Vai al contenuto principale
Italiano— Scegli una lingua
Menu

Il processo Forge

Lezione 12 di 14 Aggiornata il 2 novembre 2026 Intermedio
In questa pagina
  1. Dalla valutazione al deployment: il percorso completo
  2. Fase 1: Valutazione (2-4 settimane)
  3. Fase 2: Preparazione dei dati (4-8 settimane)
  4. Fase 3: Addestramento e iterazione (4-6 settimane)
  5. Fase 4: Deployment e monitoraggio (2-4 settimane)
  6. Budget e risorse da allocare
  7. Punti chiave

Aggiornamento del 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 conserva le tue conversazioni, le impostazioni e gli abbonamenti. L’esperienza legacy di Le Chat rimane disponibile nella modalità Chat. Nella modalità Work, gli agenti sono ora competenze (invocate con @), le memorie fungono da 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; tieni presente che alcuni menu qui descritti potrebbero aver cambiato nome o posizione.

Dalla valutazione al deployment: il percorso completo

Un progetto Forge segue quattro fasi, guidate da un Mistral Field Deployment Engineer (FDE). Non configuri nulla da solo tramite una console. Il progetto è invece un impegno congiunto tra la tua organizzazione e Mistral AI, con traguardi definiti, deliverables misurabili e una tempistica prevedibile: dalle 2 alle 4 settimane per la valutazione, dalle 4 alle 8 per la preparazione dei dati, dalle 4 alle 6 per l’addestramento e l’iterazione, e dalle 2 alle 4 per il deployment e il monitoraggio. In totale, prevedi dai 3 ai 6 mesi, a seconda della complessità del caso d’uso e della qualità dei dati. Conoscere questa sequenza in anticipo ti evita di promettere risultati alla tua direzione in sole sei settimane.

Fase 1: Valutazione (2-4 settimane)

L’obiettivo è determinare se Forge sia l’approccio giusto e definire i criteri di successo. Il team Mistral lavora con il tuo sponsor aziendale e il team tecnico su quattro fronti. L’audit del caso d’uso inizia con le domande più semplici ma anche più scomode: quale problema esatto stai risolvendo? Hai davvero testato il prompt engineering e il RAG? Perché sono insufficienti? La valutazione dei dati misura il volume disponibile e il suo stato reale: strutturato o non strutturato, annotato o grezzo, attuale o obsoleto.

Segue la misurazione della baseline, un passaggio che molti saltano per poi pentirsene. Devi valutare le prestazioni del modello generico sui task target; senza questo, non puoi quantificare il valore aggiunto di Forge. La fase si conclude definendo i KPI: precisione, recall, tempo di elaborazione e soddisfazione dell’utente.

Il deliverable è un documento di scoping contenente la definizione del caso d’uso, l’inventario dei dati, le metriche di baseline, i KPI target e un calendario provvisorio. Segue una decisione congiunta di go/no-go. Se i dati sono insufficienti o il caso d’uso non giustifica Forge, il team Mistral ti orienterà verso il RAG o il prompt engineering. Un “no” in questa fase ti risparmia diversi mesi di lavoro e un budget significativo.

Fase 2: Preparazione dei dati (4-8 settimane)

Questa fase costruisce il dataset di addestramento. È la fase più critica e dispendiosa in termini di tempo, poiché la qualità del modello dipende direttamente dalla qualità dei dati usati per addestrarlo. Il lavoro inizia con la raccolta: estrazione di documenti, esempi e casi d’uso dai tuoi sistemi interni. Segue la pulizia: rimozione di duplicati, documenti obsoleti e dati corrotti. Poi arriva la strutturazione, che trasforma i dati grezzi in coppie istruzione-risposta utilizzabili per l’addestramento. Quando il caso d’uso lo richiede, l’annotazione da parte dei tuoi esperti di materia aggiunge etichette, categorie o metadati. Una validazione finale da parte degli stessi esperti garantisce che il corpus rifletta le pratiche reali e il livello di qualità atteso.

Assegna i ruoli per iscritto fin dall’inizio. Il tuo team dati gestisce raccolta, pulizia e strutturazione. I tuoi esperti di materia gestiscono annotazione e validazione. L’FDE Mistral fornisce guida metodologica, valida i formati e raccomanda volumi e standard di qualità.

Quattro insidie si ripresentano costantemente. Un corpus che sovrarappresenta certi casi produce un modello distorto nelle stesse proporzioni. Documenti obsoleti creano un modello che risponde con sicurezza basandosi su procedure superate, il che è più pericoloso del non rispondere affatto. Qualche centinaio di esempi non basta mai per un fine-tuning di qualità. Infine, se devi fare un compromesso, scegli un corpus più piccolo e omogeneo piuttosto che uno massiccio ma di qualità disomogenea.

Fase 3: Addestramento e iterazione (4-6 settimane)

Il modello base viene affinato (fine-tuned) sul tuo dataset, quindi valutato su un set di validazione composto da dati che non ha mai visto durante l’addestramento. I risultati vengono confrontati con la baseline e i KPI target definiti nella Fase 1. Qualsiasi scostamento innesca un’iterazione: regolazione degli iperparametri, arricchimento del dataset o correzione degli errori identificati. In parallelo, i tuoi esperti conducono una validazione aziendale testando il modello su casi reali. Un modello che soddisfa le metriche ma fallisce sui file quotidiani non è pronto.

In pratica, raggiungere il livello target richiede dalle 2 alle 4 iterazioni, ciascuna della durata di 1-2 settimane. L’FDE gestisce interamente l’aspetto tecnico: configurazione dell’addestramento, ottimizzazione degli iperparametri, diagnosi dei problemi di prestazioni e raccomandazioni per il miglioramento dei dati. Il tuo team non ha bisogno di competenze di machine learning; l’FDE agisce come la tua interfaccia tecnica con la piattaforma Forge.

Fase 4: Deployment e monitoraggio (2-4 settimane)

Il modello personalizzato viene distribuito sull’infrastruttura target: Mistral Cloud, una VPC dedicata o on-premise, e integrato nel tuo ambiente tramite Mistral Enterprise, Enterprise Search o le tue applicazioni interne attraverso API. I test di carico validano le prestazioni in condizioni di produzione. La formazione prepara gli utenti finali a un modello che si comporta diversamente da uno generico. Le dashboard tracciano prestazioni, volumi e soddisfazione.

Questo monitoraggio informa direttamente la governance. Rileva il degrado graduale delle prestazioni, casi d’uso imprevisti e segnali che richiedono un nuovo addestramento, come la disponibilità di nuovi dati o cambiamenti procedurali. Un modello Forge non è statico. Pianifica un ciclo trimestrale per domini in rapida evoluzione, semestrale per domini stabili e cicli on-demand per cambiamenti importanti come nuove normative, fusioni o lanci di prodotti.

Budget e risorse da allocare

Da parte Mistral, l’impegno include un FDE dedicato per la durata del progetto, l’infrastruttura di addestramento (GPU) e il supporto tecnico e metodologico. Da parte tua, riserva dal 10% al 20% del tempo del tuo sponsor aziendale, un team dati di una o due persone part-time durante la Fase 2, alcune ore settimanali degli esperti di materia per la validazione e un budget di progetto che varia in base alla complessità (da definire durante la fase di valutazione). Alloca effettivamente queste risorse. Un progetto in cui lo sponsor non ha liberato questo tempo si bloccherà nella Fase 2.

Punti chiave

  • Il processo Forge richiede dai 3 ai 6 mesi attraverso quattro fasi: valutazione, dati, addestramento e deployment
  • La preparazione dei dati è la fase più critica: la qualità dei dati determina la qualità del modello
  • Un FDE Mistral ti guida dall’inizio alla fine: il tuo team non ha bisogno di competenze di machine learning
  • Pianifica un ciclo di riaddestramento per mantenere le prestazioni nel tempo