---
title: "Transfer learning: definizione e funzionamento"
url: https://www.conseolente.it/transfer-learning-definizione-funzionamento/
aggiornato: 2026-11-04
descrizione: "Scopri cos'è il transfer learning, come funziona, i vantaggi e le applicazioni in visione artificiale, NLP e generazione di contenuti."
topic: "Transfer learning"
---

# Transfer learning: definizione e funzionamento

> Versione per assistenti AI. Pagina originale: [Transfer learning: definizione e funzionamento](https://www.conseolente.it/transfer-learning-definizione-funzionamento/?via=md)

Il transfer learning è una tecnica di machine learning e deep learning che riutilizza un modello già addestrato su un determinato compito come punto di partenza per risolverne uno nuovo e correlato, risparmiando il tempo e i dati necessari per addestrare una rete neurale da zero.

## Transfer learning: i punti fermi

- **Definizione:** si parte da un modello pre-addestrato invece che da zero, perché ha già imparato a riconoscere caratteristiche generali nei dati.

- **Funzionamento:** si sceglie il modello base, si adatta l’ultimo strato al nuovo compito e si riaddestra in tutto o in parte con i nuovi dati.

- **Vantaggi:** meno dati etichettati necessari, tempi di addestramento ridotti e minor rischio di overfitting su dataset piccoli.

- **Tipologie:** si distingue tra trasferimento induttivo, trasduttivo e non supervisionato, in base alla relazione tra dominio e compito di partenza e di arrivo.

- **Limiti:** se il dominio sorgente è troppo diverso da quello target, il risultato può peggiorare invece di migliorare (negative transfer).

## Come funziona il transfer learning

![Schema a strati di una rete neurale con blocco iniziale bloccato e blocco finale riaddestrato](https://www.conseolente.it/wp-content/uploads/2026/11/transfer-learning-definizione-funzionamento-1-1024x683.webp)

Nei modelli a strati, le prime unità catturano caratteristiche generiche, le ultime quelle specifiche del nuovo compito.

Il transfer learning funziona in tre passaggi: si parte da un modello già addestrato, si adatta l’ultimo strato alla nuova attività e si riaddestra, in tutto o in parte, sui dati del nuovo compito.

1. Si sceglie un modello di base già addestrato su un dataset ampio e generico, come una rete ResNet o EfficientNet per le immagini, oppure BERT o GPT per il testo.

2. Si rimuove o si modifica l’ultimo strato del modello, quello che produce il risultato finale: se il modello originale classificava mille categorie di immagini, qui si sostituisce con uno strato pensato per le cinque categorie del nuovo compito.

3. Si bloccano i pesi dei livelli iniziali, che hanno imparato forme e caratteristiche generiche, e si addestra solo la parte finale sui nuovi dati, oppure si riaddestra l’intera rete con un tasso di apprendimento molto più basso di quello usato in origine.

Nelle reti convoluzionali (CNN) e nei modelli basati su Transformer, i primi strati imparano bordi, texture e strutture sintattiche di base; gli strati successivi imparano concetti più legati al compito specifico. È questa separazione a rendere possibile il riutilizzo: si tiene ciò che è generico, si sostituisce ciò che è specifico. Chi vuole capire nel dettaglio [come funzionano i Transformer](https://www.conseolente.it/transformer-definizione-machine-learning/) trova lì l’architettura che sta dietro a BERT e GPT.

### Se il nuovo dataset è piccolo e simile a quello originale

Congela quasi tutti i livelli del modello base e addestra solo l’ultimo strato o i due più vicini all’output. Con pochi esempi disponibili, lasciare libera tutta la rete porta quasi sempre a overfitting: il modello memorizza i pochi dati invece di generalizzare.

### Se il dataset è ampio o molto diverso da quello originale

Si sbloccano più livelli, fino all’intera rete nei casi di dataset ampio e dominio molto diverso. Più il nuovo compito si allontana da quello di origine, più serve lasciare alla rete la possibilità di aggiornare anche le caratteristiche che prima erano considerate generiche.

| Aspetto | Livelli congelati | Livelli addestrabili |
| --- | --- | --- |
| Pesi durante l’addestramento | restano fissi | vengono aggiornati |
| Obiettivo | conservano le caratteristiche generali apprese | si adattano al nuovo compito |
| Quando usarli | dataset piccolo o molto simile all’originale | dataset ampio o diverso dall’originale |
| Costo computazionale | più basso, meno parametri da aggiornare | più alto, più parametri da ricalcolare |

Chi lavora anche con [la definizione di machine learning](https://www.conseolente.it/machine-learning-definizione-funzionamento-intelligenza-artificiale/) riconosce in questo schema lo stesso principio che regola l’addestramento di qualunque modello: più dati specifici hai, meno devi appoggiarti a ciò che il modello ha già imparato altrove. Il transfer learning applicato alle reti profonde, con architetture a decine di strati, ha dinamiche proprie che approfondisco nella pagina sul [funzionamento del deep learning](https://www.conseolente.it/deep-learning-intelligenza-artificiale-definizione-funzionamento/); qui vale lo stesso schema di congelamento e fine-tuning, solo su reti più profonde.

## Perché si usa il transfer learning

Il transfer learning si usa perché riduce la quantità di dati etichettati necessari, abbassa il tempo e i costi di calcolo dell’addestramento e migliora la capacità del modello di generalizzare su dati nuovi.

Addestrare una rete neurale da zero richiede grandi quantità di esempi etichettati: per molti progetti aziendali, raccoglierli ed etichettarli costa più del progetto stesso. Partire da un modello pre-addestrato sposta il problema: il modello arriva già con una conoscenza di base, e serve molto meno materiale per specializzarlo sul compito specifico.

Il secondo beneficio riguarda tempo e risorse di calcolo. Addestrare una rete profonda da zero può richiedere giorni o settimane di calcolo intensivo; partendo da un modello già addestrato, l’addestramento si riduce a ore, perché si lavora solo sugli ultimi strati o su un numero limitato di epoche aggiuntive.

Il terzo beneficio è meno intuitivo ma altrettanto concreto: un modello addestrato da zero su pochi dati tende a imparare a memoria il dataset di addestramento, perdendo capacità di generalizzazione. Partire da rappresentazioni già testate su dataset ampi riduce questo rischio: il modello non deve costruire da sé le caratteristiche di base, ma solo adattarle.

Per chi lavora con cataloghi prodotto o archivi documentali, il transfer learning va considerato ogni volta che il progetto prevede un modello su misura ma non dispone di migliaia di esempi etichettati. È il caso tipico in cui la tecnica rende possibile un progetto che altrimenti non lo sarebbe, per ragioni di budget prima ancora che di competenza tecnica.

## Quali sono i tipi di transfer learning

Il transfer learning si divide in tre impostazioni principali: induttivo, trasduttivo e non supervisionato, distinte dalla relazione tra il dominio e il compito di origine e quelli di destinazione.

Nel trasferimento induttivo, l’attività di origine e quella di destinazione sono diverse, indipendentemente dal fatto che i dati di partenza e di arrivo si somiglino o meno: è il caso di un modello addestrato a classificare immagini che viene riadattato per individuare oggetti in una foto. Richiede quasi sempre dati etichettati sia in origine sia a destinazione.

Nel trasferimento trasduttivo, l’attività resta la stessa ma cambiano i dati su cui viene eseguita: i dati di origine sono in genere etichettati, quelli di destinazione no. Un modello che classifica il sentiment nelle recensioni di ristoranti, applicato così com’è alle recensioni di film, lavora in questa modalità: stesso compito, dominio diverso.

Nel trasferimento non supervisionato, sia l’attività sia il dominio cambiano, e in più non ci sono dati etichettati nemmeno a destinazione. Il rilevamento delle frodi su transazioni bancarie funziona spesso così: il modello riconosce pattern comuni in dati non etichettati e segnala come anomali i comportamenti che se ne discostano.

### Definizione tecnica: dominio e attività

Nella letteratura accademica sul tema, un dominio è definito dalla combinazione tra lo spazio delle caratteristiche dei dati e la loro distribuzione; un’attività è definita dallo spazio delle etichette e dalla funzione che il modello deve imparare a predire. Il transfer learning si applica quando dominio o attività, o entrambi, differiscono tra la fase di addestramento originale e quella di applicazione: questa distinzione serve proprio a classificare le diverse varianti della tecnica che la ricerca ha proposto negli anni.

Un concetto vicino ma distinto è il domain adaptation: riguarda i casi in cui l’attività resta identica e cambia solo la distribuzione dei dati, mentre il multi-task learning addestra più compiti correlati insieme, condividendo gli stessi parametri, invece di specializzare un modello già pronto su un compito alla volta. Il transfer learning e il multi-task learning condividono lo stesso meccanismo di base, la condivisione di parametri, ma mirano a obiettivi diversi: il primo punta a migliorare solo il compito di destinazione, il secondo punta a migliorare tutti i compiti coinvolti insieme.

Chi cerca una mappa più ampia delle famiglie di apprendimento automatico, oltre a questa tecnica, trova il quadro generale nella pagina sulla [definizione di machine learning](https://www.conseolente.it/machine-learning-definizione-funzionamento-intelligenza-artificiale/), dove sono descritte anche le altre modalità con cui un sistema impara dai dati.

## Dove si applica il transfer learning

![Icone che rappresentano un'immagine medica, un documento di testo e un'illustrazione collegate da frecce a un modello centrale](https://www.conseolente.it/wp-content/uploads/2026/11/transfer-learning-definizione-funzionamento-2-1024x683.webp)

Lo stesso modello pre-addestrato può essere riadattato a settori molto diversi tra loro, dalla diagnostica per immagini alla scrittura di testi.

Il transfer learning si applica soprattutto in tre ambiti: la visione artificiale, l’elaborazione del linguaggio naturale e, più di recente, la generazione di contenuti.

In visione artificiale, modelli come ResNet, EfficientNet o VGG, addestrati su milioni di foto generiche nel dataset ImageNet, vengono riadattati per compiti specifici: individuare anomalie in una radiografia, riconoscere difetti su una linea di produzione, classificare prodotti in un catalogo e-commerce. Un esempio concreto: un modello addestrato a distinguere mille categorie generiche di oggetti può essere riaddestrato, mantenendo i primi strati, per riconoscere solo cinque tipi di difetti su un prodotto specifico.

Nell’elaborazione del linguaggio naturale (NLP), i modelli linguistici come BERT o GPT partono da una comprensione generale della lingua, costruita su enormi corpus di testo, e vengono specializzati per compiti come l’analisi del sentiment, la classificazione di ticket di assistenza o i chatbot. Strumenti come ChatGPT si basano proprio su un modello linguistico pre-addestrato e poi adattato a conversare: la distinzione tra intelligenza artificiale, machine learning e i singoli modelli che li compongono è un discorso a parte, che tratto nella pagina sulla [definizione di machine learning](https://www.conseolente.it/machine-learning-definizione-funzionamento-intelligenza-artificiale/).

Nella generazione di contenuti, i modelli di immagini e testo che hanno reso popolare il tema negli ultimi anni partono quasi sempre da un addestramento generico su grandi archivi di dati e vengono poi specializzati per uno stile o un dominio preciso. Questa evoluzione, dal semplice fine-tuning ai modelli di base riusati in decine di applicazioni diverse, è una delle tendenze più discusse nell’[introduzione all’intelligenza artificiale](https://www.conseolente.it/consulente/intelligenza-artificiale/) degli ultimi anni, e trova il suo capitolo più tecnico nelle architetture di deep learning su cui questi modelli sono costruiti.

## Quando il transfer learning non funziona

Il transfer learning smette di essere utile, e può peggiorare i risultati, quando il dominio o il compito di origine sono troppo distanti da quelli di destinazione: questo fenomeno si chiama negative transfer.

Succede quando le caratteristiche generiche imparate dal modello di base non hanno nulla a che fare con il nuovo compito: un modello addestrato a riconoscere oggetti fotografati alla luce del giorno può comportarsi peggio di un modello addestrato da zero se applicato a immagini termiche o a radiografie, perché le caratteristiche che ha imparato a pesare di più semplicemente non si applicano a quel tipo di dati.

Non esiste una soglia numerica che definisca quanto due domini debbano somigliarsi prima di rischiare un trasferimento negativo: la valutazione resta empirica, e passa dal confrontare le prestazioni del modello trasferito con quelle di un modello addestrato da zero sullo stesso compito, con gli stessi dati. Se il modello trasferito fa peggio, il segnale di negative transfer è quello.

Il transfer learning, va detto, resta una tecnica pensata per modelli a strati: reti neurali, convoluzionali o basate su Transformer. Alberi decisionali, modelli lineari o altri algoritmi di machine learning classico non hanno rappresentazioni intermedie da cui prelevare caratteristiche generiche, quindi la tecnica ha un impatto molto più limitato su quella famiglia di modelli.

## Errori frequenti con il transfer learning

L’errore più comune è scegliere il modello di base guardando solo alla sua reputazione, senza controllare quanto il suo addestramento originale somigli davvero al nuovo compito.

Un secondo errore è non toccare mai il tasso di apprendimento durante il fine-tuning: usare lo stesso valore previsto per l’addestramento da zero porta spesso a distruggere le caratteristiche utili già apprese, invece di affinarle. Il fine-tuning richiede quasi sempre un tasso molto più basso, proprio perché il punto di partenza è già vicino a una buona soluzione.

Il terzo errore riguarda la valutazione: adattare un modello e misurarne le prestazioni solo sullo stesso set di dati usato per il fine-tuning dà un’idea falsata della sua capacità di generalizzare. Chi vuole una stima più affidabile dovrebbe affiancare al transfer learning una verifica basata sulla [cross-validation per misurare la generalizzazione](https://www.conseolente.it/cross-validation-definizione-funzionamento/), così da capire come si comporta il modello su dati che non ha mai visto in nessuna delle due fasi di addestramento.

Anche chi lavora con questi modelli da anni cade ogni tanto nella tentazione di saltare il controllo sulla somiglianza dei domini prima di partire: è l’errore più ricorrente, soprattutto quando il progetto ha una scadenza stretta e il modello pronto sembra la scorciatoia più comoda.

## Domande frequenti sul transfer learning

### Cos’è il transfer learning in sintesi?

È il riutilizzo di un modello già addestrato su un compito come base per un compito nuovo e correlato. Invece di costruire e addestrare una rete da zero, si parte da pesi già calcolati e si adatta solo la parte finale del modello al nuovo obiettivo.

### Quali sono i tre tipi principali di transfer learning?

Sono il trasferimento induttivo, con attività diverse tra origine e destinazione; il trasferimento trasduttivo, con la stessa attività ma domini diversi; il trasferimento non supervisionato, senza dati etichettati né nel dominio di origine né in quello di destinazione.

### Cos’è il negative transfer?

È il peggioramento delle prestazioni che si verifica quando il dominio o il compito di origine sono troppo diversi da quelli di destinazione. Il modello trasferito arriva a comportarsi peggio di un modello addestrato da zero sullo stesso compito.

### Qual è un esempio pratico di transfer learning?

Un esempio tipico è un modello addestrato su milioni di foto generiche di oggetti, riadattato per riconoscere difetti specifici su una linea di produzione, cambiando solo l’ultimo strato di classificazione e riaddestrando pochi dati nuovi.

### Quali modelli si usano come base nel transfer learning per le immagini?

I più usati sono reti convoluzionali come ResNet, EfficientNet e VGG, addestrate in origine sul dataset ImageNet. Nel linguaggio naturale, i modelli base più diffusi sono BERT e GPT, addestrati su grandi corpus testuali.

### Che differenza c’è tra transfer learning e fine-tuning?

Il fine-tuning è una delle fasi del transfer learning, non un’alternativa: è il passaggio in cui si riaddestra, in tutto o in parte, il modello pre-addestrato sui dati del nuovo compito, dopo aver scelto il modello base e adattato lo strato finale.