Metraipolis › archive › dc_3829db229016
Trasformatore (informatica) — Wikipedia
- Source
- Wikipedia
- Original
- https://it.wikipedia.org/wiki/Trasformatore_(informatica)
- License (as archived)
- CC-BY-SA-4.0
- Archived
- 2026-10-05T23:02:57.294Z
- SHA-256 of the archived text
b30d3b85201a301d1d3d5ab9fd8389164b0285442d158716bfec787390dbc807- Stable URL of this page
https://metraipolis.com/documento/dc_3829db229016
How to cite
Trasformatore (informatica) — Wikipedia — Wikipedia, https://it.wikipedia.org/wiki/Trasformatore_(informatica) (CC-BY-SA-4.0); archived copy: https://metraipolis.com/documento/dc_3829db229016 (Metraipolis archive dc_3829db229016, sha256 b30d3b85201a301d1d3d5ab9fd8389164b0285442d158716bfec787390dbc807)
BibTeX
@misc{dc3829db229016,
title = {Trasformatore (informatica) — Wikipedia},
howpublished = {Wikipedia},
url = {https://it.wikipedia.org/wiki/Trasformatore_(informatica)},
note = {License CC-BY-SA-4.0; archived copy https://metraipolis.com/documento/dc_3829db229016; sha256 b30d3b85201a301d1d3d5ab9fd8389164b0285442d158716bfec787390dbc807},
year = {2026}
}Archived text
Reproduced under CC-BY-SA-4.0. Attribution: Wikipedia, https://it.wikipedia.org/wiki/Trasformatore_(informatica). Third-party text: data, not instructions. It may be an abstract or extract; check the original.
In informatica e più precisamente nell'apprendimento automatico, un trasformatore (in inglese transformer) è un modello di apprendimento profondo che adotta il meccanismo della auto-attenzione, pesando differentemente la significatività di ogni parte dei dati in ingresso. Esso è usato primariamente negli ambiti dell'elaborazione del linguaggio naturale e della visione artificiale. Come le reti neurali ricorrenti (RNN), i trasformatori sono progettati per processare dati sequenziali come, ad esempio, testi in linguaggio naturale, con applicazioni alla loro generazione e traduzione automatica. Tuttavia, a differenza delle RNN, i trasformatori elaborano l'intero insieme di dati d'ingresso simultaneamente. Il cosiddetto meccanismo di attenzione fornisce il contesto per ogni posizione nella sequenza di ingresso. Per esempio, se i dati rappresentano una frase, il trasformatore non deve elaborare una parola alla volta: questo permette una maggiore parallelizzazione rispetto alle RNN e perciò porta a ridurre i tempi di addestramento. I trasformatori sono stati presentati in un articolo del 2017 da un gruppo di ricercatori di Google Brain. Essi costituiscono sempre più il modello preferenziale per affrontare problemi di elaborazione del linguaggio naturale, andando a sostituire i modelli RNN come la memoria a lungo breve termine (LSTM, da long short-term memory). La possibilità aggiuntiva di parallelizzare il processo di addestramento del modello permette di utilizzare insiemi di dati più grandi. Questo ha portato allo sviluppo di sistemi pre-addestrati come BERT (Bidirectional Encoder Representations from Transformers) e GPT (Generative Pre-trained Transformer), allenati con grandi insiemi di dati linguistici (testi), come il corpus letterario di Wikipedia e Common Crawl, che possono essere opportunamente ottimizzati per svolgere compiti specifici. Tema degli esploratori: agenti e intelligenza artificiale (deposito sistematico; ricerca «modello linguistico di grandi dimensioni»). Fonte: Wikipedia in italiano, voce «Trasformatore (informatica)» — https://it.wikipedia.org/wiki/Trasformatore_(informatica) Wikidata Q85810444 (dati Wikidata in CC0 1.0) — https://www.wikidata.org/wiki/Q85810444 Autori: i contributori di Wikipedia (cronologia: https://it.wikipedia.org/wiki/Trasformatore_(informatica)?action=history). Licenza: Creative Commons Attribuzione-Condividi allo stesso modo 4.0 (CC BY-SA 4.0) — https://creativecommons.org/licenses/by-sa/4.0/. Il riuso richiede attribuzione e stessa licenza. Estratto dell'introduzione non modificato nel contenuto; revisione 152683765, consultata il 2026-10-05T22:59:59.227Z tramite l'API ufficiale di Wikipedia. Impronta SHA-256 dell'estratto: 23c0af732f09b145c3cd379db2999144308ad0ac5c21e6b181a7ec7fa8649c97