{"id":2780,"date":"2026-09-14T08:35:42","date_gmt":"2026-09-14T08:35:42","guid":{"rendered":"https:\/\/www.bytek.ai\/?p=2780"},"modified":"2026-09-14T13:16:54","modified_gmt":"2026-09-14T13:16:54","slug":"un-nuovo-modo-di-fare-previsioni-sui-dati-abbiamo-testato-tabfm","status":"publish","type":"post","link":"https:\/\/www.bytek.ai\/it\/blog\/un-nuovo-modo-di-fare-previsioni-sui-dati-abbiamo-testato-tabfm\/","title":{"rendered":"Un nuovo modo di fare previsioni sui dati? Abbiamo testato TabFM"},"content":{"rendered":"

TabFM<\/b><\/a> \u00e8 un modello sviluppato da Google Research per attivit\u00e0 di classificazione e regressione che introduce un approccio diverso rispetto ai tradizionali workflow di machine learning sui dati strutturati.<\/span><\/p>\n

Non richiede di addestrare un nuovo modello sui propri dati. Utilizza invece l\u2019<\/span>in-context learning<\/b>: lo storico viene passato come contesto e TabFM utilizza gli esempi ricevuti per generare le previsioni direttamente in fase di inferenza.<\/span><\/p>\n

\u00c8 un approccio simile, concettualmente, a quello dei modelli linguistici quando ricevono esempi all\u2019interno del prompt.<\/span><\/p>\n

Google ha inoltre integrato<\/span> TabFM direttamente in BigQuery<\/b><\/a>, dove pu\u00f2 essere utilizzato tramite SQL con <\/span>AI.PREDICT<\/span> e valutato con <\/span>AI.EVALUATE<\/span>, senza dover gestire separatamente training e deployment del modello.<\/span><\/p>\n

La domanda che ci siamo posti \u00e8 stata quindi abbastanza naturale:<\/span><\/p>\n

quanto pu\u00f2 essere competitivo questo approccio rispetto ai modelli della ByTek Prediction Platform di tipo ML che utilizziamo gi\u00e0 in produzione?<\/b><\/p>\n

Per provare a capirlo abbiamo fatto alcuni test.<\/span><\/p>\n

Impostazione dell\u2019analisi<\/span><\/h2>\n

Abbiamo preso tre dataset reali con caratteristiche piuttosto diverse e confrontato TabFM con i <\/span>modelli BPP<\/b> su task di classificazione.<\/span><\/p>\n

Una premessa \u00e8 importante: <\/span>non \u00e8 un benchmark definitivo e non vuole stabilire quale tecnologia sia migliore in assoluto<\/b>.<\/span><\/p>\n

\u00c8 un\u2019analisi esplorativa, condotta su tre casi specifici, che ci \u00e8 sembrata interessante da condividere.<\/span><\/p>\n

I dataset utilizzati:<\/span><\/p>\n

Dataset A<\/b>
\n<\/b>Feature prevalentemente anagrafiche e di canale.<\/span>
\n<\/span>Positivi: <\/span>6,5%<\/b><\/p>\n

Dataset B<\/b>
\n<\/b>Feature comportamentali pi\u00f9 ricche, come trial, demo e accessi.<\/span>
\n<\/span>Positivi: <\/span>11,8%<\/b><\/p>\n

Dataset C<\/b>
\n<\/b>Dati anagrafici e transazionali.<\/span>
\n<\/span>Positivi: <\/span>27,9%<\/b><\/p>\n

Per confrontare i risultati abbiamo osservato soprattutto due metriche: <\/span>ROC-AUC e PR-AUC<\/b>.<\/span><\/p>\n

La <\/span>ROC-AUC<\/b> misura quanto bene il modello riesce a ordinare complessivamente la popolazione, separando i casi pi\u00f9 probabilmente positivi da quelli negativi.<\/span><\/p>\n

La <\/span>PR-AUC<\/b> concentra invece maggiormente l\u2019attenzione sulla capacit\u00e0 di individuare correttamente i positivi. Diventa particolarmente interessante quando la classe positiva \u00e8 minoritaria e quando, operativamente, conta soprattutto identificare bene la parte alta della classifica.<\/span><\/p>\n

Risultati del confronto<\/span><\/h2>\n

Sulla <\/span>ROC-AUC<\/b>, i modelli BPP ottengono il risultato migliore su tutti e tre i dataset.<\/span><\/p>\n

Sul Dataset B, per\u00f2, la distanza \u00e8 di appena <\/span>0,002 punti<\/b>: di fatto, un risultato molto vicino.<\/span><\/p>\n

Sulla <\/span>PR-AUC<\/b> il quadro \u00e8 pi\u00f9 articolato.<\/span><\/p>\n

I modelli BPP ottengono il risultato migliore su due dataset: in maniera molto netta sul Dataset A e con un vantaggio pi\u00f9 contenuto sul Dataset C.<\/span><\/p>\n

TabFM prevale invece sul Dataset B<\/b>, quello caratterizzato dal maggior numero di segnali comportamentali.<\/span><\/p>\n

I risultati, <\/span>TabFM vs modelli BPP<\/b>:<\/span><\/p>\n\n\n\n\n\n\n
Dataset<\/b><\/td>\nPR-AUC TabFM<\/b><\/td>\nPR-AUC BPP<\/b><\/td>\nROC-AUC TabFM<\/b><\/td>\nROC-AUC BPP<\/b><\/td>\n<\/tr>\n
A<\/span><\/td>\n0,286<\/span><\/td>\n0,542<\/b><\/td>\n0,845<\/span><\/td>\n0,910<\/b><\/td>\n<\/tr>\n
B<\/span><\/td>\n0,771<\/b><\/td>\n0,713<\/span><\/td>\n0,939<\/span><\/td>\n0,941<\/b><\/td>\n<\/tr>\n
C<\/span><\/td>\n0,816<\/span><\/td>\n0,903<\/b><\/td>\n0,915<\/span><\/td>\n0,952<\/b><\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n

\"\"<\/p>\n

Naturalmente, la metrica pi\u00f9 rilevante dipende dal modo in cui la previsione viene utilizzata.<\/span><\/p>\n

Se il modello serve, ad esempio, a <\/span>ordinare i lead per decidere quali contattare per primi<\/b>, la qualit\u00e0 della parte alta della classifica diventa fondamentale e la PR-AUC pu\u00f2 essere particolarmente significativa.<\/span><\/p>\n

Se invece il prediction score viene utilizzato per <\/span>costruire audience, segmentare una popolazione o escludere utenti con una probabilit\u00e0 molto bassa di conversione<\/b>, diventa altrettanto importante la qualit\u00e0 dell\u2019ordinamento complessivo, quindi la ROC-AUC.<\/span><\/p>\n

Effetto dell\u2019aumento delle risorse computazionali<\/span><\/h2>\n

Sul Dataset A abbiamo voluto verificare se aumentando considerevolmente il contesto e il carico computazionale il divario potesse ridursi.<\/span><\/p>\n

Siamo passati:<\/span><\/p>\n