# Classificazione zero-shot: come un modello capisce regole scritte a parole

> Come fa un modello a far rispettare «Niente spoiler» se non è mai stato addestrato su quella regola? Inferenza in linguaggio naturale e regole personalizzate.

Source: https://www.vigimod.com/it/learn/zero-shot-classification-nli · VigiMod (https://www.vigimod.com) · aggiornato il 2026-11-11 · 7 min

## In breve

- Un classificatore zero-shot controlla categorie mai viste in addestramento, scritte come frasi.
- Molti usano l'inferenza in linguaggio naturale (NLI): questo testo implica quell'ipotesi?
- Le regole personalizzate («Niente vendita di account») diventano ipotesi valutate come le altre categorie.
- Le regole brevi e concrete funzionano meglio; quelle vaghe danno punteggi vaghi.

## Il problema

Un classificatore classico conosce solo le categorie su cui è stato addestrato. Ma ogni community ha le sue regole: niente spoiler, niente vendita di account, si parla solo di calcio, niente link ad altri server. Addestrare un modello nuovo per ogni regola di ogni community è impossibile.

La **classificazione zero-shot** risolve il problema: il modello riceve la categoria *come frase* al momento della richiesta, e giudica se il testo la rispetta.

## L'inferenza in linguaggio naturale (NLI)

Molti classificatori zero-shot si basano su un compito chiamato **inferenza in linguaggio naturale**. Il modello riceve due testi:

- una **premessa** (qui: il messaggio in chat),
- un'**ipotesi** (qui: una regola o la descrizione di una categoria),

e decide se la premessa **implica** l'ipotesi, la contraddice o è neutra.

| Premessa (messaggio) | Ipotesi | Risposta |
|---|---|---|
| «ahah alla fine il cane muore» | «Questo messaggio rivela la trama di un film o di una serie.» | implica |
| «qualcuno ha visto il finale?» | «Questo messaggio rivela la trama di un film o di una serie.» | non implica |
| «vendo account livello 80, scrivetemi» | «Questo messaggio offre di comprare o vendere account di gioco.» | implica |

La probabilità di «implica» diventa il **punteggio** della regola. Lo stesso meccanismo vale per le categorie fisse: «insulto» è solo l'ipotesi «Questo messaggio insulta una persona».

## Perché generalizza

In addestramento il modello vede centinaia di migliaia di coppie premessa-ipotesi su ogni tipo di argomento. Non impara le regole in sé: impara **la capacità di verificare** se un testo corrisponde a una descrizione. Questa capacità vale anche per regole mai viste, in ogni lingua che il modello conosce.

## Scrivere buone regole

- **Concreto batte astratto.** «Niente compravendita o scambio di account e oggetti» funziona meglio di «Rispetta l'economia del gioco».
- **Un'idea per regola.** Dividi «Niente spam e niente politica» in due regole.
- **Descrivi il comportamento, non una lista di parole.** «Non rivelare il finale di film o serie» prende gli spoiler scritti in qualsiasi modo.
- **Prova su esempi veri** e regola la soglia, come per ogni categoria.

## Il contesto aiuta anche le regole

«Alla fine muore lui» è uno spoiler solo se la conversazione parla di una serie. I modelli zero-shot che leggono anche i messaggi precedenti possono giudicare regole che dipendono dalla chat: vedi [il contesto nella moderazione](https://www.vigimod.com/it/learn/context-in-moderation).

## In VigiMod

Le regole si mandano con ogni richiesta, fino a 10, in qualsiasi lingua:

`"rules": {"niente-spoiler": "Niente spoiler su film o serie"}`

Ogni regola restituisce il suo punteggio e la sua segnalazione (`rule:niente-spoiler`), accanto alle categorie predefinite. I dettagli sono nella [documentazione](https://www.vigimod.com/en/docs).

## Quiz

1. Cosa significa qui «zero-shot»?
   Risposta: Al modello servono zero esempi di una regola per controllarla. La regola arriva come frase nella richiesta, senza addestramento.
2. Nell'NLI, il messaggio in chat è…
   Risposta: la premessa. Il messaggio è la premessa; la regola è l'ipotesi.
3. Quale regola probabilmente funziona meglio?
   Risposta: «Niente compravendita o scambio di account di gioco». Le regole concrete su un comportamento danno punteggi più chiari.
4. Perché il modello sa controllare una regola mai vista?
   Risposta: Ha imparato in generale a verificare se un testo corrisponde a una descrizione. L'addestramento NLI insegna a verificare, non regole specifiche.