Fine-tuning : définition
Aussi appelé : ajustement fin, réglage fin, affinage de modèle, entraînement spécialisé.
Mis à jour le
Rédigé par Karim Brahim

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.