Fine tuning aziendale: quando serve davvero

Il fine tuning aziendale è l'addestramento di un modello su dati dell'organizzazione per adattarne il comportamento. È una tecnica utile, ma non è il punto di partenza: nella maggior parte dei progetti aziendali si ottengono risultati simili con istruzioni più precise e con la ricerca documentale. Chiarire quando serve davvero evita di spendere tempo e dati su un intervento che non risolve il problema.

Fine tuning, RAG o istruzioni

Le tre strade rispondono a esigenze diverse. Le istruzioni definiscono tono, formato e regole di risposta. La RAG collega il modello a documenti aggiornati e lo fa rispondere citando le fonti. Il fine tuning modifica il modello stesso per fargli apprendere un comportamento, uno stile o un formato ricorrente.

Se il problema è "il modello non conosce i nostri documenti", la risposta è la RAG, non il fine tuning. Se il problema è "il modello non segue il nostro formato", spesso bastano istruzioni e pochi esempi. Il fine tuning diventa sensato quando serve un comportamento stabile e ripetibile che le altre due strade non riescono a garantire. Per capire come funziona la parte documentale vedi RAG on-premise.

Quando il fine tuning ha senso

Il fine tuning si giustifica quando il compito è ripetitivo e ben definito: classificare documenti secondo categorie interne, normalizzare testi in un formato aziendale, seguire uno stile di risposta molto specifico. In questi casi un modello adattato può ridurre la necessità di istruzioni lunghe e migliorare la coerenza.

Non ha senso, invece, quando i documenti cambiano continuamente o quando il requisito è rispondere su informazioni aggiornate: lì la RAG resta più adatta, perché il modello attinge alla fonte senza dover essere riaddestrato. Va anche considerato il costo di manutenzione, perché un modello adattato va riverificato a ogni aggiornamento.

Quali dati servono

Il fine tuning richiede esempi di qualità, non grandi quantità di testo grezzo. Servono coppie input-output coerenti, riviste da chi conosce il processo, e un set di test separato per misurare se il modello migliora o peggiora. Dati sporchi o etichettati male producono un modello che sbaglia con più sicurezza.

Prima di iniziare va chiarito chi possiede i dati, quali sono ammessi e come vengono conservati. Anche la scelta del modello di partenza conta: un LLM open source on-premise già adatto all'italiano riduce il lavoro necessario.

Il rischio di memorizzare dati personali

Il punto più delicato riguarda i dati personali. Un modello addestrato con dati personali non è automaticamente anonimo: secondo l'EDPB Opinion 28/2024, per considerarlo anonimo servono evidenze che, con mezzi ragionevoli, non si possano estrarre dati personali né ottenere risultati riferiti agli interessati tramite interrogazione.

Questo ha conseguenze pratiche. Addestrare su contratti, email o fascicoli con nomi e dati di terzi richiede una valutazione GDPR nel caso concreto: finalità, base giuridica, ruoli, conservazione e misure. Il fine tuning non è un modo per aggirare la minimizzazione. Se il modello resta in locale, i flussi sono più governabili, ma gli obblighi non svaniscono.

Fine tuning e perimetro dei dati

Un altro malinteso frequente riguarda dove gira l'addestramento. Eseguire il fine tuning su infrastruttura dell'azienda rende più semplice controllare chi accede ai dati di addestramento e dove restano gli artefatti prodotti, ma non cambia la natura del trattamento. Restano da definire autorizzazioni, conservazione dei dataset, backup e aggiornamento del modello adattato.

Va anche pianificato il ritiro. Un modello adattato su dati che cambiano invecchia: senza una data di revisione e un criterio di sostituzione, il progetto si trasforma in un debito tecnico difficile da spiegare. Meglio un intervento piccolo, verificato e sostituibile che un addestramento ampio e opaco.

Come decidere

La sequenza ragionevole è: prima istruzioni, poi RAG, poi almeno un test di fine tuning solo se il compito lo richiede. Ogni passo va misurato sullo stesso set di valutazione, con criteri decisi prima.

Chiedilo a Mirko affronta la scelta dentro il caso d'uso. Si verifica se il problema si risolve con istruzioni o ricerca documentale e, solo se serve, si valuta un fine tuning con dati adeguati, controlli sui dati personali e un modello di partenza coerente. Per il quadro organizzativo delle fonti vedi knowledge base aziendale con AI.