Servizi
Effettuiamo il fine-tuning di modelli linguistici di grandi dimensioni per i team di prodotto che hanno superato il prompt engineering e il RAG — come tier lean a prezzo fisso, non come ingaggio enterprise a sei cifre. SFT, DPO, ORPO, LoRA e QLoRA su Llama 3.3, Qwen 2.5, Mistral, Phi-4 e modelli personalizzati OpenAI/Anthropic. Ogni ingaggio include un eval harness versionato, inferenza vLLM o TGI con quantizzazione INT4/INT8 e un loop MLOps che intercetta le regressioni prima degli utenti. Un PoC di valutazione da 2.900 $ in 4–6 settimane, RAG sulla vostra base di conoscenza da 8.100 $, un agente AI autonomo da 10.400 $, un modello fine-tuned in produzione da 13.800 $. Perimetro fisso, prezzi all-in in USD con IP trasferita a voi dal primo giorno.
MLE senior che hanno portato modelli fine-tuned in produzione · il vostro cloud, i vostri pesi · conforme al GDPR · pronto per ISO 27001 · SOC 2 Type II in corso · compatibile HIPAA · giornata CET con sovrapposizione 9:00–13:00 ET
La maggior parte dei team AI non dovrebbe fare il fine-tuning. Il prompt engineering, gli output strutturati e la generazione aumentata da recupero risolvono l'80% dei casi in produzione al costo delle API frontier. Il restante 20% è dove il fine-tuning si guadagna il suo posto — cambiamenti comportamentali che nessun prompt può imporre, aderenza all'output strutturato superiore al 99%, latenza inferiore a 400 ms a p95 o una curva dei costi di inferenza che si spezza su larga scala. Aiutiamo i team a capire da quale parte di questa linea si trovano, per poi consegnare il modello più piccolo che soddisfa il bar di valutazione. Gli ingaggi iniziano con un memo di fattibilità scritto e un eval harness versionato; nulla viene addestrato finché entrambi non sono concordati per iscritto.
Costruzione del golden set, rubrica di etichettatura, tracciamento dell'accordo inter-annotatore, redazione PII con Presidio, generazione di dati sintetici con modelli frontier e deduplicazione. La pipeline di labelling risiede nel vostro cloud, non nel nostro.
Supervised fine-tuning per il cambiamento comportamentale, DPO e ORPO per l'allineamento delle preferenze senza un modello di ricompensa separato, e KTO quando i dati di preferenza sono asimmetrici. TRL, Unsloth e Axolotl sulle GPU cloud vostre o nostre.
Il fine-tuning parameter-efficient riduce la memoria GPU del 60–80% e permette di iterare le ablazioni su un singolo A100. Di default usiamo QLoRA 4-bit per il primo passaggio, il fine-tuning completo solo quando le ablazioni dimostrano che il miglioramento è reale.
Golden set versionato, LLM-as-judge con scoring a rubrica (Ragas, personalizzato), metriche per compito (F1, BLEU, ROUGE, exact match), probe avversariali per allucinazione, jailbreak, fuga di PII. Il CI blocca ogni merge che fa regredire il bar.
Versionamento dei dati di addestramento con DVC o LakeFS, tracciamento degli esperimenti su Weights & Biases o MLflow, riaddestramenti pianificati attivati da metriche di drift e runbook di rollback. Tutto riproducibile, tutto nel vostro repository.
vLLM, TGI o TensorRT-LLM con batching continuo, quantizzazione INT8/INT4 (AWQ, GPTQ, FP8), decoding speculativo e prefix caching. Load test al traffico reale p95 prima del cutover, con dashboard di monitoraggio.
Settimane 1–2: memo scritto che risponde se il fine-tuning è lo strumento giusto, quale modello base si adatta al compito, miglioramento atteso della valutazione rispetto alla baseline RAG/prompt e proiezione dei costi totali su 12 mesi. Go/no-go prima di qualsiasi spesa GPU.
Settimane 3–5: golden set di 200–1.000 esempi etichettati, rubrica di etichettatura, pipeline di redazione PII, eval harness collegato a W&B con baseline frontier. Nulla viene addestrato finché la suite di valutazione non risulta verde rispetto alla baseline.
Settimane 6–8: SFT, poi DPO o ORPO se esistono dati di preferenza. Prima LoRA/QLoRA, poi ablazioni su rank, learning rate e modello base. Ogni ciclo è riproducibile dal file di configurazione nel vostro repository.
Settimane 9–12: deployment vLLM/TGI, quantizzazione, load test al traffico p95, canary rollout con runbook di rollback, dashboard di monitoraggio e handover agli ingegneri. Retainer MLOps opzionale per l'addestramento continuo.
4–6 settimane. Un memo di fattibilità scritto più un eval harness versionato sul vostro compito reale: raccomandazione sul modello base, miglioramento atteso della valutazione vs baseline RAG/prompt, proiezione dei costi GPU, go/no-go. Il costo viene scalato dal tier successivo. Da 2.900 $.
Quando il retrieval batte il tuning: RAG ancorato al vostro corpus con ingestion e chunking, retrieval ibrido e reranking, un eval harness in CI, gestione PII e observability. Da 8.100 $.
Un agente multi-step che compie azioni attraverso i vostri tool, con human-in-the-loop sui percorsi ad alto rischio, valutazioni deterministiche, filtri di output e un runbook di proprietà del vostro team. Da 10.400 $.
Un modello in produzione: curation dei dati, SFT più DPO/ORPO e ablazioni, inferenza vLLM/TGI con quantizzazione, MLOps con rilevamento del drift, monitoraggio e handover agli ingegneri. Da 13.800 $.
I prezzi sono all-in e in USD, con IP trasferita a voi dal primo giorno, senza ricarico di recruiting e senza sovrapprezzo per i tool. Il calcolo GPU gira sul vostro account cloud — pagate direttamente AWS/GCP/Azure —, così mantenete la leva sui costi.
Cosa determina il prezzo: la dimensione del modello base e se sia un'API chiusa o un open-weight self-hosted; quanti dati etichettati esistono rispetto a quelli da curare; il numero di metodi di addestramento in gioco (solo SFT, oppure SFT più DPO/ORPO e ablazioni); lo SLA di inferenza e gli obiettivi di quantizzazione; e il perimetro di conformità — un BAA HIPAA, la residenza dei dati solo-UE o le evidenze SOC 2 aggiungono lavoro di gestione dati e audit sopra l'ingegneria del modello.
La maggior parte dei fornitori tiene la cifra per una call commerciale. Ecco i nostri tier lean a prezzo fisso così potete fare budget prima della discovery. Tutto è all-in, quotato in USD, con IP trasferita a voi dal primo giorno, senza ricarico di recruiting, senza sovrapprezzo per i tool e senza costi nascosti. Vedete il budget voce per voce prima che venga scritta una riga di codice e lo approvate. Il calcolo GPU gira sui vostri account, così mantenete la leva sui costi.
PoC di valutazione
da 2.900 $
4–6 settimane · fisso
Un memo di fattibilità scritto più un eval harness versionato sul vostro compito reale: raccomandazione sul modello base, miglioramento atteso vs baseline RAG/prompt, proiezione dei costi GPU, go/no-go. Il costo viene scalato dal tier successivo.
RAG sulla vostra base di conoscenza
da 8.100 $
quando il retrieval batte il tuning
RAG ancorato al vostro corpus con ingestion e chunking, retrieval ibrido e reranking, un eval harness in CI, gestione PII e observability.
Agente AI (autonomo)
da 10.400 $
multi-step, con uso di tool
Un agente multi-step che compie azioni attraverso i vostri tool, con human-in-the-loop sui percorsi ad alto rischio, valutazioni deterministiche, filtri di output e un runbook di proprietà del vostro team.
Modello fine-tuned in produzione
da 13.800 $
dal notebook al serving
Un modello fine-tuned in produzione: curation dei dati, SFT più DPO/ORPO e ablazioni, inferenza vLLM/TGI con quantizzazione, MLOps con rilevamento del drift e handover.
Cosa sposta la cifra: la dimensione del modello base e se sia un'API chiusa o un open-weight self-hosted; quanti dati etichettati esistono rispetto a quelli da curare; il numero di metodi di addestramento in gioco (solo SFT, oppure SFT più DPO/ORPO e ablazioni); lo SLA di inferenza e gli obiettivi di quantizzazione; e il perimetro di conformità — un BAA HIPAA, la residenza dei dati solo-UE o le evidenze SOC 2 aggiungono lavoro di gestione dati e audit sopra l'ingegneria del modello. Il calcolo GPU gira sui vostri account, così mantenete la leva sui costi. I prezzi sono indicativi e fissati in un preventivo scritto per il vostro perimetro specifico.
App iOS e Android native per firma digitale con CRM Symfony + React per uno studio legale transfrontaliero — onboarding KYC e pista probante per pratiche USA e UE.
Piattaforma social in produzione su App Store e Google Play con geo Radar, messaggistica cifrata ed economia virtuale negli Stati Uniti e in Europa.
E-commerce B2B e configuratore di prodotto per un produttore globale di polimeri con prezzi multi-regione e workflow dealer.
Un modello fine-tuned è sicuro solo quanto la sua aderenza alla vostra realtà normativa e operativa. Abbiniamo il fine-tuning alla conformità specifica di settore sui mercati USA e UE e coinvolgiamo i nostri team gemelli AI, ML & Data, integrazione AI generativa e RAG-as-a-service quando un carico di lavoro lo richiede.
Assistenti tunati per dominio per il linguaggio di policy, contratti e controversie, più modelli a output strutturato per i workflow di rischio e conformità — con redazione PII in ingresso e gestione dati nel perimetro PCI DSS.
AI FinTech →Fine-tuning compatibile HIPAA e conforme al GDPR su cartelle cliniche e protocolli per la sintesi di intake e la stesura care-ops — addestrato nel vostro VPC con flussi di dati documentati e probe di fuga PII nella eval suite.
AI HealthTech →Modelli tunati sul vostro catalogo e corpus di supporto per l'arricchimento prodotto, la generazione di risposte e i copiloti di merchandising — serviti su inferenza self-hosted economica con tetti di costo per richiesta.
AI Retail →Modelli fine-tuned per le sintesi di gestione eccezioni, i Q&A su spedizioni ed ETA e la stesura di back-office su uno stato operativo mutevole — con endpoint UE per i dati UE e configurazioni di addestramento riproducibili nel vostro repository.
AI Logistica →Conforme al GDPR · Pronto per ISO 27001 · SOC 2 Type II in corso · Compatibile HIPAA · CCPA riconosciuto
Nessun ciclo di addestramento inizia finché l'eval harness non risulta verde rispetto alla vostra baseline frontier. Ogni rilascio include un report di regressione. Se il bar di valutazione scende, il merge viene bloccato — non negoziato.
Gli MLE nel vostro ingaggio hanno già portato modelli fine-tuned in produzione. Sanno quale rank LoRA scegliere, perché la loss DPO è divergita e come fare il debug di un throughput cliff vLLM — senza bisogno di thread su Twitter.
L'addestramento gira nel vostro VPC, i pesi restano nel vostro S3/GCS, il codice vive nel vostro repository. Lavoriamo tramite ruoli IAM assunti. Nessun dato approda mai sui nostri laptop e voi possedete il modello risultante dal primo giorno.
Per i carichi di lavoro regolamentati firmiamo HIPAA BAA, eseguiamo solo su regioni HIPAA-eligible e ci integriamo con la vostra governance dei dati esistente — non in parallelo ad essa.
Un motore di decisione sui prestiti che impiega dieci volte meno tempo per approvare non avviene per caso. YuSMP ha costruito la pipeline di scoring, l’integrazione con i bureau del credito e un back-office che i nostri sottoscrittori apprezzano davvero. I tempi di approvazione sono passati da due giorni a meno di quattro ore.
Tre segnali giustificano il fine-tuning. Primo, latenza o costi: un modello 7B fine-tuned su vLLM costa circa 1/40 di GPT-4o per lo stesso compito con latenza p95 inferiore a 400 ms. Secondo, comportamenti che non si ottengono tramite prompt: stile specifico di dominio, aderenza all'output strutturato superiore al 99% o pattern di rifiuto che i livelli di sicurezza frontier non consentono. Terzo, valore dei dati: disponete di 5.000+ coppie etichettate di alta qualità che nessun altro possiede. Se la risposta riguarda principalmente il recupero di conoscenza, meglio il RAG prima. Se si tratta di formattazione occasionale, meglio il prompt engineering prima. Il fine-tuning è la scelta giusta quando serve un cambiamento comportamentale su larga scala.
Entrambi. Fine-tuning OpenAI (GPT-4o, GPT-4.1, GPT-4o-mini), Anthropic tramite modelli personalizzati Bedrock, tuning Google Gemini e l'intero stack open source: Llama 3.3, Qwen 2.5, Mistral, Phi-4, DeepSeek. La scelta è tecnica, non ideologica. I modelli chiusi offrono una consegna più rapida e zero infrastruttura. I modelli aperti offrono proprietà, inferenza più economica su larga scala e deployment on-premise quando la conformità lo richiede. Utilizziamo lo stesso eval harness su entrambi i percorsi e presentiamo per iscritto il trade-off costo per token, latenza e qualità prima che il cliente si impegni.
Ogni ingaggio include una suite di valutazione versionata: un golden set di 200-1.000 esempi etichettati curati con il cliente, LLM-as-judge automatizzato con scoring a rubrica (Ragas, rubriche personalizzate), metriche specifiche per compito (BLEU, ROUGE, exact match, F1, aderenza all'output strutturato) e probe avversariali per allucinazione, jailbreak e fuga di PII. Ogni ciclo di addestramento viene pubblicato su Weights & Biases con la tabella di valutazione completa. Il CI blocca qualsiasi merge che faccia regredire il golden set oltre la soglia concordata (in genere 2%). La suite di valutazione è vostra, versionata nel vostro repository e viene eseguita su baseline frontier ad ogni rilascio.
Prima di tutto i metodi parameter-efficient: LoRA e QLoRA riducono la memoria GPU del 60-80% e ci permettono di eseguire un SFT Llama 3.3 70B su un singolo nodo A100 80GB per meno di 350 $ di tempo GPU. Unsloth e Axolotl ci garantiscono un throughput di addestramento 2x rispetto a Hugging Face TRL standard. Di default usiamo QLoRA 4-bit per la prima sperimentazione, passando al fine-tuning completo solo quando le ablazioni dimostrano che sposta l'ago della bilancia della valutazione. Il costo dell'inferenza è controllato dalla quantizzazione INT8/INT4 (AWQ, GPTQ), dal batching continuo vLLM e dal decoding speculativo. Un tipico cliente passa da circa 20.000 $/mese di spesa API frontier a circa 3.900 $/mese di inferenza self-hosted. Il calcolo GPU gira sui vostri account, così mantenete la leva sui costi.
L'ingaggio inizia con un NDA reciproco e un DPA conforme al GDPR. I dati di addestramento risiedono nel vostro account cloud: lavoriamo tramite ruoli IAM assunti, non copiamo mai i dati su laptop e il cluster di addestramento gira nel vostro VPC (AWS SageMaker, GCP Vertex, Azure ML o il vostro Kubernetes). Per i dati regolamentati firmiamo HIPAA BAA ed eseguiamo solo su regioni HIPAA-eligible. Le pipeline di redazione PII (Presidio, regex personalizzata + NER) fanno parte della fase di curation dei dati. Siamo conformi al GDPR, pronti per ISO 27001, SOC 2 Type II in corso, capaci di HIPAA e conformi al CCPA.
Gli ingaggi sono a perimetro fisso e lean, all-in e quotati in USD. Un PoC di valutazione parte da 2.900 $ (4–6 settimane); RAG sulla vostra base di conoscenza da 8.100 $ quando il retrieval batte il tuning; un agente AI autonomo da 10.400 $; un modello fine-tuned in produzione da 13.800 $. La cifra esatta dipende dalla dimensione del modello base e dal fatto che sia un'API chiusa o un open-weight self-hosted, da quanti dati etichettati esistono rispetto a quelli da curare, dal numero di metodi di addestramento in gioco, dallo SLA di inferenza e dagli obiettivi di quantizzazione, e dal perimetro di conformità. Vedete il budget voce per voce al termine della discovery e lo approvate prima che venga scritta una riga di codice. Non c'è ricarico di recruiting né sovrapprezzo per i tool, e il calcolo GPU gira sui vostri account, così mantenete la leva sui costi.
Approfondimenti e guide pratiche dal nostro blog per i team di prodotto e ingegneria di USA e UE.
Benchmark 2026 sui costi di fine-tuning LLM: prezzi GPU H100/H200/B200, budget di curation dei dataset e LoRA vs…
Leggi l'articolo →
RAG vs fine-tuning nel 2026: framework decisionale per ingegneri su quando il retrieval-augmented generation…
Leggi l'articolo →
Come le aziende integrano l’IA nel software esistente nel 2026 — casi d’uso, ERP/CRM e sistemi legacy, governance…
Leggi l'articolo →
Guida 2026 agli agenti AI enterprise: selezione del modello (Claude 4.6, GPT-4o, Gemini 2.5), orchestrazione con…
Leggi l'articolo →Condividete alcuni dettagli e un consulente senior risponderà entro un giorno lavorativo.