Aller au contenu
IA & automatisation

Fine-tuning : définition

Aussi appelé : ajustement fin, réglage fin, affinage de modèle, entraînement spécialisé.

Mis à jour le

Rédigé par

Schéma du fine-tuning : un modèle d'IA général est entraîné en complément sur des exemples choisis pour obtenir un modèle spécialisé.
Fine-tuning : spécialiser un modèle général avec des exemples

Définition

Le fine-tuning consiste à réentraîner en partie un modèle d'IA existant sur des exemples choisis pour l'adapter à une tâche, un style ou un format précis.

En français, on parle d'ajustement fin ou de réglage fin. On part d'un grand modèle de langage déjà entraîné, et on lui montre de nombreux exemples « question, bonne réponse » pour qu'il reproduise ce comportement de lui-même, sans consignes détaillées à chaque fois.

En détail

Pour adapter une IA à ses besoins, trois leviers existent, à envisager dans cet ordre :

  • le prompt : instructions, exemples et contexte donnés à chaque demande. Rapide et gratuit à modifier, il suffit dans la majorité des cas ;
  • le RAG : on fournit au modèle les extraits pertinents de vos documents. Cette méthode convient aux connaissances qui évoluent (voir notre article sur le RAG appliqué aux documents internes) ;
  • le fine-tuning : on modifie le modèle lui-même.

Le fine-tuning est pertinent pour :

  • un format ou un style très constant : classer des messages dans des catégories précises, extraire des données dans une structure fixe, adopter un ton de marque très particulier ;
  • une tâche répétitive à grand volume, où un petit modèle ajusté peut remplacer un gros modèle plus cher et plus lent ;
  • un vocabulaire métier très spécialisé que le modèle maîtrise mal.

Il est en revanche peu adapté pour « apprendre » des faits qui changent (prix, stocks, procédures) : il faudrait réentraîner à chaque modification, et le modèle peut toujours se tromper sur ces faits.

Le processus comprend la constitution d'un jeu d'exemples de qualité, l'entraînement, l'évaluation sur des exemples jamais vus, puis le déploiement et le suivi.

Exemple (cas type)

Imaginons un courtier en assurances qui reçoit des milliers d'e-mails par mois à orienter : déclaration de sinistre, demande d'attestation, résiliation, nouveau devis, réclamation. Un grand modèle guidé par un prompt détaillé fonctionnerait bien, mais le volume rendrait la facture élevée et la réponse lente.

À partir d'e-mails déjà classés par l'équipe et anonymisés, il pourrait ajuster un modèle plus léger pour cette seule tâche de tri. Ce modèle classerait plus vite et à moindre coût. Les réponses aux questions des clients passeraient toujours par un assistant RAG appuyé sur les conditions des contrats, qui évoluent régulièrement.

Points d'attention

Le fine-tuning ne se justifie qu'après avoir testé le prompt et le RAG, avec des données conformes et une évaluation sur un jeu de test indépendant.

  • Essayer d'abord le prompt et le RAG : ils suffisent le plus souvent.
  • Données d'entraînement : elles doivent être exactes, représentatives et conformes au RGPD (anonymisation, base légale, information des personnes).
  • Évaluer sur un jeu de test indépendant, et comparer avec la solution sans fine-tuning.
  • Coût complet : préparation des données, entraînement, hébergement éventuel et réentraînement lors des changements de modèle.
  • Dépendance : un modèle ajusté chez un fournisseur est lié à ce fournisseur et à la durée de vie du modèle de base.

Pour aller plus loin

Fine-tuning, RAG ou simple prompt ? Dopinet vous aide à choisir la méthode la plus simple qui fonctionne : découvrez nos solutions d'automatisation IA et, pour estimer un budget, notre article sur le prix d'un agent IA sur mesure.

Fine-tuning : vos questions.

Faut-il faire du fine-tuning pour qu'une IA connaisse mon entreprise ?

Généralement non. Pour qu'une IA réponde avec vos informations (tarifs, procédures, catalogue), le RAG est plus simple, moins coûteux et se met à jour en modifiant les documents. Le fine-tuning sert plutôt à modifier un comportement ou un format.

Combien d'exemples faut-il pour un fine-tuning ?

Cela dépend de la tâche et du modèle : quelques centaines d'exemples de qualité peuvent suffire pour une tâche ciblée, bien davantage pour un changement profond. La qualité et la cohérence des exemples comptent plus que leur nombre.

Peut-on fine-tuner n'importe quel modèle ?

Non. Certains fournisseurs proposent le fine-tuning de certains modèles via leur plateforme, d'autres non. Les modèles dits ouverts, comme ceux de Mistral AI ou Llama, peuvent être ajustés et hébergés sur ses propres serveurs, ce qui demande des compétences et des ressources de calcul.

Besoin d'aide sur ce sujet ?

Parlez-nous de votre projet : réponse rapide et devis détaillé.