Glossaire IA · Modèles
Fine-tuning
En une phrase
Le fine-tuning (ajustement fin) consiste à réentraîner un modèle d'IA déjà pré-entraîné sur un petit ensemble d'exemples propres, afin de le spécialiser dans une tâche, un format ou un style précis sans repartir de zéro.
Autres noms: ajustement fin · affinage · réglage fin · fine tuning
Qu’est-ce que le fine-tuning ?
Entraîner un LLM à partir de zéro demande des quantités colossales de texte et de calcul, à la portée de très peu d’entreprises. Le fine-tuning part d’un modèle qui sait déjà écrire et lui donne une seconde formation, courte et ciblée, à partir d’exemples de ce que vous attendez.
Passez à la pratique
L'IA d'UTIO, par API
Dès 29 €/mois + TVA
Pour les développeurs et les agences qui construisent leurs propres produits.
Découvrir l'API d'IAC’est un peu comme recruter une personne expérimentée et lui montrer comment on travaille chez vous : vous ne lui apprenez pas à parler, vous lui apprenez votre format de devis ou votre façon de classer les incidents.
Le fine-tuning excelle à modifier le comportement : format de sortie, ton, logique de classement. Il est mauvais pour retenir des données qui évoluent. Pour cela, il y a le RAG.
En lien avec ce terme
API d'IA
- Transcription, voix, texte, image, OCR et embeddings
- Clés par client avec plafond de dépense
- Porte-monnaie prépayé : recharge minimale de 50 €
Dès 29 €/mois + TVA Compte avec panneau, plus la consommation
Découvrir l'API d'IAComment ça marche
- Réunir des exemples. Des paires entrée / sortie idéale : « cet e-mail » → « cette catégorie », « ces données » → « ce résumé ». En général des centaines ou des milliers, relus à la main.
- Entraîner. Le modèle traite les exemples et ajuste ses paramètres pour rapprocher ses réponses de l’idéal. Des techniques comme LoRA n’ajustent qu’une petite partie des paramètres, ce qui réduit fortement le coût.
- Évaluer. On teste sur des exemples jamais vus, pour vérifier que le modèle généralise au lieu de répéter.
- Déployer le modèle ajusté et le surveiller : si la tâche évolue, il faut refaire l’ajustement.
Le fine-tuning sert beaucoup à spécialiser de petits modèles. Un SLM affiné peut égaler, sur une tâche précise, un modèle bien plus gros.
Exemple
Une société de maintenance d’ascenseurs de Marseille reçoit des signalements par e-mail et les répartit en douze catégories internes, avec un niveau de priorité. Un modèle générique s’en sort la plupart du temps, mais confond des catégories que seuls ses techniciens distinguent, comme « arrêt à niveau » et « arrêt entre deux étages ».
Avec quelques centaines de signalements déjà classés par l’équipe, un fine-tuning apprend cette nuance au modèle, qui classe ensuite selon les critères de la maison. Les données de chaque immeuble, comme l’adresse ou le contrat, ne lui sont pas apprises : elles sont consultées à part.
Le fine-tuning chez UTIO
La plupart des PME n’ont pas besoin d’affiner un modèle. Les agents UTIO s’adaptent à votre activité grâce à votre base de connaissances et aux consignes que vous configurez ; quand un tarif change, il suffit de mettre le document à jour.
Si vous développez votre propre solution avec l’API d’IA, vous choisissez le niveau de modèle pour la génération de texte et créez des embeddings pour monter votre propre RAG. Avant d’envisager un fine-tuning, essayez de bonnes consignes et de bons exemples : cela règle souvent plus qu’on ne croit, et vous évite de maintenir un modèle à vous dans votre agent IA.
Questions fréquentes
Fine-tuning ou RAG : que choisir ?
Pour que le modèle connaisse vos données (tarifs, horaires, catalogue), presque toujours le RAG : il les retrouve à chaque question et il suffit de mettre le document à jour. Pour changer sa façon de répondre (un format fixe, un ton, une classification très spécifique), le fine-tuning peut aider. Les deux se combinent souvent.
Combien d'exemples faut-il pour un fine-tuning ?
Cela dépend de la tâche et du modèle. Pour ajuster un format ou un style, quelques centaines d'exemples soignés peuvent suffire ; pour des tâches difficiles, il en faut des milliers. La qualité et la cohérence des exemples comptent plus que leur nombre.
Le fine-tuning empêche-t-il le modèle d'inventer ?
Pas à lui seul. Il peut améliorer le format et la précision sur la tâche entraînée, mais le modèle continue de produire du texte probable. Pour des réponses fondées sur des faits précis, le plus efficace reste de lui fournir les sources à chaque requête et de lui interdire de répondre sans elles.
Termes associés
- RAG
Le RAG (génération augmentée par récupération) est une technique qui fait chercher à un modèle de langage les passages utiles dans vos documents, puis rédiger sa réponse à partir d'eux, au lieu de répondre uniquement de mémoire.
- Entraînement d'un modèle
L'entraînement d'un modèle est le processus par lequel un modèle d'IA apprend à partir d'un jeu de données : on lui présente des exemples, on mesure ses erreurs et on ajuste ses paramètres, encore et encore, jusqu'à obtenir de bonnes réponses.
- Dataset
Un dataset (jeu de données) est une collection organisée d'exemples, comme des textes, des enregistrements, des images ou des fiches, utilisée pour entraîner, ajuster ou évaluer un modèle d'IA. Sa qualité conditionne directement ce que le modèle apprend.
- SLM (small language model)
Un SLM (small language model) est un modèle de langage doté de beaucoup moins de paramètres qu'un LLM. Il en sait moins sur tout, mais répond plus vite, coûte moins cher et peut tourner sur un serveur modeste, un ordinateur portable, voire un téléphone.
- Paramètres d'un modèle
Les paramètres d'un modèle sont les valeurs numériques internes, surtout les poids d'un réseau de neurones, ajustées pendant l'entraînement et qui stockent ce qu'il a appris. Leur nombre sert de mesure approximative de la taille du modèle.
Mis à jour le