Training
Il training è il processo che trasforma un modello vuoto in un'IA funzionante: gli mostri migliaia o milioni di esempi, confronti le sue risposte con quelle corrette e correggi le sue impostazioni interne finché le risposte migliorano.
Niente gergo, niente formule
In parole semplici, che cos'è?
Il training funziona come un quiz con autocorrezione. Parti da un modello pieno di impostazioni casuali, i parameter. Ogni esempio entra, il modello prova a rispondere, e il ciclo misura quanto si è sbagliato, la loss. Poi corregge ogni parametro di un granello, nella direzione che riduce l'errore la volta successiva. Quella correzione si chiama gradient descent e gira sulle GPU migliaia di volte al secondo. Ripeti su milioni di esempi e più passaggi, le epoche, e le risposte smettono di essere tentativi: diventano previsioni. Il limite conta: se ti alleni troppo a lungo su pochi dati, il modello memorizza gli esempi invece di imparare lo schema, e questo si chiama overfitting. Un test set chiuso a chiave è il modo in cui lo scopri prima di metterlo in produzione.
- 01
Carichi gli esempi. Esempi puliti entrano come token, un lotto alla volta.
- 02
Prova a indovinare. Il modello prevede la risposta con i suoi parameter attuali.
- 03
Misuri l'errore. La loss quantifica la distanza tra previsione e risposta corretta.
- 04
Correggi. La gradient descent sposta ogni parametro di poco verso meno errore.
- 05
Ripeti e controlli. I lotti girano finché l'errore non scende, e un test set chiuso conferma che il modello ha imparato lo schema: allora è pronto.
Termini che gli stanno vicini.
Dataset
Un dataset è la raccolta organizzata di esempi da cui un'IA impara o sulla quale viene giudicata: migliaia o milioni di righe di testo, immagini o letture di sensori, ripulite, etichettate e divise in training, validation e test.
LeggiParameter
Un parameter è uno dei numeri interni che un modello allenato conserva: miliardi di copie, ognuna tarata durante il training, e insieme codificano tutto ciò che il modello ha imparato.
LeggiOverfitting
L'overfitting è quando un modello memorizza i suoi dati di training invece di imparare lo schema sottostante: quasi perfetto sugli esempi che ha visto, inaffidabile su tutto il resto.
Leggi§ 04
Vuoi che funzioni davvero nella tua azienda?
Progettiamo e rilasciamo sistemi AI con permessi, log e approvazione umana. Si parte con una call di scoping di 30 minuti.