Fine-tuning (réglage fin)
Adaptation d'un modèle pré-entraîné à un usage spécifique par poursuite d'apprentissage sur un jeu de données représentatif de la tâche cible.
Le fine-tuning peut prendre plusieurs formes : ajustement complet des poids, ajustement partiel (LoRA, adapters) ou ajustement par instruction. La décision de fine-tuner se prend en comparaison du prompt engineering et de l'architecture RAG : si la tâche peut être résolue par contexte injecté à l'inférence, le fine-tuning n'apporte pas toujours de gain net.
Les coûts cachés sont importants : préparation et étiquetage des données, validation indépendante, suivi des dérives, plan de réentraînement. Pour les usages en entreprise régulée, le fine-tuning impose une documentation accrue : provenance et base légale des données, mesures de qualité et de représentativité, journal des versions de modèle. Le RGPD et le Règlement européen sur l'IA convergent sur la traçabilité des données d'entraînement.