Introduzione a TensorFlow e alla costruzione di modelli di machine learning 2026

Che cos'è TensorFlow, come si costruisce un modello, quanto costa davvero addestrarlo e metterlo in produzione, in che cosa differisce da PyTorch, JAX e Keras — e che cosa significa la dichiarazione con cui Google, nel marzo 2026, ha limitato lo sviluppo della piattaforma a sicurezza e correzioni

TensorFlow è la libreria che ha portato il machine learning fuori dai laboratori di ricerca. Dal 2015 è lo strumento con cui migliaia di aziende hanno costruito modelli di visione artificiale, previsione, raccomandazione e classificazione, e con cui li hanno messi in produzione: è tuttora probabilmente il framework di deep learning con più modelli in esercizio al mondo, e la sua eredità on-device — oggi si chiama LiteRT — gira su miliardi di dispositivi. È gratuito, con licenza Apache 2.0, ed è sviluppato da Google.

Questa guida percorre TensorFlow per intero — caratteristiche principali, vantaggi competitivi, costi, funzionalità avanzate e integrazioni, alternative e confronto, strategie di crescita e tendenze — con un'onestà che manca a quasi tutto ciò che troverete sull'argomento. Perché il 6 marzo 2026, insieme al rilascio della versione 2.21, Google ha pubblicato una dichiarazione che cambia il modo in cui questa tecnologia va valutata: d'ora in avanti il lavoro sul progetto sarà esclusivamente sicurezza, correzione di difetti e aggiornamento delle dipendenze — e per il nuovo lavoro sull'intelligenza artificiale generativa Google raccomanda Keras 3, JAX e PyTorch.

Non è una notizia che rende inutile questa guida: la rende necessaria. Chi ha modelli TensorFlow in produzione deve sapere quanto tempo ha e che cosa continua a ricevere manutenzione; chi sta imparando deve sapere che cosa di TensorFlow vale ancora la pena imparare — e la risposta è: più di quanto si pensi; chi sta scegliendo adesso deve sapere in quali casi resta la scelta giusta e in quali no. Dove esistono dati verificabili li citiamo con la fonte; dove non esistono lo diciamo, e in questo settore l'elenco è lungo — a partire dal fatto che la più autorevole indagine annuale fra sviluppatori ha smesso di chiedere quale framework di machine learning si usi.

INDICE DEI CONTENUTI

1. Che cos'è TensorFlow, e che cosa è successo nel marzo 2026
   1. La dichiarazione ufficiale, testuale
   2. Che cosa significa, e che cosa non significa
   3. Tre segnali indipendenti che vanno nella stessa direzione
   4. I numeri di adozione, e i limiti di ciò che si può misurare
2. Le caratteristiche principali: come si costruisce un modello
   1. tf.data: la pipeline dei dati, che è dove si vince o si perde
   2. Keras 3: il livello con cui si scrive davvero il modello
   3. tf.function, il grafo e SavedModel
   4. tf.distribute: addestrare su più acceleratori
   5. TensorBoard, con un cambiamento da conoscere
   6. Hardware: GPU, TPU e il caso Windows
3. I vantaggi competitivi: perché qualcuno lo sceglie ancora
   1. La stabilità, che ora è una promessa esplicita
   2. La catena di produzione completa
   3. L'on-device: LiteRT, dove Google sta investendo
   4. Keras 3 come polizza assicurativa
   5. Dove il vantaggio si rovescia
4. Costi: la licenza è zero, il calcolo no
   1. Le TPU di Google Cloud
   2. Le GPU
   3. Vertex AI, e la trappola che svuota i budget
   4. Il costo che nessuno mette a bilancio
   5. Tre ordini di grandezza
5. Funzionalità avanzate e integrazioni
   1. TFX: la catena di produzione, e come sta davvero
   2. Servire il modello: TensorFlow Serving e le alternative
   3. LiteRT: portare il modello sul dispositivo
   4. Il web: TensorFlow.js e LiteRT.js
   5. Modelli pre-addestrati: dove sono finiti
   6. StableHLO: il pezzo che spiega il futuro
   7. Le librerie satellite: quali sono vive e quali no
6. Alternative a TensorFlow e confronto
   1. Il confronto in una tabella
   2. PyTorch: il default, e perché
   3. JAX: dove sta andando Google
   4. Keras 3, che non è un'alternativa ma una copertura
   5. Il promemoria che fa risparmiare più soldi di tutti
   6. Come si decide: cinque domande
7. Strategie di crescita usando TensorFlow
   1. Se hai già TensorFlow in produzione
   2. Se parti adesso
   3. Se sei un professionista: che cosa vale ancora la pena imparare
   4. Un avviso sulla certificazione
   5. Il mercato italiano, con i dati che esistono davvero
8. Tendenze future
   1. Il valore si sposta dal framework al compilatore
   2. L'inferenza on-device è dove si sposta il baricentro
   3. L'ecosistema si sta consolidando su due poli
   4. Che cosa non cambierà
9. Domande frequenti
   1. TensorFlow è morto?
   2. Ho modelli TensorFlow in produzione: devo migrare?
   3. Meglio imparare TensorFlow o PyTorch nel 2026?
   4. Quanto costa addestrare un modello?
   5. Che cos'è LiteRT e che rapporto ha con TensorFlow Lite?
   6. TensorFlow.js è ancora mantenuto?
   7. TFX e TensorFlow Serving sono ancora usabili in produzione?
   8. La certificazione TensorFlow esiste ancora?
10. In sintesi

Che cos'è TensorFlow, e che cosa è successo nel marzo 2026

TensorFlow è una libreria open source per il calcolo numerico e il machine learning, costruita attorno a un'idea semplice: si descrive un calcolo come un grafo di operazioni su tensori — array multidimensionali — e si lascia che il sistema decida dove e come eseguirlo, su CPU, GPU o TPU, su una macchina o su cento. Da quel grafo derivano automaticamente le derivate necessarie all'addestramento, la possibilità di ottimizzare e compilare il calcolo, e un formato di salvataggio che si può servire in produzione senza portarsi dietro il codice Python.

La versione stabile corrente è la 2.21.0, rilasciata il 6 marzo 2026. Il ritmo dei rilasci si è allungato: due versioni principali nel 2025, una sola nei primi nove mesi del 2026.

La dichiarazione ufficiale, testuale

Nel post di annuncio della 2.21, nella sezione dedicata agli aggiornamenti per la community, Google scrive che d'ora in avanti si concentrerà esclusivamente su tre cose: correzioni di sicurezza e di difetti, aggiornamento delle dipendenze e revisione dei contributi della community, accettando dalla community le correzioni critiche. L'impegno è dichiarato valido per un elenco preciso di componenti: tf.data, TensorFlow Serving, TFX, TensorFlow Data Validation, TensorFlow Transform, TensorFlow Model Analysis, TensorFlow Recommenders, TensorFlow Text, TensorBoard e TensorFlow Quantum. E si chiude con la frase che conta: «Mentre TensorFlow continua a garantire stabilità per la produzione, raccomandiamo di esplorare i nostri aggiornamenti più recenti su Keras 3, JAX e PyTorch per il nuovo lavoro sull'intelligenza artificiale generativa.»

Che cosa significa, e che cosa non significa

Serve precisione, perché su questo argomento circola molto rumore.

Che cosa non significa. Google non ha usato le parole «deprecato» né «fine vita». Non c'è una data di spegnimento. I componenti elencati continuano a ricevere patch di sicurezza, e i rilasci del 2026 lo confermano: TFX 1.21.0 e TensorFlow Data Validation 1.21.0 sono di giugno 2026, TensorFlow Serving 2.20.0 è di maggio 2026. Un sistema in produzione oggi non è in pericolo e non va migrato d'urgenza.

Che cosa significa. Che non arriveranno nuove funzionalità. Che qualunque cosa nasca nel machine learning nei prossimi anni — nuove architetture, nuove primitive di addestramento, nuovi formati — non sarà supportata per prima qui, e forse non lo sarà affatto. E che l'azienda che lo produce indica altre tre destinazioni per il lavoro nuovo. Per chi decide, la traduzione operativa è netta: TensorFlow è una piattaforma con cui si mantiene, non una su cui si scommette a cinque anni.

Tre segnali indipendenti che vanno nella stessa direzione

• Hugging Face ha rimosso TensorFlow. La guida di migrazione alla versione 5 della libreria Transformers — lo standard di fatto dei modelli linguistici aperti — dichiara la rimozione delle parti TensorFlow e JAX per «concentrarsi completamente su torch» e ridurre il costo di manutenzione. Per l'ecosistema dei modelli linguistici open, quella porta è chiusa.

• Il Google I/O 2026 non ha nominato TensorFlow. Il riepilogo ufficiale del keynote per sviluppatori del 19 maggio 2026 parla di Gemini, di strumenti di sviluppo e di intelligenza artificiale nel browser: TensorFlow, Keras e JAX non compaiono. Non è una prova di nulla, ma è un dato.

• Le librerie satellite si sono fermate. KerasCV è stata archiviata il 10 marzo 2026; TensorFlow Federated è fermo a una versione del settembre 2024 e non compare nell'elenco degli impegni; TensorFlow Probability è fermo al novembre 2024, anch'esso fuori dall'elenco; TensorFlow Decision Forests è fermo al marzo 2025. Nessuna di queste è stata dichiarata deprecata: semplicemente, non escono più versioni.

I numeri di adozione, e i limiti di ciò che si può misurare

Qui va fatta una premessa metodologica, perché è il punto in cui quasi tutti gli articoli sbagliano. La Stack Overflow Developer Survey 2025 non contiene più la domanda sui framework di machine learning, e l'edizione 2026 non è ancora pubblicata. L'ultimo dato utilizzabile è quello del 2024, su circa 45.800 rispondenti, e dice una cosa che sorprende chi legge solo i social: scikit-learn 10,6%, PyTorch 10,6%, TensorFlow 10,1%, Keras 4,3%. Fra sviluppatori generalisti — non fra ricercatori — due anni fa erano ancora sostanzialmente alla pari.

I dati più recenti che si possono verificare oggi sono i download dei pacchetti Python. Al 9 settembre 2026, negli ultimi trenta giorni: torch 79,6 milioni, jax 18,8 milioni, tensorflow 15,1 milioni, keras 14,7 milioni. Va detto subito che i download non misurano utenti: includono integrazione continua, mirror, ricostruzioni di container e reinstallazioni. Ma la fotografia relativa è chiara, e contiene la notizia: JAX ha superato TensorFlow nei download mensili, e PyTorch ne fa circa cinque volte tanto. Sul totale storico TensorFlow resta a 1,4 miliardi di download: è l'inerzia dell'installato, cioè esattamente ciò di cui parla questa guida.

Un terzo indicatore, dai metadati dei modelli pubblicati su Hugging Face al 9 settembre 2026: su poco più di tre milioni di modelli, 242.652 dichiarano PyTorch, 17.195 TensorFlow, 11.941 JAX, 7.160 Keras. Anche qui la metodologia va dichiarata — sono etichette facoltative nella scheda del modello, e la maggior parte dei modelli non ne dichiara nessuna — ma il rapporto di circa quattordici a uno fra PyTorch e TensorFlow descrive bene dove sta oggi la ricerca e dove sta la produzione consolidata.

Attenzione infine a un dato che viene citato spesso a sproposito: le stelle su GitHub. TensorFlow ne ha circa 197 mila contro le 102 mila di PyTorch, ma sono cumulative dal 2015 e misurano la storia, non l'attività di oggi. Chi le usa per sostenere che TensorFlow è più diffuso sta leggendo un archivio, non un termometro.

Le caratteristiche principali: come si costruisce un modello

Vale la pena percorrere i componenti nell'ordine in cui si incontrano in un progetto reale, perché è anche l'ordine in cui si spendono le giornate: prima i dati, poi il modello, poi l'addestramento, poi il salvataggio, poi il servizio.

tf.data: la pipeline dei dati, che è dove si vince o si perde

È il componente più sottovalutato e quello che determina se una GPU costosa lavora o aspetta. tf.data descrive la lettura dei dati come una catena di trasformazioni — leggi, decodifica, trasforma, mescola, raggruppa in lotti, precarica — eseguita in parallelo e sovrapposta al calcolo. La regola pratica che ripaga più di qualunque ottimizzazione del modello: se l'acceleratore non è utilizzato al massimo, il problema è quasi sempre la pipeline dei dati, non la rete. tf.data è esplicitamente incluso fra i componenti che ricevono l'impegno di manutenzione.

Keras 3: il livello con cui si scrive davvero il modello

Da TensorFlow 2.16 il Keras incluso in TensorFlow è Keras 3, ed è la parte più interessante di tutta questa storia. Keras 3 non è più un componente di TensorFlow: è un framework indipendente che gira su quattro backend — TensorFlow, JAX, PyTorch e OpenVINO (quest'ultimo per la sola inferenza). Lo stesso codice, cambiando una variabile d'ambiente, si addestra su un backend diverso.

Ed è vivo: la versione corrente è la 3.15.1 del 29 luglio 2026, con un ritmo di rilasci di poche settimane, e le novità recenti riguardano cose molto attuali — esportazione di un modello Keras come modulo PyTorch, attenzione a finestra scorrevole, attenzione fusa, quantizzazione a interi a bassa precisione, integrazione con Orbax per i checkpoint. Chi oggi ha codice scritto con l'API Keras dentro TensorFlow ha, di fatto, già in mano la via d'uscita: ci torniamo parlando di strategie.

Nota per chi ha codice più vecchio: Keras 2 non è sparito, vive nel pacchetto separato tf_keras — la cui versione 2.21.0 è del marzo 2026 — o si riattiva con una variabile d'ambiente. È la scialuppa per il codice che usa API rimosse in Keras 3.

tf.function, il grafo e SavedModel

TensorFlow esegue in modo immediato come Python normale, ma decorando una funzione con tf.function la trasforma in un grafo compilato: più veloce, ottimizzabile e — soprattutto — eseguibile senza Python. Da qui il formato SavedModel, che contiene il grafo, i pesi e la firma delle funzioni esposte: è l'artefatto che si consegna alla produzione, si serve con TensorFlow Serving, si converte per l'on-device o si carica da un altro linguaggio. È una delle ragioni storiche per cui TensorFlow ha vinto in azienda: separa nettamente ciò che si addestra da ciò che si mette in esercizio.

tf.distribute: addestrare su più acceleratori

L'addestramento distribuito si esprime cambiando poche righe. Le strategie supportate sono MirroredStrategy (più GPU su una macchina), MultiWorkerMirroredStrategy (più macchine) e TPUStrategy; ParameterServerStrategy e CentralStorageStrategy restano sperimentali. È un'API matura, ma va detto che per il nuovo lavoro su TPU la documentazione di Google Cloud indirizza allo stack JAX, non a TensorFlow.

TensorBoard, con un cambiamento da conoscere

Lo strumento di visualizzazione — curve di perdita, istogrammi dei pesi, grafo del modello, proiezione degli embedding, profilazione — è nell'elenco dei componenti manutenuti, con la versione 2.21.0 del giugno 2026. Ma attenzione a un cambiamento della 2.21: TensorBoard non è più una dipendenza del pacchetto tensorflow e va installato a parte. È il tipo di dettaglio che rompe le pipeline di integrazione continua al primo aggiornamento.

Hardware: GPU, TPU e il caso Windows

Su Linux l'installazione con supporto CUDA è una riga di comando. Su TPU, la strategia dedicata è pienamente supportata. Due limiti vanno però conosciuti prima di comprare una macchina.

Windows nativo non ha più il supporto GPU: la documentazione ufficiale dice esplicitamente che la 2.10 è stata l'ultima versione a supportarlo, e da lì in avanti serve WSL2. macOS non ha supporto GPU ufficiale nel pacchetto standard. Per AMD esiste il supporto ROCm, ma la via raccomandata sono le immagini Docker preconfigurate. Sono vincoli concreti che decidono l'ambiente di lavoro di un team, e vanno verificati prima di cominciare — anche perché la pagina di installazione ufficiale, sulle versioni di CUDA e cuDNN, appare non aggiornata all'ultima release: i numeri lì riportati vanno controllati contro le note di rilascio.

I vantaggi competitivi: perché qualcuno lo sceglie ancora

La stabilità, che ora è una promessa esplicita

È il vantaggio paradossale della notizia di marzo. Un progetto che riceve solo correzioni è un progetto che non rompe niente: nessuna API che cambia, nessuna migrazione forzata, nessuna rincorsa. Per un sistema che gira in produzione da anni e che fa una cosa sola — classificare documenti, prevedere la domanda, riconoscere difetti su una linea — questa è esattamente la proprietà che serve. È il motivo per cui la frase di Google dice «TensorFlow continua a garantire stabilità per la produzione»: non è marketing, è la descrizione corretta di che cosa resta.

La catena di produzione completa

Nessun altro framework offre, sotto un'unica ombrella e con una storia di dieci anni, l'intera catena: validazione dei dati, trasformazione, addestramento, valutazione, servizio, monitoraggio. TensorFlow Data Validation trova le anomalie e la deriva nei dati; TensorFlow Transform garantisce che la stessa trasformazione applicata in addestramento venga applicata identica in inferenza — che è il difetto numero uno dei sistemi di machine learning in azienda; TensorFlow Model Analysis valuta il modello per segmenti, non solo in aggregato; TensorFlow Serving lo espone con gestione delle versioni e raggruppamento delle richieste. Tutti e cinque sono nell'elenco degli impegni di manutenzione, con versioni rilasciate a maggio e giugno 2026.

L'on-device: LiteRT, dove Google sta investendo

È il ribaltamento della storia. Il runtime on-device di TensorFlow è stato rinominato LiteRT il 4 settembre 2024 con una motivazione ufficiale che spiega tutto: «è cresciuto oltre le sue radici TensorFlow e supporta modelli scritti in PyTorch, JAX e Keras con le stesse prestazioni di riferimento». Il formato dei file non è cambiato e le app in produzione non sono state toccate.

E qui Google investe davvero: il post del marzo 2026 annuncia il passaggio di LiteRT da anteprima a produzione, con prestazioni su GPU 1,4 volte superiori al vecchio runtime e nuova accelerazione su NPU — le unità neurali dei processori mobili — su cinque famiglie di silicio, da Google Tensor a Qualcomm, Intel, MediaTek e Samsung. Accanto sono arrivati LiteRT-LM per i modelli linguistici on-device e MediaPipe 1.0, uscito dalla numerazione sperimentale nel luglio 2026.

Con un'avvertenza intellettualmente onesta, che va detta: LiteRT accetta anche modelli PyTorch e JAX. È un ottimo argomento per l'ecosistema Google sull'edge, ma non è più un argomento per scegliere TensorFlow come strumento di addestramento.

Keras 3 come polizza assicurativa

È il vantaggio competitivo più concreto per un'azienda che deve decidere adesso. Scrivere il modello con l'API Keras 3 significa poter cambiare il motore sotto — da TensorFlow a JAX o a PyTorch — senza riscrivere il modello. In un momento in cui il produttore del framework raccomanda altre tre destinazioni, avere il proprio codice scritto sull'unico strato che parla con tutte e tre non è una scelta tecnica: è una scelta di gestione del rischio.

Dove il vantaggio si rovescia

Tre limiti, e sono decisivi per chi parte da zero.

Primo: l'ecosistema dei modelli non è più qui. Con Transformers che ha rimosso il supporto e con un rapporto di quattordici a uno nei modelli pubblicati, chiunque voglia partire da un modello pre-addestrato recente — che nel 2026 è quasi chiunque — lavora su PyTorch.

Secondo: la curva di apprendimento non è ripagata come un tempo. Le competenze TensorFlow specifiche — grafi, strategie di distribuzione, formati — hanno un mercato che si restringe, mentre le competenze Keras, PyTorch e soprattutto quelle sui dati sono trasversali.

Terzo: la governance. PyTorch è ospitato da una fondazione della Linux Foundation che nel 2026 è diventata una fondazione-ombrello, accogliendo altri progetti dell'infrastruttura AI. TensorFlow non ha una fondazione: resta un progetto di una singola azienda, che ne ha appena ridotto l'ambizione. Per una valutazione di rischio a cinque anni è una differenza sostanziale.

Costi: la licenza è zero, il calcolo no

TensorFlow è gratuito e lo resterà: licenza Apache 2.0, nessun canone, nessuna limitazione d'uso commerciale. Il costo di un progetto di machine learning sta altrove, e conviene guardarlo per voci, con i listini pubblici verificati al 9 settembre 2026.

Le TPU di Google Cloud

Prezzi per chip all'ora, listino ufficiale, regioni statunitensi principali:

TPU	Su richiesta	Impegno 1 anno	Impegno 3 anni
v5e	1,20 $	0,84 $	0,54 $
v6e (Trillium)	2,70 $	1,89 $	1,22 $
v5p	4,20 $	2,94 $	1,89 $
v7 (Ironwood)	12,00 $	8,40 $	5,40 $

Esiste anche una modalità a avvio flessibile che dimezza il prezzo su richiesta, a fronte di minore garanzia di disponibilità. Il dato più utile di questa tabella non è il numero: è che l'impegno pluriennale dimezza abbondantemente il costo, e quindi che la domanda giusta da porsi prima di iniziare è per quanti mesi all'anno addestrerò davvero.

Le GPU

Su Google Cloud, sempre a listino pubblico e in una regione statunitense, una macchina con una GPU L4 costa circa 0,71 $ l'ora su richiesta e circa 0,40 $ in modalità spot; una con una A100 da 40 GB circa 3,67 $; una con otto H100 circa 88,5 $ l'ora, che in spot scendono a circa 41,6 $.

Sui fornitori specializzati i listini sono pubblici e più bassi: su RunPod una L4 costa 0,49 $ l'ora, una H100 SXM 3,49 $, una A100 1,59 $; su Lambda una H100 SXM da 80 GB costa 3,99 $ per GPU all'ora e una A100 da 40 GB 1,99 $, con fatturazione al minuto e senza costi di traffico in uscita. Per le istanze GPU di AWS non riportiamo cifre: le tabelle di listino sono dinamiche e non verificabili in modo affidabile.

Vertex AI, e la trappola che svuota i budget

Se si usa la piattaforma gestita di Google, due meccanismi vanno capiti prima di attivarla.

L'addestramento si fattura a ore-macchina, sommate su tutte le macchine del cluster e per l'intera durata del job, non per il tempo di calcolo effettivo: un cluster che aspetta i dati costa quanto un cluster che calcola. I job falliti non si pagano, quelli cancellati sì. Come ordine di grandezza, una macchina standard a otto vCPU con una A100 costa intorno ai 3,37 $ l'ora.

L'inferenza si fattura a ore-nodo di endpoint attivo, anche senza una singola richiesta in arrivo. La documentazione è esplicita: bisogna dis-installare esplicitamente il modello per smettere di pagare. È di gran lunga la voce di costo più sottovalutata nei progetti che ho visto raccontare: un endpoint di prova dimenticato acceso per tre mesi costa più dell'addestramento del modello che serve.

Sui piani di Colab una precisazione onesta: la versione Enterprise ha listino pubblico e verificabile — per esempio una L4 a circa 0,67 $ l'ora di sola GPU, a cui si sommano macchina, memoria e disco — mentre i prezzi di Colab Free, Pro e Pro+ non sono esposti in una pagina verificabile: esistono, ma qui non li riportiamo perché non li abbiamo potuti controllare alla fonte.

Il costo che nessuno mette a bilancio

In un progetto di machine learning aziendale, il calcolo è spesso la voce più piccola. Le altre due sono i dati — raccolta, pulizia, etichettatura, diritti d'uso, conservazione — e le persone. E c'è una terza voce che compare solo al secondo anno: il mantenimento del modello in esercizio, cioè il monitoraggio della deriva, il riaddestramento periodico, la gestione delle versioni e il confronto fra modello vecchio e nuovo. Un modello non è un artefatto che si consegna: è un impianto che si presidia, ed è la ragione per cui esistono strumenti come TensorFlow Data Validation e Model Analysis.

Tre ordini di grandezza

• Prototipo e formazione. Una GPU L4 su un fornitore specializzato a 0,49 $ l'ora, usata cento ore in un mese, costa meno di cinquanta dollari. Per imparare e per validare un'idea, il costo di calcolo è vicino allo zero: il collo di bottiglia sono i dati e il tempo delle persone.

• Modello aziendale in produzione. Addestramento periodico su qualche decina di ore di GPU al mese, più un endpoint di inferenza acceso: qui la voce dominante diventa l'endpoint sempre attivo, e la scelta fra endpoint gestito, macchina propria e inferenza on-device cambia il conto di un ordine di grandezza. È esattamente il punto in cui LiteRT o l'inferenza su CPU con un runtime ottimizzato possono azzerare la voce.

• Addestramento su larga scala. Quando si parla di più chip TPU o di nodi a otto GPU, il conto passa alle decine di migliaia di dollari e la leva non è più il prezzo orario: è l'efficienza della pipeline dei dati e il numero di esperimenti inutili che si riescono a evitare.

Funzionalità avanzate e integrazioni

TFX: la catena di produzione, e come sta davvero

TFX è l'insieme di componenti con cui una pipeline di machine learning diventa ripetibile: ingestione, validazione statistica dei dati, trasformazione, addestramento, valutazione con soglie di accettazione, e pubblicazione condizionata all'esito. Gira su orchestratori come Apache Beam, Airflow o Kubeflow, e traccia ogni esecuzione in un archivio di metadati che permette di rispondere alla domanda che prima o poi arriva sempre: con quali dati esatti è stato addestrato il modello che ha prodotto questa previsione?

Stato reale al settembre 2026: TFX 1.21.0 è di giugno 2026, richiede TensorFlow 2.21, ed è nell'elenco degli impegni di manutenzione insieme a Data Validation, Transform e Model Analysis, tutti rilasciati a giugno 2026. Nessuna deprecazione annunciata. Va però letto il ritmo: queste librerie sono passate da una release nell'ottobre 2024 a una nel giugno 2025 a una nel giugno 2026 — una all'anno, allineata alla versione di TensorFlow. È manutenzione, non evoluzione, ed è coerente con la dichiarazione di marzo.

Servire il modello: TensorFlow Serving e le alternative

TensorFlow Serving espone un SavedModel via gRPC e REST con gestione delle versioni, caricamento a caldo di un nuovo modello senza interruzione, raggruppamento delle richieste per sfruttare l'acceleratore e possibilità di servire più modelli dallo stesso processo. La versione 2.20.0 è di maggio 2026 ed è nell'elenco dei componenti manutenuti.

L'alternativa che vale la pena mettere sul tavolo, soprattutto per chi vuole smettere di dipendere da un solo framework, è ONNX Runtime — versione 1.29.0 dell'agosto 2026 — che esegue modelli convertiti da qualunque framework su CPU, GPU e acceleratori diversi. E per il parco hardware x86 tipico delle aziende italiane vale la pena conoscere OpenVINO (2026.3.1, agosto 2026), che ottimizza l'inferenza su CPU, GPU integrate e NPU Intel — ed è anche, non a caso, uno dei backend di inferenza di Keras 3.

LiteRT: portare il modello sul dispositivo

È il pezzo dell'ecosistema con più sviluppo attivo, e merita di essere conosciuto anche da chi non fa app mobili, perché l'inferenza on-device è spesso la risposta economica al problema dell'endpoint sempre acceso: nessun costo per richiesta, nessuna latenza di rete, nessun dato personale che lascia il dispositivo — quest'ultimo un argomento che in Europa vale quanto i primi due.

LiteRT copre Android, iOS e macOS, Linux e Windows desktop, sistemi embedded e il web, con accelerazione su CPU, GPU e NPU. L'architettura di nuova generazione, chiamata LiteRT Next, ruota attorno a un'API di modello compilato che sceglie automaticamente l'acceleratore disponibile ed esegue in modo asincrono — cioè toglie allo sviluppatore la parte più noiosa e più fragile del lavoro on-device. Esiste inoltre un convertitore ufficiale da PyTorch, in beta, con un'API generativa in alpha per i modelli linguistici su dispositivo.

Il web: TensorFlow.js e LiteRT.js

Qui c'è un cambio di guardia da conoscere prima di iniziare un progetto. TensorFlow.js — la libreria che esegue modelli nel browser — è ferma alla versione 4.22.0 dell'ottobre 2024: circa ventitré mesi senza rilasci. Non è stata dichiarata deprecata e il repository non è archiviato, ma non compare nell'elenco dei componenti coperti dagli impegni di manutenzione. Assenza di annuncio più assenza di rilasci: è il quadro, e va valutato per quello che è.

Il 9 luglio 2026 Google ha annunciato LiteRT.js, presentata ufficialmente come «una potente evoluzione di TensorFlow.js» per eseguire modelli nel browser con accelerazione su CPU, su GPU via WebGPU e su NPU via WebNN. La documentazione precisa che è pensata per funzionare dentro le pipeline TensorFlow.js esistenti, restando compatibile con la pre- e post-elaborazione: si migra il modello, non tutto il codice. Per un progetto nuovo di intelligenza artificiale nel browser, oggi si parte da lì.

Modelli pre-addestrati: dove sono finiti

Un dettaglio pratico che fa perdere tempo a molti. TensorFlow Hub non esiste più come sito: dal novembre 2023 il dominio reindirizza a Kaggle Models, e gli asset non migrati sono stati eliminati nel marzo 2024. La libreria tensorflow_hub è ferma al gennaio 2024. Curiosamente, la pagina di TensorFlow dedicata a Hub è rimasta indietro e promuove ancora il vecchio sito: è un buon indicatore dello stato della manutenzione documentale.

Il canale vivo per i modelli pronti dentro l'ecosistema Keras è KerasHub — l'unificazione delle vecchie KerasNLP e KerasCV, con checkpoint su Kaggle Models e supporto ai tre backend, versione 0.31.1 dell'agosto 2026. Una precisazione dovuta: la documentazione ufficiale la classifica ancora come pre-rilascio, senza garanzie di stabilità dell'API. E KerasCV è stata archiviata il 10 marzo 2026, con l'indicazione esplicita di spostare su KerasHub ogni sviluppo di nuovi modelli di visione.

StableHLO: il pezzo che spiega il futuro

È la parte meno raccontata e la più importante per capire dove sta andando il settore. StableHLO è un insieme di circa cento operazioni, definito nel progetto OpenXLA, che funziona da formato intermedio comune: viene prodotto da TensorFlow, PyTorch e JAX e consumato dai compilatori che generano il codice per CPU, GPU, TPU e acceleratori. Offre cinque anni di compatibilità all'indietro e due in avanti, una garanzia pensata proprio per chi deve tenere in esercizio un modello per anni.

La conseguenza è strategica: il valore si sta spostando dal framework al compilatore. Se tre framework diversi producono lo stesso formato intermedio e lo stesso runtime lo esegue, la scelta del framework smette di essere una decisione a lungo termine e diventa una preferenza di linguaggio. È la stessa logica per cui LiteRT accetta modelli da tre framework: sotto, il formato è comune.

Le librerie satellite: quali sono vive e quali no

Vale la pena avere l'elenco, perché su questo si perdono settimane. Vive, cioè nell'elenco degli impegni di manutenzione con rilasci recenti: tf.data, TensorFlow Serving, TFX, Data Validation, Transform, Model Analysis, TensorFlow Recommenders — versione 0.7.7 del gennaio 2026, ed è il caso d'uso in cui TensorFlow regge meglio — TensorFlow Text, TensorBoard e TensorFlow Quantum, quest'ultimo però con l'avviso che non è un prodotto Google ufficialmente supportato.

Ferme, senza annuncio di deprecazione ma senza rilasci e fuori dall'elenco: TensorFlow Federated (ultima versione settembre 2024), TensorFlow Probability (novembre 2024, ma esiste una versione che gira su JAX puro, ed è la via d'uscita), TensorFlow Decision Forests (marzo 2025) e TensorFlow.js. Archiviata: KerasCV. Per chi deve avviare un progetto nuovo su uno di questi temi — apprendimento federato, modelli probabilistici, foreste decisionali — la risposta corretta oggi non passa da TensorFlow.

Alternative a TensorFlow e confronto

Il confronto in una tabella

Strumento	Versione (set. 2026)	Quando conviene
TensorFlow	2.21.0 (6 mar 2026)	Sistemi già in produzione, pipeline TFX esistenti, sistemi di raccomandazione, stabilità a lungo termine senza novità
PyTorch	2.14.0 (2 set 2026)	Default per ricerca, modelli linguistici, fine-tuning, tutto ciò che passa da Hugging Face. Ecosistema di gran lunga più ampio
JAX	0.11.1 (17 ago 2026)	Addestramento su larga scala e su TPU, ricerca numerica, trasformazioni funzionali e sharding esplicito. È la direzione interna di Google
Keras 3	3.15.1 (29 lug 2026)	Lo strato che parla con tutti e tre. La scelta più difendibile per chi ha codice TensorFlow e non vuole restare bloccato
scikit-learn	1.9.0 (2 giu 2026)	Machine learning classico su dati tabellari: nella maggioranza dei casi aziendali è la risposta corretta
XGBoost	3.4.1 (15 ago 2026)	Dati tabellari strutturati: tipicamente batte una rete neurale a parità di sforzo
ONNX Runtime	1.29.0 (17 ago 2026)	Inferenza neutrale rispetto al framework, su piattaforme diverse
OpenVINO	2026.3.1 (26 ago 2026)	Inferenza ottimizzata su CPU, GPU integrate e NPU Intel. Anche backend di Keras 3
LiteRT / ExecuTorch	LiteRT 2.1.5 · ExecuTorch 1.4.1	Inferenza on-device: LiteRT dal lato Google, ExecuTorch dal lato PyTorch
vLLM · Unsloth	vLLM 0.28.0 · Unsloth 2026.9.3	Servire e adattare modelli linguistici. Nessun equivalente in TensorFlow
MLX	0.32.2 (25 ago 2026)	Sviluppo e inferenza locale su Apple Silicon, dove TensorFlow non ha supporto GPU ufficiale

PyTorch: il default, e perché

Non è una questione di qualità intrinseca — le due librerie fanno le stesse cose — ma di dove sta l'ecosistema. I modelli pubblicati, i tutorial, il codice degli articoli scientifici, gli strumenti per servire modelli linguistici, le librerie di fine-tuning: tutto è lì. Con Transformers che dalla versione 5 ha rimosso TensorFlow, per chi lavora su modelli linguistici la scelta non è più una scelta.

A cui si aggiunge la governance: PyTorch è ospitato da una fondazione che nel 2026 ha allargato il proprio perimetro accogliendo progetti chiave dell'infrastruttura di inferenza e di calcolo distribuito. È una struttura pensata per durare oltre le priorità di una singola azienda.

JAX: dove sta andando Google

JAX è una libreria di calcolo numerico differenziabile con trasformazioni componibili — derivazione automatica, vettorizzazione, compilazione, parallelizzazione — costruita sullo stesso compilatore di TensorFlow. Non è un framework di alto livello: sopra ci si mette Flax, oggi alla versione 0.12.9, con l'API NNX. È la direzione dichiarata per il nuovo lavoro su TPU nella documentazione di Google Cloud, e nei download mensili ha superato TensorFlow.

Non è però una scelta per tutti: richiede un modo di pensare funzionale, ha un ecosistema più piccolo e meno modelli pronti. È lo strumento giusto per chi addestra su larga scala o fa ricerca numerica, non per chi deve mettere in produzione un classificatore.

Keras 3, che non è un'alternativa ma una copertura

Merita di essere ripetuto perché è la conclusione operativa più utile di questo confronto. Keras 3 non è un concorrente di TensorFlow, PyTorch e JAX: è un livello sopra tutti e tre. Chi scrive il modello con questa API scrive codice che sopravvive alla scelta del motore. In un settore in cui la piattaforma dominante è cambiata due volte in otto anni, è la decisione architetturale più difendibile che si possa prendere oggi.

Il promemoria che fa risparmiare più soldi di tutti

Va detto in una guida onesta sul machine learning: la maggior parte dei problemi aziendali reali non richiede una rete neurale. Previsione della domanda, punteggio di abbandono, classificazione di ticket, rilevamento di frodi su dati tabellari: su questi, scikit-learn e XGBoost battono quasi sempre il deep learning a parità di sforzo, si addestrano in minuti su una CPU, si spiegano al management e si mettono in produzione senza GPU. È un dato che l'Osservatorio del Politecnico di Milano conferma indirettamente: nel mercato italiano dell'intelligenza artificiale, il 54% è machine learning «classico», non generativo.

Come si decide: cinque domande

1. Il problema è tabellare? Se sì, scikit-learn o XGBoost, e non se ne parli più.

2. Devi partire da un modello pre-addestrato recente? Se sì, PyTorch, perché è lì che sono i modelli.

3. Hai già TensorFlow in produzione? Non migrare per moda. Sposta il codice sull'API Keras 3 e decidi il motore dopo.

4. Il modello deve girare sul dispositivo? LiteRT è maturo e accetta modelli da tre framework: la scelta del framework di addestramento è indipendente.

5. Addestri su TPU e su larga scala? Guarda JAX, che è dove Google indirizza il lavoro nuovo.

Strategie di crescita usando TensorFlow

«Crescita» qui significa due cose diverse a seconda di chi legge: per un'azienda, far diventare un esperimento un sistema che produce valore; per un professionista, costruirsi competenze che valgano anche fra tre anni. Le trattiamo separatamente, perché le risposte sono diverse.

Se hai già TensorFlow in produzione

La risposta breve è: non migrare per moda, ma smetti di aggiungere. In pratica, quattro mosse in ordine.

Primo, metti in sicurezza il presente. Porta il sistema su una versione supportata, verifica che i componenti che usi siano nell'elenco degli impegni di manutenzione — tf.data, Serving, TFX, Data Validation, Transform, Model Analysis, Recommenders, Text, TensorBoard — e sostituisci quelli che non ci sono: Federated, Probability, Decision Forests, TensorFlow.js. Su questi ultimi il conto alla rovescia è già iniziato, anche se nessuno l'ha annunciato.

Secondo, sposta il codice sull'API Keras 3. È il singolo investimento con il miglior rapporto fra costo e riduzione del rischio: rende il modello indipendente dal motore e ti lascia scegliere dopo, con calma, se restare o passare a JAX o PyTorch.

Terzo, separa il modello dal servizio. Se l'inferenza passa da un formato neutrale — un runtime cross-framework, o LiteRT sul dispositivo — la sostituzione futura del framework di addestramento diventa un progetto interno e non un rifacimento del prodotto.

Quarto, scrivi le cose nuove altrove. Nuovi modelli, soprattutto se linguistici o generativi, non vanno costruiti su una piattaforma che non riceve più funzionalità. È esattamente ciò che raccomanda chi la produce.

Se parti adesso

Il percorso che funziona nel 2026 per un'azienda che vuole introdurre il machine learning è controintuitivo, perché comincia lontano dai framework.

1. Parti dal problema e dal dato, non dal modello. La domanda giusta non è «quale rete usiamo» ma «quale decisione cambieremo, con quale dato, e come sapremo se ha funzionato».

2. Prova prima la linea di base semplice. Una regressione, un albero potenziato, una regola. Se batte il modello complicato — e succede spesso — hai finito, a costo quasi zero.

3. Se serve il deep learning, scrivilo con l'API Keras 3, scegliendo il backend secondo il contesto: TensorFlow se il resto dell'azienda è lì, PyTorch se parti da un modello pre-addestrato, JAX se addestri su TPU.

4. Progetta l'inferenza prima di finire l'addestramento. Endpoint gestito, macchina propria o dispositivo: la scelta cambia il costo di un ordine di grandezza, e l'endpoint sempre acceso è la voce che svuota i budget.

5. Metti in piedi il monitoraggio dal primo giorno. Deriva dei dati, deriva delle previsioni, metriche per segmento. Un modello non monitorato peggiora in silenzio.

Se sei un professionista: che cosa vale ancora la pena imparare

La distinzione utile è fra competenze trasferibili e competenze legate a un prodotto.

Trasferibili, e che valgono più di prima: costruzione e pulizia di pipeline di dati; valutazione corretta di un modello, comprese le metriche per segmento e la gestione degli sbilanciamenti; messa in produzione, versionamento e monitoraggio; conoscenza dei costi di calcolo e di come si riducono; capacità di scegliere la soluzione più semplice che funziona. Nessuna di queste dipende dal framework, e tutte sono ciò che manca nei progetti che falliscono.

Legate al prodotto, con orizzonte più corto: le API specifiche di TensorFlow, le strategie di distribuzione, i dettagli dei formati. Restano utili per manutenere l'installato — che è enorme, e qualcuno dovrà pur mantenerlo, il che è un mercato — ma non sono l'investimento su cui costruire i prossimi cinque anni.

La combinazione che oggi ha più mercato è: Python solido, Keras 3 come strato di modellazione, PyTorch come framework di riferimento, un runtime di inferenza neutrale, e la capacità di far funzionare tutto questo dentro un'applicazione vera. È il profilo che descriviamo anche nella nostra guida su il freelance Python e l'intelligenza artificiale.

Un avviso sulla certificazione

Merita un paragrafo perché continua a essere venduta. La TensorFlow Developer Certificate non è più acquistabile: la pagina ufficiale dichiara che l'esame è chiuso in attesa di valutare i passi successivi del programma, l'ultimo giorno utile per l'acquisto è stato il 30 aprile 2024 e per sostenerlo il 31 maggio 2024, e in un forum ufficiale è stato risposto che non ci sono ulteriori piani per la certificazione TensorFlow. Le credenziali già ottenute valgono tre anni, quindi le ultime scadono entro maggio 2027. Corsi e guide che promettono di prepararti all'esame nel 2026 stanno vendendo qualcosa che non esiste.

Il mercato italiano, con i dati che esistono davvero

Va detto in apertura: non esistono dati pubblici con metodologia dichiarata sulla domanda di TensorFlow rispetto a PyTorch in Italia, né sulle retribuzioni per singolo framework. Chi li cita sta usando aggregatori di annunci senza campione né metodo.

Esiste però un dato solido sul quadro complessivo. Secondo l'Osservatorio Artificial Intelligence del Politecnico di Milano, nel comunicato del febbraio 2026: il mercato italiano dell'intelligenza artificiale vale 1,8 miliardi di euro nel 2025, in crescita del 50%; la domanda di competenze AI negli annunci di lavoro è cresciuta del 93% nel 2025, con 44.000 posizioni su 3,2 milioni che le richiedono; il 71% delle grandi imprese ha almeno un progetto avviato, ma solo il 20% usa l'intelligenza artificiale in modo pervasivo.

Il dato più utile per chi legge questa guida è però un altro, dalla stessa fonte: il 54% di quel mercato è machine learning «classico», non generativo. Tradotto: la maggior parte del lavoro reale in Italia non è costruire modelli linguistici, è mettere in produzione modelli di previsione, classificazione e raccomandazione su dati aziendali — che è esattamente il terreno su cui TensorFlow, TFX e i modelli tabellari hanno ancora senso economico, e su cui la competenza scarseggia più delle chiacchiere sull'AI generativa.

Tendenze future

Il valore si sposta dal framework al compilatore

È la tesi che spiega tutto il resto. Se TensorFlow, PyTorch e JAX producono lo stesso formato intermedio, se lo stesso runtime lo esegue su telefono, browser e server, e se quel formato garantisce cinque anni di compatibilità all'indietro, allora la scelta del framework smette di essere una scommessa a lungo termine. Diventa una preferenza di linguaggio e di ecosistema, reversibile a un costo ragionevole — soprattutto se si è scritto il modello su uno strato di astrazione.

Per un'azienda questo cambia il modo di scrivere un capitolato: la domanda giusta al fornitore non è più «quale framework usate» ma «in quale formato mi consegnate il modello, e con quale runtime lo servo».

L'inferenza on-device è dove si sposta il baricentro

Fra il rilascio in produzione di LiteRT con accelerazione su NPU di cinque famiglie di processori, l'arrivo di LiteRT.js per il browser nel luglio 2026, la libreria dedicata ai modelli linguistici su dispositivo e MediaPipe uscita dalla fase sperimentale, la direzione è evidente: far girare i modelli dove sono i dati, invece di portare i dati dove sono i modelli.

In Europa questo ha un valore che va oltre la tecnica. Un modello che gira sul dispositivo non trasferisce dati personali, il che semplifica radicalmente l'impianto di conformità — base giuridica, trasferimenti extra-UE, tempi di conservazione — e riduce a zero il costo per richiesta. Per molte applicazioni aziendali italiane è la combinazione che rende un progetto sostenibile.

L'ecosistema si sta consolidando su due poli

Da una parte PyTorch con la sua fondazione, che nel 2026 ha accolto sotto la stessa ombrella progetti chiave del serving e del calcolo distribuito: è diventata l'infrastruttura comune dell'AI open. Dall'altra Google con JAX per l'addestramento su TPU, Keras 3 come strato di modellazione trasversale e LiteRT per l'edge, con TensorFlow nel ruolo di piattaforma di esercizio stabile. Chi si aspetta un ritorno di TensorFlow al centro sta leggendo il settore al contrario; chi lo dà per morto sta ignorando che il suo runtime on-device è appena passato in produzione con investimenti crescenti.

Che cosa non cambierà

La qualità e la disponibilità dei dati, la correttezza della valutazione, il monitoraggio in esercizio, il costo dell'inferenza e la conformità normativa. Sono i cinque fattori che decidono se un progetto di machine learning produce valore, valgono su qualsiasi framework, e nessuno dei cinque è stato reso obsoleto da una novità di prodotto in dieci anni. È anche il motivo per cui la competenza che conviene costruire non è «TensorFlow» né «PyTorch»: è saper portare un modello dalla lavagna alla produzione e tenercelo.

Domande frequenti

TensorFlow è morto?

No, ma non è più in evoluzione. Il 6 marzo 2026, con il rilascio della versione 2.21, Google ha dichiarato che si concentrerà esclusivamente su correzioni di sicurezza e di difetti, aggiornamento delle dipendenze e revisione dei contributi della community, e ha raccomandato Keras 3, JAX e PyTorch per il nuovo lavoro sull'intelligenza artificiale generativa. Non ha però usato le parole «deprecato» né «fine vita» e non ha fissato una data di spegnimento: i componenti dell'elenco ufficiale continuano a ricevere patch, con rilasci documentati a maggio e giugno 2026. Un sistema in produzione oggi non è in pericolo; un progetto nuovo, invece, va valutato con questa informazione sul tavolo.

Ho modelli TensorFlow in produzione: devo migrare?

Non con urgenza, e non per moda. L'ordine sensato è: portare il sistema su una versione supportata; verificare che i componenti usati siano nell'elenco degli impegni di manutenzione e sostituire quelli che non ci sono (TensorFlow Federated, Probability, Decision Forests e TensorFlow.js sono fuori); spostare il codice sull'API Keras 3, che rende il modello indipendente dal motore; separare l'inferenza con un formato neutrale. Fatte queste quattro cose, la decisione su quale framework usare si può prendere con calma — ed è già in gran parte reversibile.

Meglio imparare TensorFlow o PyTorch nel 2026?

Per chi parte oggi, PyTorch, per una ragione pratica prima che tecnica: è lì che sono i modelli pre-addestrati, i tutorial e il codice degli articoli. Il segnale più netto è che la libreria Transformers, dalla versione 5, ha rimosso il supporto a TensorFlow per concentrarsi su torch. Detto questo, la scelta migliore è imparare l'API Keras 3, che gira su TensorFlow, JAX, PyTorch e OpenVINO: si impara un modo di costruire modelli che sopravvive alla scelta del motore. E le competenze che contano davvero — dati, valutazione, messa in produzione, monitoraggio — non dipendono da nessuno dei due.

Quanto costa addestrare un modello?

Il software è gratuito: TensorFlow ha licenza Apache 2.0. Il calcolo ha listini pubblici, verificati a settembre 2026: una GPU L4 costa circa 0,49 $ l'ora su un fornitore specializzato e circa 0,71 $ su Google Cloud; una H100 circa 3,49-3,99 $ l'ora; una TPU v5e 1,20 $ per chip all'ora su richiesta, che scendono a 0,54 $ con impegno triennale. Per imparare o validare un'idea si parla di poche decine di dollari. La voce che davvero svuota i budget è un'altra: gli endpoint di inferenza gestiti si pagano a ore di nodo attivo anche senza ricevere richieste, e vanno spenti esplicitamente. E le due voci più grandi restano i dati e le persone.

Che cos'è LiteRT e che rapporto ha con TensorFlow Lite?

È lo stesso progetto, rinominato il 4 settembre 2024. La motivazione ufficiale è che «è cresciuto oltre le sue radici TensorFlow» e supporta modelli scritti anche in PyTorch e JAX oltre che in Keras. Il formato dei file non è cambiato e le applicazioni esistenti non sono state impattate. È la parte dell'ecosistema con più sviluppo attivo: nel marzo 2026 è passata da anteprima a produzione, con prestazioni su GPU 1,4 volte superiori e accelerazione su NPU di cinque famiglie di processori, e nel luglio 2026 è arrivata LiteRT.js per il browser, presentata ufficialmente come «una potente evoluzione di TensorFlow.js».

TensorFlow.js è ancora mantenuto?

Formalmente non è stato deprecato e il repository non è archiviato, ma l'ultima versione pubblicata è la 4.22.0 dell'ottobre 2024 — circa ventitré mesi senza rilasci — e non compare nell'elenco dei componenti coperti dagli impegni di manutenzione dichiarati da Google nel marzo 2026. Per un progetto nuovo di intelligenza artificiale nel browser il punto di partenza oggi è LiteRT.js, annunciata il 9 luglio 2026, che accelera su CPU, su GPU via WebGPU e su NPU via WebNN, ed è pensata per convivere con le pipeline TensorFlow.js esistenti: si migra il modello, non tutto il codice.

TFX e TensorFlow Serving sono ancora usabili in produzione?

Sì. Entrambi sono nell'elenco ufficiale dei componenti che continuano a ricevere sicurezza, bugfix e aggiornamenti di dipendenze, insieme a Data Validation, Transform e Model Analysis: TFX 1.21.0 è di giugno 2026 e TensorFlow Serving 2.20.0 di maggio 2026. Va però letto il ritmo — una release all'anno, allineata a quella di TensorFlow — che è manutenzione, non evoluzione. Per una pipeline già in esercizio non c'è ragione di correre; per una pipeline nuova vale la pena confrontarli con alternative neutrali rispetto al framework, come un runtime di inferenza cross-framework.

La certificazione TensorFlow esiste ancora?

No. La pagina ufficiale dichiara che l'esame è chiuso in attesa di valutare i passi successivi del programma; l'ultimo giorno utile per acquistarlo è stato il 30 aprile 2024 e per sostenerlo il 31 maggio 2024, e in un forum ufficiale è stato risposto che non ci sono ulteriori piani per la certificazione TensorFlow. Le credenziali già ottenute valgono tre anni, quindi le ultime scadono entro maggio 2027. Diffida di corsi che nel 2026 promettono di prepararti a quell'esame. I percorsi ancora validi sono la documentazione ufficiale, i corsi di Google Cloud e le certificazioni cloud generaliste sul machine learning engineering.

In sintesi

TensorFlow resta una scelta difendibile in tre casi: quando hai già un sistema in produzione e ti serve stabilità invece di novità; quando lavori con la catena TFX, che è ancora la più completa in circolazione per validare dati e modelli in modo ripetibile; e quando il tuo terreno è la raccomandazione o l'inferenza sul dispositivo. È la scelta sbagliata per tutto ciò che riguarda modelli linguistici, modelli pre-addestrati recenti e qualunque cosa richieda funzionalità che non esistono ancora — perché nuove funzionalità non ne arriveranno.

Le tre cose da portare via, se ne resta spazio solo per tre. Primo: la dichiarazione del 6 marzo 2026 è il fatto che cambia la valutazione — solo sicurezza, correzioni e dipendenze, con Keras 3, JAX e PyTorch raccomandati per il lavoro nuovo. Secondo: la copertura si chiama Keras 3, l'unico strato che parla con tutti i motori, ed è l'investimento con il miglior rapporto fra costo e riduzione del rischio. Terzo: il costo di un progetto non è la licenza — è l'endpoint di inferenza lasciato acceso, sono i dati e sono le persone, ed è lì che si vince o si perde il caso di business.

Se stai valutando come portare il machine learning dentro la tua azienda, o hai modelli TensorFlow da mantenere, da mettere in sicurezza o da far evolvere, su FreelanceWWW trovi professionisti che lavorano su pipeline di dati, addestramento e messa in produzione: pubblica il tuo progetto e ricevi le offerte dai freelance che quel lavoro lo hanno già fatto. Se vuoi approfondire il profilo professionale, leggi anche le nostre guide su il freelance Python per l'intelligenza artificiale e su che cosa fa un freelance Python.