Glossario

Dati di addestramento

Che cos’è Dati di addestramento?

I dati di addestramento sono gli esempi da cui un modello di IA apprende schemi: grandi raccolte di testi per i modelli linguistici, immagini etichettate per quelli visivi. La loro qualità, varietà e attualità determinano in larga misura quanto un modello sarà affidabile ed equo e quanto aggiornate saranno le sue conoscenze. Per le aziende conta inoltre se un fornitore usa i dati dei clienti per ulteriori addestramenti.

Come aiuta KI.ordo

Secondo le condizioni commerciali di Anthropic (aggiornate a ottobre 2026), Anthropic non può addestrare modelli sui contenuti dei clienti provenienti dai suoi servizi, e anche le valutazioni 👍/👎 in KI.ordo servono solo a migliorare conoscenze e istruzioni, non ad addestrare modelli.

Scopri di più →

Temi

Dati
Addestramento
Privacy

Prova KI.ordo

Agenti, flussi e modelli in un’unica area di lavoro – demo gratuita di 24 ore.

Avvia demo

← Tutti i termini

Termini correlati

Dati sintetici

I dati sintetici sono generati artificialmente anziché raccolti nel mondo reale, ma ne riproducono schemi e caratteristiche. Sono utili quando i dati reali sono scarsi, costosi o delicati dal punto di vista della protezione dei dati, ad esempio per testare software, addestrare modelli o verificare un chatbot con richieste di esempio realistiche. È importante che rappresentino la realtà in modo sufficiente e non permettano di risalire a persone reali.

dati di test
protezione dati
+1

Modello

Scarsità di dati

Si parla di scarsità di dati quando per un compito di IA mancano dati adatti o etichettati in quantità sufficiente per addestrare o verificare un modello in modo affidabile. Riguarda, ad esempio, difetti rari in produzione, lingue minoritarie o nuovi prodotti senza storico di vendita. Le contromisure sono transfer learning, dati sintetici, data augmentation o modelli linguistici preaddestrati che danno risultati utili già con pochi esempi.

dati di addestramento
qualità dei dati
+1

Garbage in, garbage out (GIGO)

«Garbage in, garbage out» («spazzatura dentro, spazzatura fuori») esprime il principio per cui un sistema può fornire risultati solo buoni quanto i dati che riceve. Per l’IA vale doppiamente: dati di addestramento o di conoscenza errati, obsoleti o parziali portano a risposte sbagliate o distorte. Un chatbot che consulta un listino prezzi superato indicherà prezzi superati. Curare i dati è quindi un compito continuo di ogni progetto di IA.

Qualità dei dati
Principio
+1

Bias

Nell'IA il bias è una distorsione sistematica dei risultati. Nasce spesso da dati di addestramento sbilanciati o segnati dalla storia, ma anche dalla struttura del modello o dal modo di porre la domanda. Un esempio noto: un filtro per candidature che impara dalle assunzioni passate può perpetuare discriminazioni esistenti. In statistica bias indica anche lo scostamento di una stima dal valore reale. Le contromisure includono dati vari, verifiche regolari e decisioni umane nelle questioni di personale.

Etica dell'IA
Equità
+1