Vai al contenuto principale
Italiano— Scegli una lingua
Menu

Quando e perché eseguire il fine-tuning di un modello

Lezione 1 di 16 Aggiornata il 2 novembre 2026 Avanzato
In questa pagina
  1. Che cos’è il fine-tuning?
  2. Quando è appropriato il fine-tuning?
  3. Fine-tuning vs alternative
  4. Flusso di lavoro tipico
  5. Punti chiave

Aggiornamento 2 novembre 2026 — Disponibilità del fine-tuning. Il servizio di fine-tuning self-service di OpenAI sta venendo dismesso: dal 7 maggio 2026, le organizzazioni che non lo avevano mai utilizzato non possono più creare job; dal 2 luglio, devi aver usato un modello sottoposto a fine-tuning negli ultimi 60 giorni; e a partire dal 6 gennaio 2027, nessun cliente potrà avviare nuovi job. I modelli già addestrati rimangono utilizzabili fino al pensionamento del loro modello base. Questo corso resta utile per comprendere e sfruttare un modello esistente; per i nuovi progetti, dai priorità al prompt engineering, al RAG e alle valutazioni.

Che cos’è il fine-tuning?

Il fine-tuning consiste nel riaddestrare un modello linguistico esistente sui tuoi dati per adattare il suo comportamento alle tue esigenze specifiche. Mentre il prompt engineering guida il modello tramite istruzioni contestuali — riscritte, inviate e fatturate a ogni chiamata — il fine-tuning modifica i pesi interni del modello per incorporare permanentemente nuovi comportamenti. Una volta completato l’addestramento, ciò che prima descrivevi in un lungo prompt di sistema diventa parte integrante del modello stesso.

In OpenAI, i modelli sottoponibili a fine-tuning seguono il catalogo corrente (la famiglia GPT-5.6 da luglio 2026): consulta la documentazione ufficiale sul fine-tuning per l’elenco esatto delle varianti aperte all’addestramento. Il flusso di lavoro non cambia: crei un dataset di addestramento in formato JSONL, avvii un job tramite API e ricevi un modello personalizzato che chiami esattamente come il modello base. Nel tuo codice, cambia solo l’identificativo del modello.

Quando è appropriato il fine-tuning?

Il fine-tuning non è sempre la risposta giusta, ed è la prima cosa da interiorizzare prima di scrivere una sola riga di JSONL. Offre vero valore principalmente per tono e stile: se il tuo prodotto richiede una voce specifica, addestrarlo su qualche centinaio di scambi già scritti con quella voce ti evita di ripetere quelle istruzioni in ogni prompt. Il secondo caso d’uso forte è la formattazione dell’output strutturato. Quando la tua pipeline si aspetta JSON con uno schema che non deve mai variare, istruzioni ben scritte ti avvicinano all’obiettivo ma non garantiscono mai il 100% di conformità; esempi sistematicamente conformi riducono quel gap quasi a zero.

Questi due fattori ne generano meccanicamente altri due. Un modello sottoposto a fine-tuning interrogato con un prompt breve risponde più velocemente di un modello base appesantito da un lungo prompt di sistema, il che riduce la latenza percepita dall’utente; e meno token in input significano una fattura più leggera a volume costante, portando a una riduzione dei costi visibile direttamente su un servizio che gestisce diverse migliaia di richieste al giorno.

Due ulteriori famiglie di compiti spiccano per l’eccellenza del fine-tuning. La prima copre i compiti di classificazione: categorizzare ticket di supporto, analizzare il sentiment, ordinare documenti. L’output atteso qui è breve, a risposta chiusa e perfettamente illustrabile tramite esempi. La seconda è la chiamata di funzioni coerente: quando il modello deve chiamare sistematicamente le funzioni giuste con i parametri corretti, mostrargli un centinaio di chiamate corrette funziona meglio che descrivere la regola.

Al contrario, quattro situazioni dovrebbero dissuaderti. Se hai pochi dati, sotto i 50 esempi, il prompt engineering con qualche esempio few-shot otterrà prestazioni migliori con uno sforzo nettamente inferiore. Se il tuo dominio cambia rapidamente, con un catalogo prodotti o prezzi che si aggiornano settimanalmente, il RAG (Retrieval-Augmented Generation) ti eviterà di riaddestrare costantemente. La confusione più comune riguarda il tentativo di iniettare conoscenze fattuali: il fine-tuning insegna comportamenti, non fatti, e anche in questo caso il RAG è lo strumento giusto. Infine, se il prompt engineering basta, se poche istruzioni ben formulate danno già buoni risultati, non complicare la tua pipeline inutilmente.

Fine-tuning vs alternative

Questi tre approcci non sono concorrenti: rispondono a esigenze diverse e si combinano molto bene, ad esempio un modello con fine-tuning per la formattazione alimentato dal RAG per i fatti.

Approccio Ideale per Limitazioni
Prompt engineering Prototipazione rapida, compiti vari Consuma token, risultati variabili
RAG Conoscenza dinamica, basi documentali Latenza aumentata, complessità infrastrutturale
Fine-tuning Comportamenti stabili, tono, formato, classificazione Richiede dati, costo di addestramento

Flusso di lavoro tipico

Il resto di questo corso segue l’ordine in cui eseguirai effettivamente questi passaggi. Prenditi qualche minuto prima di continuare per annotare il primo: articolare il comportamento desiderato in una singola frase ti eviterà di raccogliere dati a caso.

  1. Identifica il bisogno: quale comportamento vuoi che il modello adotti sistematicamente?
  2. Raccogli i dati: riunisci almeno da 50 a 100 esempi di conversazioni ideali
  3. Prepara il JSONL: formatta i tuoi dati secondo lo schema atteso dall’API
  4. Avvia l’addestramento: crea un job di fine-tuning tramite client.fine_tuning.jobs.create()
  5. Valuta: confronta le prestazioni del modello con fine-tuning rispetto al modello base
  6. Itera: aggiusta i tuoi dati e riesegui se necessario

Punti chiave

  • Il fine-tuning modifica il comportamento del modello, non le sue conoscenze fattuali
  • Ha senso quando disponi di dati sufficienti e hai bisogno di coerenza
  • Inizia sempre con il prompt engineering: ricorri al fine-tuning solo se non basta
  • L’elenco dei modelli sottoponibili a fine-tuning evolve con il catalogo di OpenAI: consulta la documentazione ufficiale prima di avviare un job