Structured Outputs

Gli output strutturati si riferiscono a una metodologia nell'intelligenza artificiale in cui le risposte del modello sono obbligatoriamente conformi a un formato di dati predefinito, in genere uno schema JSON. Nei tradizionali modelli linguistici di grandi dimensioni (LLMs), la generazione del testo si basa sulla previsione probabilistica dei token, che spesso produce testo non strutturato e in forma libera. Utilizzando gli output strutturati, gli sviluppatori possono garantire che un sistema di intelligenza artificiale restituisca dati leggibili dalle macchine e prevedibili, eliminando la necessità di script di parsing fragili e di una gestione complessa degli errori.

Comprendere gli output strutturati rispetto alla modalità JSON#

Sebbene le prime versioni dell'intelligenza artificiale generativa offrissero una semplice «modalità JSON», questa garantiva soltanto che l'output fosse un JSON valido, senza assicurare che contenesse le chiavi o i tipi di dati specifici richiesti. Gli output strutturati risolvono questo problema attraverso una tecnica chiamata decodifica vincolata. Durante la generazione, il motore di inferenza filtra il vocabolario del modello a ogni passaggio, mascherando i token che violerebbero lo schema fornito dallo sviluppatore. Questo garantisce una conformità allo schema del 100%.

Il concetto di chiamata di funzioni (utilizzo di strumenti) è strettamente correlato a questa metodologia. Sebbene la chiamata di funzioni consenta ai modelli di determinare quando eseguire uno strumento esterno, dipende interamente dagli output strutturati per compilare con precisione i parametri richiesti dallo strumento senza allucinazioni.

Adozione nel settore e framework#

Tra il 2024 e il 2025, i principali fornitori di intelligenza artificiale hanno trasformato gli output strutturati in una funzionalità nativa per migliorare l'affidabilità dei sistemi aziendali. Ad esempio, l'API Structured Outputs di OpenAI consente agli sviluppatori di definire schemi rigorosi utilizzando Pydantic in Python o Zod in JavaScript. Analogamente, gli output strutturati di Claude di Anthropic e gli strumenti di output strutturato di Google Gemini ora supportano l'applicazione rigorosa degli schemi per prompt complessi.

Anche gli ecosistemi open source sfruttano framework come vLLM e Outlines per fornire metodologie di decodifica vincolata per modelli personalizzati creati con PyTorch.

Applicazioni nel mondo reale#

L'implementazione degli output strutturati trasforma le risposte ambigue dell'intelligenza artificiale in dati utilizzabili per la modellazione predittiva. I principali casi d'uso includono:

• Pipeline di estrazione dei dati: le aziende utilizzano gli output strutturati per estrarre entità specifiche, come nomi dei candidati, totali delle fatture e date, da documenti grezzi e non strutturati e inserirle direttamente nei database SQL senza immissione manuale dei dati.
• Agenti di intelligenza artificiale autonomi: i flussi di lavoro agentici si basano sui dati strutturati per interagire con software complessi. Un agente può analizzare una richiesta dell'utente e produrre un payload JSON rigoroso che attiva un'API esterna, ridimensionando le operazioni in modo sicuro tramite sistemi come Databricks Model Serving.

Output strutturati nella visione artificiale#

Sebbene se ne discuta ampiamente nell'elaborazione del linguaggio naturale, gli output strutturati sono il principio operativo fondamentale della visione artificiale. I modelli di visione non producono testo in forma libera; generano nativamente tensori altamente organizzati che rappresentano coordinate, classi e punteggi di confidenza. Ad esempio, modelli all'avanguardia come Ultralytics YOLO26 valutano un'immagine e restituiscono dati spaziali formattati rigorosamente, ideali per una perfetta distribuzione del modello in ambienti edge a bassa latenza.

Il seguente frammento mostra quanto sia facile estrarre risultati strutturati di rilevamento degli oggetti utilizzando il pacchetto ultralytics:

from ultralytics import YOLO

# Load the recommended Ultralytics YOLO26 model
model = YOLO("yolo26n.pt")

# Perform inference to generate structured visual data
results = model("image.jpg")

# The model strictly outputs structured bounding box objects
for box in results[0].boxes:
    print(f"Class ID: {box.cls}, Confidence: {box.conf}, Coordinates: {box.xyxy}")

Colmando il divario tra la logica probabilistica dell'intelligenza artificiale e i requisiti deterministici del software, gli output strutturati rappresentano un componente fondamentale per la creazione di sistemi scalabili e pronti per la produzione sulla Ultralytics Platform e oltre.