# Come trovo un modello specifico per un compito invece di usare un chatbot generico?

> Come trovare un piccolo modello pensato per un solo compito, come classificare, estrarre o tradurre, e verificare che valga un chatbot generico con meno energia.

Source: https://greenai.guide/it/come/come-trovo-un-modello-specifico-per-un-compito-invece-di-usare-un/  
Updated: 2026-11-19

## In breve

Definisca il compito con precisione, poi cerchi in un hub di modelli come Hugging Face per tipo di compito e provi due o tre piccoli candidati sui Suoi esempi. Un modello costruito per un solo compito può costare ordini di grandezza meno da far funzionare rispetto a un modello generativo generico che svolge lo stesso compito, quindi vale la pena dedicare un pomeriggio alle prove prima di scegliere un chatbot.

## Steps

1. Descriva il compito in una riga, per esempio "smistare le email di assistenza in sei categorie".
2. Cerchi in un hub di modelli filtrando per quel tipo di compito, per esempio classificazione del testo o traduzione.
3. Selezioni due o tre modelli piccoli e ne controlli licenze e lingue.
4. Provi ciascuno su 50-100 dei Suoi esempi reali, con una soglia di superamento.
5. Confronti l'energia per richiesta dove esiste una valutazione, e tenga un modello generico solo per i casi che falliscono.

**Per compiti ben definiti, un modello addestrato per quel compito è di solito più economico e spesso altrettanto
valido.** Un chatbot generico paga, a ogni richiesta, per capacità che il Suo compito non usa mai.

## Perché è importante? {#why-does-it-matter}

Luccioni, Jernite e Strubell hanno confrontato molti modelli su compiti comuni e hanno rilevato che i modelli
generativi multiuso costano ordini di grandezza in più da far funzionare rispetto ai sistemi specifici per gli stessi
compiti. L'UNESCO e lo University College London riferiscono che i piccoli modelli specifici possono ridurre il
consumo di energia fino al 90%.

## Dove devo cercare? {#where-do-i-look}

**Inizi da un hub pubblico di modelli e cerchi per compito, non per marchio.** Hugging Face, per esempio, permette di
filtrare i modelli per compito, come classificazione del testo, riconoscimento di entità nominate, riassunto,
traduzione o riconoscimento vocale. Cerchi:

- modelli adattati (fine-tuned) su dati simili ai Suoi (stessa lingua, stesso tipo di testo);
- una scheda del modello (model card) chiara che dica su che cosa è stato addestrato e come è stato valutato;
- una dimensione che può permettersi di far funzionare, misurata in [parametri](/it/glossario/#parameters).

Per confrontare l'energia, l'AI Energy Score valuta i modelli in base all'energia della GPU su dieci compiti comuni,
da una a cinque stelle.

## Errori comuni {#common-mistakes}

- **Giudicare solo in base ai benchmark pubblici.** Faccia prove sui Suoi esempi: è l'unico punteggio che conta per
  Lei.
- **Chiedere a un chatbot di fare classificazione in blocco.** Se deve etichettare migliaia di elementi, un piccolo
  classificatore è più veloce ed economico.
- **Dimenticare il ripiego.** Tenga un modello più grande per i casi difficili, e veda
  [come instradare le richieste verso modelli più piccoli](/it/come/come-instrado-le-richieste-verso-modelli-piu-piccoli/).

Per il metodo completo, legga [scegliere il modello giusto](/it/buone-pratiche/scegliere-il-modello-giusto-per-il-compito/).

## Fonti

- [Power Hungry Processing: Watts Driving the Cost of AI Deployment?](https://arxiv.org/abs/2311.16863), Luccioni, Jernite and Strubell, ACM FAccT (2024)
- [Smarter, smaller, stronger: resource-efficient generative AI and the future of digital transformation](https://www.unesco.org/en/articles/ai-large-language-models-new-report-shows-small-changes-can-reduce-energy-use-90), UNESCO and University College London (2025)
- [AI Energy Score](https://huggingface.github.io/AIEnergyScore/), Hugging Face (2025)
