Affinage (fine-tuning)
Un entraînement additionnel qui ajuste les poids d'un modèle sur vos exemples — puissant pour les tâches étroites à fort volume, et habituellement le mauvais premier outil pour les problèmes de connaissance.
L'IA de production est un système : contexte, outils, permissions, traces, évaluations et boucles de rétroaction autour du modèle.
Ce que c'est
L'affinage poursuit l'entraînement d'un modèle sur vos propres exemples pour que son comportement s'en rapproche : votre format, votre ton, votre tâche. Il change le modèle lui-même, contrairement au prompting ou au retrieval, qui changent ce que le modèle voit.
Pourquoi c'est important
On recourt régulièrement à l'affinage trop tôt. Il n'enseigne pas de façon fiable de nouveaux faits à un modèle — le retrieval fait cela mieux, reste à jour et conserve les citations. Là où l'affinage mérite son coût : une tâche étroite à fort volume où un modèle plus petit affiné peut remplacer un plus grand modèle généraliste, ou un style de sortie strict que le prompting ne tient pas.
Concepts liés
RAG, Routage de modèles, Évaluations, Coût des LLM.
Ressources connexes
Le patron où un agent IA récupère du contexte pertinent dans vos données avant de générer une réponse — au lieu de s'appuyer uniquement sur ce que le modèle a appris à l'entraînement.
Une stratégie de passerelle pour choisir le bon modèle par tâche — selon la confidentialité, le coût, la latence, la qualité et le mode de défaillance — et basculer proprement quand un fournisseur se dégrade.
De l'anglais « evals », pour évaluations — les cas de test et le harnais qui mesurent si un workflow d'IA fonctionne, avant et après chaque changement.
La dépense totale en API de modèles de langage à l'échelle d'une organisation — jetons d'entrée, jetons de sortie, embeddings, affinage — et la pratique qui consiste à l'attribuer, l'optimiser et la budgéter.
Comment ça fonctionne
Organiser des paires d'exemples, entraîner (affinage complet ou méthode par adaptateur comme LoRA), puis évaluer contre la version non affinée sur un jeu réservé. L'évaluation décide si le résultat livre une amélioration. La plupart des problèmes d'entreprise se règlent à la couche du prompt, du retrieval ou du routage avant qu'un affinage ne soit justifié — c'est pourquoi notre pile par défaut n'en contient aucun.