Le fine-tuning, c'est réentraîner un modèle existant sur tes propres exemples pour qu'il adopte un style ou une spécialité. Tu pars d'un modèle déjà compétent et tu l'ajustes, plutôt que de partir de zéro. C'est plus lourd qu'un bon prompt ou que du RAG : on le réserve aux cas où le comportement doit être profondément modifié.
Exemple – Affiner un modèle sur tes anciens e-mails pour qu'il rédige dans ton ton exact est du fine-tuning.
Prompt, RAG ou fine-tuning : que choisir ?
| Approche | Quand | Coût / effort |
|---|---|---|
| Bon prompt | Ajuster le ton ou le format sur des cas simples | Quasi nul, immédiat |
| RAG | Donner au modèle des connaissances à jour ou privées | Modéré (base vectorielle à maintenir) |
| Fine-tuning | Changer en profondeur le comportement ou le style | Lourd (données, entraînement, ré-entraînement) |
Questions fréquentes
Fine-tuning ou RAG pour mes données ?
Si tes données changent souvent ou doivent être citées, le RAG est presque toujours le bon choix : tu ranges l'info dans une base vectorielle et tu la mets à jour sans ré-entraîner. Le fine-tuning sert à modifier le comportement, pas à injecter du savoir frais.
Combien d'exemples faut-il pour un fine-tuning ?
Ça dépend du modèle et de l'objectif, mais on parle souvent de centaines à milliers d'exemples de qualité. La qualité et la cohérence des exemples comptent plus que le volume brut.
À lire aussi – RAG, base vectorielle et embedding.
Guide pratique
L’IA qui tourne vraiment — passe de la définition au workflow qui tourne sans toi.
Sur iamin.digital, tu récupères le guide et 12 workflows n8n téléchargeables (sur Kindle, c’est le texte seul). Tu installes, tu adaptes, tu lances.
19,99€ 14,99€ — prix lancement
Pour déployer ces concepts sans rester dans la théorie, tu peux t’appuyer sur L’IA qui tourne vraiment : guide + 12 workflows n8n prêts à adapter.