Addestramento (AI)

L’addestramento, o training, è il processo con cui un modello di intelligenza artificiale apprende dai dati. Per un LLM consiste nell’esposizione a enormi quantità di testo, da cui il modello ricava regole statistiche sul linguaggio e un insieme di conoscenze sul mondo, fino a una data limite detta knowledge cut-off.

Il percorso si svolge in più fasi. Il pre-training costruisce le capacità generali a partire da testi pubblici, licenziati o raccolti dai crawler dei laboratori. Il fine-tuning specializza il modello su compiti o domini specifici, e tecniche come l’apprendimento per rinforzo dal feedback umano (RLHF) lo allineano alle risposte che le persone giudicano utili e appropriate. Ogni nuovo ciclo aggiorna ciò che il modello sa e sposta in avanti il suo confine temporale.

Per un brand l’addestramento è il momento in cui si forma l’immagine che il modello restituirà senza consultare il web: settore, reputazione, concorrenti associati. Quell’immagine riflette ciò che il web raccontava prima del cut-off e cambia solo con i cicli successivi, per cui la GEO lavora in differita, preparando segnali coerenti che i prossimi addestramenti potranno assorbire. Chi non vuole che i propri contenuti siano usati per addestrare determinati modelli può indicarlo ai rispettivi crawler, per esempio con Google-Extended nel caso di Gemini.

Il GEO Audit di SEOZoom mostra l’immagine che l’addestramento ha lasciato nei modelli e dove si discosta da quella dichiarata dal brand, ed è il punto di partenza per decidere quali segnali correggere prima del prossimo ciclo.