequenti
Cosa significa fine-tuning?
Significa messa a punto: è un addestramento aggiuntivo di un modello già pronto su esempi specifici, per adattarlo a un compito.
Il fine-tuning insegna al modello i dati della mia azienda?
Non è il modo migliore: per far rispondere il modello sui documenti aziendali si usa il RAG. Il fine-tuning serve soprattutto per stile, formato e compiti ripetitivi.
Quanti esempi servono?
Dipende dal compito: come riferimento, OpenAI chiedeva almeno 10 esempi e consigliava di partire da circa 50 ben curati.
Si può fare il fine-tuning di ChatGPT?
Non dell’app ChatGPT. Il fine-tuning dei modelli GPT attraverso l’API di OpenAI è in chiusura: non è più disponibile per i nuovi utenti.
Il fine-tuning è costoso?
Si pagano l’addestramento e poi l’uso del modello, con prezzi diversi da fornitore a fornitore. Spesso il costo maggiore è il tempo per preparare dati buoni.
Esistono alternative a OpenAI?
Sì: altri fornitori cloud offrono il fine-tuning dei loro modelli e i modelli open source si possono addestrare e usare anche su server propri.