Vai al contenuto principale
Italiano— Scegli una lingua
Menu

Come iniziare con Forge

Lezione 9 di 10 Aggiornata il 2 novembre 2026 Intermedio
In questa pagina
  1. Un progetto in quattro fasi
  2. Fase 1 — Valutazione e definizione del perimetro
  3. Fase 2 — Preparazione dei dati
  4. Fase 3 — Addestramento del modello
  5. Fase 4 — Distribuzione in produzione
  6. Tempistiche tipiche
  7. Punti chiave

Aggiornamento 2 novembre 2026 — Le Chat è ora Vibe. Dal 28 maggio 2026, Le Chat è stato rinominato Vibe (sempre all’indirizzo chat.mistral.ai): un unico agente per lavoro e codice che mantiene le tue conversazioni, impostazioni e abbonamenti. L’esperienza legacy di Le Chat rimane disponibile nella modalità Chat. Nella modalità Work, gli agenti sono ora competenze (invocate con @), le memorie costituiscono la base di conoscenza e la ricerca approfondita è la competenza Deep Research. I piani si chiamano ora Mistral Free, Pro, Team ed Enterprise. Questa lezione utilizza il nome Vibe; alcuni menu qui descritti potrebbero aver cambiato nome o posizione.

Un progetto in quattro fasi

L’avvio di un progetto Forge richiede pianificazione. Esige una preparazione rigorosa, una stretta collaborazione con i team Mistral e una visione chiara dei tuoi obiettivi. Ogni fase prepara la successiva: una definizione vaga del perimetro porta a una selezione scadente dei dati, dati scarsi producono un modello deludente e non scoprirai il problema se non tre mesi dopo.

Fase 1 — Valutazione e definizione del perimetro

Innanzitutto, identifica gli scenari in cui il fine-tuning offre più valore di un modello base o del RAG. In pratica, i candidati rientrano in quattro categorie ricorrenti. Inizia con i compiti ripetitivi che richiedono una profonda esperienza: diagnosi tecniche, analisi di conformità, revisioni specializzate del codice, dove il modello deve replicare il ragionamento dell’esperto piuttosto che recuperare un documento. Seguono le interazioni standardizzate con i clienti: supporto di livello 1-2, risposte a gare d’appalto (RFP), report settoriali, dove tono e struttura seguono le tue convenzioni consolidate. Poi arrivano i processi aziendali specifici, come la valutazione del rischio secondo i tuoi criteri interni o la classificazione dei documenti utilizzando la tua tassonomia. Infine, la conformità normativa si applica quando devi produrre documenti aderenti a standard settoriali specifici che un modello generico non conosce nel dettaglio.

In secondo luogo, valuta la maturità dei tuoi dati, che determina direttamente la qualità del modello. Inizia dal volume: verifica di avere esempi sufficienti e di alta qualità, tipicamente diverse migliaia per un fine-tuning efficace. Esamina poi la qualità stessa: gli esempi sono affidabili, aggiornati e rappresentativi della tua expertise? Controlla quindi la diversità: coprono l’intera gamma di scenari che il modello dovrà gestire? Infine, rivedi il formato: sono già strutturati o richiedono una preparazione? La fase si conclude con un incontro tra il tuo team e i team commerciali e tecnici di Mistral: presenti i tuoi obiettivi, discuti i casi d’uso, confermi la fattibilità tecnica, stimi perimetro e tempistiche e ricevi una proposta commerciale.

Fase 2 — Preparazione dei dati

Gli ingegneri Forward-Deployed costruiscono il dataset di formazione insieme ai tuoi team. L’estrazione recupera i dati dai tuoi sistemi sorgente: basi di conoscenza, cronologie dei ticket, documentazione tecnica, scambi con i clienti. La pulizia rimuove i duplicati, corregge gli errori e anonimizza i dati personali. La formattazione trasforma tutto in coppie istruzione/risposta adatte al fine-tuning. La validazione affida il dataset ai tuoi esperti di dominio per verificare la qualità e la pertinenza degli esempi. Questo è il passo più sottovalutato: un dataset non validato insegna al modello le tue approssimazioni insieme alle tue migliori pratiche.

Un set di valutazione separato viene eseguito in parallelo: benchmark aziendali (domande e risposte validate dai tuoi esperti) e casi limite, scenari complessi o ambigui progettati per testare la robustezza. Poni le stesse domande sia al modello base che a quello personalizzato, quindi li confronti sulla base di metriche esplicite: accuratezza, pertinenza e aderenza al tuo tono interno e ai tuoi processi. Durante tutta questa fase, i dati viaggiano su canali crittografati, risiedono in un ambiente isolato dedicato alla tua organizzazione, rimangono accessibili solo agli ingegneri Mistral assegnati al progetto e sono coperti da un accordo di riservatezza specifico.

Fase 3 — Addestramento del modello

La selezione del modello base dipende dal caso d’uso: Mistral Large per compiti complessi che richiedono un ragionamento avanzato, Mistral Medium per il miglior rapporto prestazioni/costo nella maggior parte delle situazioni e modelli specializzati ottimizzati per il codice, compiti multilingue o altri domini.

L’addestramento viene eseguito sull’infrastruttura GPU di Mistral in Europa. Gli ingegneri configurano gli iperparametri, avviano l’addestramento supervisionato sui tuoi dati, monitorano la convergenza in tempo reale ed eseguono più iterazioni. La durata varia da alcune ore a diversi giorni, a seconda del volume dei dati e delle dimensioni del modello base. Dopo ogni ciclo, il modello viene valutato sul set di test: confrontato con il modello base, con analisi degli errori e dei casi limite, aggiustamenti dei dati se necessario e validazione da parte dei tuoi esperti di dominio, finché non raggiunge gli obiettivi di prestazione definiti durante la definizione del perimetro.

Fase 4 — Distribuzione in produzione

Distribuisci il modello personalizzato in base alla tua infrastruttura e ai vincoli di conformità.

OpzioneCosa comporta
Mistral CloudOspitato sull’infrastruttura Mistral, accessibile tramite Mistral Enterprise e l’API. Distribuzione più rapida.
VPC DedicataIsolamento di rete completo in un cloud privato. Consigliato per settori regolamentati (finanza, sanità).
On-premiseSui tuoi server: controllo totale, nessun dato esce dalle tue strutture. Richiede un’infrastruttura GPU adeguata.
Cloud PartnerAzure, AWS o GCP tramite integrazioni esistenti. Ideale se il tuo ambiente cloud è già in place.

L’integrazione segue quindi diversi percorsi complementari: Mistral Enterprise, dove il modello diventa disponibile nell’interfaccia conversazionale; l’API REST, per chiamarlo dalle tue applicazioni, flussi di lavoro e strumenti aziendali; gli SDK Python e JavaScript per l’integrazione programmatica; e i webhook, che attivano il modello sugli eventi aziendali. La distribuzione non segna la fine del progetto. Il monitoraggio continuo traccia latenza, accuratezza e soddisfazione degli utenti, rileva il drift, attiva avvisi in caso di degrado e programma aggiornamenti e riaddestramenti.

Tempistiche tipiche

PeriodoFase
Settimane 1–2Valutazione e definizione del perimetro
Settimane 3–6Preparazione dei dati
Settimane 7–10Addestramento e valutazione (iterativo)
Settimane 11–14Distribuzione e integrazione
OltreMonitoraggio, ottimizzazione e aggiornamenti

La durata totale varia da 3 a 6 mesi, a seconda della complessità del caso d’uso e della maturità dei dati. Se inizi con dati dispersi e non validati, la Fase 2 si espande, mai la fase di addestramento.

Punti chiave

  • Il processo Forge segue quattro fasi: valutazione, dati, addestramento, distribuzione
  • La qualità dei dati di addestramento determina le prestazioni del modello
  • Gli ingegneri Forward-Deployed guidano ogni passo del progetto
  • Le opzioni di distribuzione includono Mistral Cloud, VPC, on-premise o cloud partner
  • Un progetto tipico richiede da 3 a 6 mesi dalla valutazione alla produzione