«Verticalizzare un modello» è una di quelle frasi che suonano bene e dicono poco. Proviamo a dire cosa significa in pratica — e cosa non significa.
Non è «addestrare un’AI da zero»
Quasi mai serve. Partire da un modello pre-addestrato e adattarlo al tuo dominio costa ordini di grandezza in meno e funziona meglio. Verticalizzare vuol dire prendere un modello che già «sa la lingua» e insegnargli il tuo mestiere: i tuoi documenti, la tua terminologia, i tuoi casi limite.
Tre leve, in ordine di costo
- Prompt e contesto: spesso il 70% del risultato arriva da qui. Gratis, reversibile, da provare per primo.
- Retrieval (RAG): colleghi il modello ai tuoi documenti, così risponde su dati reali e aggiornati invece di «ricordare» a memoria.
- Fine-tuning: ritocchi i pesi del modello sui tuoi esempi. Serve quando vuoi un comportamento o un formato stabile che il prompt non garantisce.
Chi parte dal fine-tuning di solito sta saltando i primi due passi. Noi li proviamo nell’ordine: è più economico e più onesto.
La parte che nessuno mostra: la valutazione
Un modello verticalizzato senza un test set è un atto di fede. Prima di toccare i pesi costruiamo un insieme di esempi reali con la risposta giusta, e misuriamo. Così possiamo dire quanto migliora — e dove invece continua a sbagliare. I limiti dichiarati valgono più di una demo che funziona sempre.
Quando NON conviene
Se il problema è raro, se i dati cambiano ogni settimana, o se un modello generico già fa il 95% — verticalizzare è spreco. Lo diciamo prima di iniziare, non dopo aver fatturato.
Hai un caso d’uso in mente? Raccontacelo: ti diciamo onestamente quale delle tre leve ti serve davvero.