Modelli di intelligenza artificiale
I modelli di intelligenza artificiale effettuano previsioni basandosi sui dati di addestramento. Possono funzionare in qualsiasi ambito, come numeri, testo o contenuti multimediali.
Benchmark dei modelli tabulari: prestazioni su 19 set di dati 2026
Abbiamo effettuato un benchmark di 7 modelli di apprendimento tabulare ampiamente utilizzati su 19 dataset reali, comprendenti circa 260.000 campioni e oltre 250 caratteristiche totali, con dimensioni dei dataset che variano da 435 a quasi 49.000 righe.
Confronto tra modelli di linguaggio visivo e riconoscimento delle immagini.
I modelli di linguaggio visivo avanzati (VLM) possono sostituire i modelli tradizionali di riconoscimento delle immagini? Per scoprirlo, abbiamo confrontato le prestazioni di 16 modelli leader in tre paradigmi: reti neurali convoluzionali (CNN) tradizionali (ResNet, EfficientNet), VLM (come GPT-4.1, Gemini 2.5) e API cloud (AWS, Google, Azure).
Confronto tra modelli di fondamenti relazionali
Abbiamo confrontato SAP-RPT-1-OSS con il gradient boosting (LightGBM, CatBoost) su 17 dataset tabellari che coprono l'intero spettro semantico-numerico, tabelle piccole/ad alta semantica, dataset aziendali misti e grandi dataset numerici a bassa semantica. Il nostro obiettivo è misurare in quali casi i prior semantici pre-addestrati di un LLM relazionale possono offrire vantaggi rispetto ai modelli ad albero tradizionali e dove invece incontrano difficoltà in presenza di grandi dimensioni o di una struttura a bassa semantica.
Modelli di fondazione mondiali: 10 casi d'uso
L'addestramento di robot e veicoli autonomi (AV) nel mondo fisico può essere costoso, dispendioso in termini di tempo e rischioso. I World Foundation Models offrono un'alternativa scalabile, consentendo simulazioni realistiche di ambienti reali. Questi modelli accelerano lo sviluppo e l'implementazione in robotica, veicoli autonomi e altri settori, riducendo la dipendenza dai test fisici. Scopri come funzionano i World Foundation Models, le loro caratteristiche e i loro vantaggi.
Modelli di base per le serie temporali: casi d'uso e vantaggi
I modelli di base per serie temporali (TSFM) si basano sui progressi dei modelli di base nell'elaborazione del linguaggio naturale e nella visione artificiale. Utilizzando architetture basate su transformer e grandi quantità di dati di addestramento, raggiungono prestazioni zero-shot e si adattano a diversi settori come finanza, commercio al dettaglio, energia e sanità.